Искусственный интеллект в металлургии: эффективность и особенности внедрения

IT-продукты активно распространяются по всем сферам промышленности, теперь они добрались и до управления тяжёлыми отраслями. Искусственный интеллект в металлургии – мощнейшая технология, способная решить множество производственных задач. Система способна заменить человека, проводя сложные расчёты в очень сжатые сроки. Параметры, которые необходимо просчитать человеку исчисляются десятками: какие ферросплавы необходимо добавить при выплавке стали, какое количество каждого компонента нужно внести, чтобы получить заданный химический состав металла. При этом необходимо успеть сопоставить температурный режим с объёмом и прочими параметрами. Нюанс в том, что вычисления нужно провести максимально оперативно и безукоризненно точно, иначе цена ошибки выльется в десятки и сотни миллионов рублей. 

Важно также отметить экономический аспект, поскольку новые технологии делают производственный процесс наиболее эффективным, оптимизируют расходы редких и дорогостоящих ресурсов, используемых при изготовлении стальных сплавов. Самые дорогостоящие из них – ферросплавы, которые могут стоить за одну тонну до 3 000 000 рублей. Даже немного снизив расходы, произойдёт весомое снижение затрат.

Особенности применения Data Science

Из-за специфики производства, Data Science в тяжёлой промышленности настраивается с учётом уникальных условий, управления данными и оборудования. Алгоритм работы продукта следующий:

1. Собираются данные, проводится анализ. На производствах, работающих на оборудовании прошлых веков, нет возможности проводить мониторинг его состояния в автоматическом режиме. А новые системы, например, имеют даже датчики для определения утечек.
2. Разрабатываются модели. Экспертиза исключительно в способах машинного обучения – недостаточное решение проблемы. Необходима информация о физико-химических особенностях металлургических процессов. Без ИИ человек, работающий на таком производстве должен обладать экспертными знаниями в предметной сфере.
3. Проводится тестирование и опытное использование. Цифровизация в металлургии позволяет получать достоверную информацию и обратную связь на любом этапе реального производства непрерывно, что тестовые мероприятия никогда не предоставят. А любые недочёты приведут к сбою производственных и технологических процессов.
4. Разрабатываются интерфейсы для трансляции информации для каждого пользователя. Сейчас у сталеваров пульты управления, схожие с оборудованием Центра управления полётами, на них несколько мониторов, элементы управления. На каждом экране в реальном времени происходит передача огромного количества данных о том, как в конкретный промежуток времени проходят процессы на производстве, чтобы была возможность отследить их состояние.

Немного из истории

В конце 19 века началось производство стали в мартеновских печах, эта технология использовалась и следующие 100 лет. Процесс характеризуется длительностью процедуры производства и высокой степенью сложности. В нашей стране первую мартеновскую печь запустили в 1870 году, а последнее подобное оборудование было остановлено в 2018 году. На сегодняшний день на современных металлургических концернах применяется дуговое печное сталеплавильное оборудование и конвертеры, с высокой мощностью и КПД.

Особенности процесса производства стали

В мире тысячи марок чёрного и цветного проката, что существенно осложняет технологический процесс изготовления стали. Всемирная ассоциация стали ведёт учёт марок, в перечень включено свыше 3500 разных образцов металлопродукции, классификация которых происходит по химическому составу, качеству, назначению, технологии выплавки.

От химического состава сплавов зависят параметры прочности, характеристики жаропрочности, свойства пластичности и прочие качества, необходимые для отдельных сфер применения. Например, сплавы с повышенными параметрами износостойкости нашли применение в изготовлении рельсов для железнодорожной отрасли. Жаропрочные стальные марки необходимы для выпуска труб промышленного назначения, где высока вероятность длительной эксплуатации при температурном режиме до 600 градусов. Славы коррозионно-стойких высокоуглеродистых сталей используют для производства медицинских иголок, игл для швейных машинок, так как отличаются небольшой вязкостью.

Максимально эффективной оптимизация считается в случае с ферросплавами, используемыми на металлургическом сегменте рынка в качестве легирующих компонентов. Их необходимо добавлять в расплав в строго регламентированном количестве, у различных марок разное пропорциональное соотношение. Легирование – процесс улучшения характеристик металлов, а легирующие компоненты стоят дорого. Поэтому внедрение искусственного интеллекта на заводе позволяет оптимально расходовать дорогостоящее сырьё.

О схеме технологического процесса

Алгоритм технологического процесса выплавки стали проходит по следующему сценарию:

1. Загрузка исходной сырьевой базы (металлического лома, шихты) в дуговое печное оборудование. В оборудовании происходит нагрев до температурного режима от 1500 до 1600 градусов на протяжении часа. Когда шихта расплавится, из неё убирают ненужные примеси (молекулы серы, фтора, лишнего кислорода).
2. Перемещение расплава в специальный сталеразливочный ковш, куда добавляют первую часть ферросплавов согласно стандартам и инструкциям.
3. Транспортировка ковша с содержимым на участок к агрегату «ковш-печь» (АКП), где происходит нагрев композиции до температурного режима около 1600 градусов. Затем добавляют вторую часть ферросплавов.
4. Разливка стального сплава в агрегате непрерывного литья, чтобы получить заготовки в виде прямоугольных плоских слитков.

Машинное обучение в промышленности стало очень актуальным, ведь искусственный интеллект позволяет замерять температурный режим, брать пробы стали, проводить химический анализ и вносить коррективы непосредственно во время производственного процесса.

Как решить задачу с внедрением системы?

Необходимо сформировать гипотезу, исходя из потребностей заказчика, провести аудит производства с последующим анализом данных. Следующим шагом идёт разработка решения с последующим тестированием модели и мониторингом её адекватности. На заключительном этапе рассчитывается экономический эффект.