Как мы внедряли искусственный интеллект на металлургическом заводе +4


Искусственный интеллект в промышленности


Часто люди, работающие в области технологий искусственного интеллекта, представляют себе металлургический завод как нечто монструозное по форме и консервативное по внутренним процессам – примерно так, как описано в романе 1901 года «Труд» Эмиля Золя: «…окутанный клубами белого пылавшего в электрических лучах дыма, завод казался грозным видением. Порой сквозь широко раскрытые двери видны были огненные пасти плавильных печей, слепящие потоки расплавленного металла, огромные багровые очаги – все пламя этого потаенного ада, этого алчного, бушующего мира, порожденного чудовищем». Надо сказать, мои начальные представления о металлургическом производстве были такими же метафоричными.



Погрузившись в актуальные проблемы настоящего металлургического завода, я сформировал представление о реальном положении вещей.

Для любого металлургического производства одной из самых актуальных проблем является снижение себестоимости продукции без потери качества или с его повышением. Те подходы к решению проблем, которые использовались на протяжении десятков лет – капитальный ремонт оборудования или техническое перевооружение – очень дорогие, долгие и не всегда приносят ожидаемого эффекта.

Сегодня с помощью новых технологий и инструментов работы с данными эту проблему можно решить более эффективным способом – внедрением интеллектуальных решений, в частности, для оптимизации расхода дорогостоящих материалов, применяемых при производстве стали.

Самыми дорогостоящими материалами являются ферросплавы. Обычно их стоимость составляет большую долю от материальных затрат на производство стали – от 5 до 30% в зависимости от марки и технологического процесса. Так, например, для одних марок стали используются ферросплавы стоимостью 60 тыс. руб. за тонну, а для других – существенно более дорогостоящие, стоимостью 3 млн. руб. за тонну. Поэтому даже незначительное снижение их расхода способно дать заметное сокращение затрат.

Металлургические производства заинтересованы в применении подобных решений в силу минимального воздействия на технологический процесс с возможностью достижения значительного экономического эффекта. Тем не менее, полного доверия к искусственному интеллекту пока не сформировалось из-за высокой степени ответственности возлагаемых на него функций. Так, например, если интеллектуальное решение приведет к неправильному химическому составу 200 тонн стали и, как следствие, – к необходимости ее разбавления и переплавки, то потребуются дополнительные затраты времени, материально-технических и энергетических ресурсов, а соответственно и незапланированные финансовые затраты. К тому же это нарушит производственный план выпуска продукции. Поэтому при разработке интеллектуальных систем для промышленности необходимо учитывать специфические особенности производства.

Особенности Data Science в промышленности


Специфика производства накладывает свой отпечаток на каждый этап разработки интеллектуального решения. При работе над проектом необходимо учитывать уникальные условия производства, оборудования и управления данными:

  1. Сбор и анализ данных. На многих производствах до сих пор стоит оборудование, установленное в середине прошлого века без возможности автоматического отслеживания его состояния.
  2. Разработка моделей. Недостаточно иметь экспертизу только в методах машинного обучения, нужно знать физико-химические особенности процесса производства и быть экспертом в предметной области.
  3. Тестирование решения и проведение опытной эксплуатации. Никакой тестовый стенд не заменит возможности получения достоверной обратной связи на реальном непрерывном производстве, при этом ошибки должны быть сведены к минимуму, чтобы не привести к сбою технологического процесса.
  4. Разработка интерфейсов пользователей. Пульт сталевара похож на пульт Центра управления полетами со множеством элементов управления и мониторами, на каждом из которых в режиме реального времени транслируется большое количество информации о состоянии текущего процесса.

Об одном из разработанных интеллектуальных решений на металлургическом заводе я и собираюсь рассказать.

Немного о самом процессе производства стали


Производство стали – сложный технологический процесс. В мире существует более 3500 марок стали*.
*По данным Всемирной ассоциации стали (World Steel Association) в мире существует более 3500 марок стали. Марочник сталей и сплавов (под редакцией чл.-корр. РАН, д.т.н., проф. Ю.Г. Драгунова и заслуж. деятеля науки РФ, д.т.н., проф. А.С. Зубченко) включает в свой перечень более 700 марок. Они классифицируются по химическому составу, назначению и качеству, методу выплавки

Каждая марка имеет свой химический состав, который влияет на ее прочность, пластичность, жаропрочность и другие характеристики, востребованные в разных сферах применения. Например, для изготовления железнодорожных рельсов применяется сталь с повышенной износостойкостью, для изготовления промышленных труб, предназначенных для длительной работы при температурах до 600°С, применяется жаропрочная сталь, а для производства швейных и медицинских игл с высокими технологическими требованиями – высокоуглеродистая коррозионно-стойкая сталь с малой вязкостью.

Ферросплавы – материалы, содержащие набор химических элементов в различном пропорциональном соотношении. Они добавляются (присаживаются) в расплав для достижения требуемого химического состава в зависимости от конкретной марки стали. Данный процесс называется легированием. Так, для изготовления медицинской стали применяемые ферросплавы содержат элементы, которые не должны содержаться в стали для рельсов (например, медь, никель, титан), и наоборот (ванадий)*.
*Для примеров взяты марки стали 45Х2НМФБА и 12Х18Н10Т

Требования к химическому составу стали устанавливаются в государственных и производственных стандартах в виде нижней и верхней границы процентного содержания соответствующих элементов. Например, допустимые значения содержания хрома могут быть установлены в диапазоне от 0,8% до 1,1%, а никеля – от 0% до 0,3%*.
*Для примера использована марка стали 40Х

Начиная с конца XIX века и на протяжении почти ста лет сталь изготавливалась преимущественно в мартеновских печах, обладающих высокой сложностью и длительностью производственного процесса. Первая мартеновская печь в России была запущена в 1870 году, а последняя крупная мартеновская печь была остановлена в 2018 году на Выксунском металлургическом заводе. Сегодня современные производства используют дуговые сталеплавильные печи и конвертеры, имеющие высокую мощность и производительность.



*Ray Kurzweil claims singularity will happen by 2045

О проекте


Свое решение мы внедряли на Ашинском металлургическом заводе в электросталеплавильном цеху.

Упрощенно схема технологического процесса производства стали выглядит так:


Технологический процесс выплавки стали

  1. В дуговую сталеплавильную печь (ДСП) (1) подается исходное сырье (шихта) в виде металлического лома, которое в течение 60 минут с помощью электрической дуги расплавляется и нагревается до 1500-1600°С. После расплавления шихты из расплава удаляются вредные примеси фосфора, сера и избыточный кислород.
  2. Расплав выпускается в сталеразливочный ковш (2), добавляется первая порция ферросплавов.
  3. Сталеразливочный ковш (2) перемещается на участок внепечной обработки к агрегату «Ковш-печь» (АКП) (3). Внепечная обработка значительно сокращает процесс плавки и повышает качество готовой стали. В АКП расплав нагревается до заданной температуры (примерно 1600°С), после чего в него отдается вторая порция ферросплавов.
  4. По окончании внепечной обработки сталеразливочный ковш (4) перемещается к машине непрерывного литья заготовок (МНЛЗ) для разливки стали на плоские прямоугольные слитки (слябы) (5).

На каждом из этапов происходит замер температуры, берутся пробы стали и делается химический анализ.

Как мы решали задачу


Этап №1. Формирование гипотезы



Прежде всего, основываясь на потребностях и запросе заказчика, мы сформировали основную гипотезу о возможности решения проблемы средствами искусственного интеллекта. Для этого мы изучили принципиальные схемы технологического процесса и технологические инструкции.

Из схемы технологического процесса завода видно, что присадка ферросплавов происходит на двух этапах выплавки: на этапе выпуска из ДСП и на этапе внепечной обработки на АКП. Количество ферросплавов определяет сталевар, опираясь на требования технологической инструкции, текущий химический состав стали и свою экспертную оценку.

Самый большой расход ферросплавов происходит при выпуске стали из ДСП (1). Это обуславливается тем, что именно на этом этапе создаются благоприятные условия (высокая температура и возможность активного перемешивания металла в сталеразливочном ковше (2)). Точная доводка до нужного химического состава происходит на участке АКП (3), где уже используется небольшое количество ферросплавов.

Поскольку количество отдаваемых ферросплавов определяется сталеварами, то возможны как недостаточные отдачи (мало отдали), так и излишние (слишком много отдали), что в свою очередь приводит к неоптимальному расходу материалов или увеличению количества повторений технологических операций, а иногда и к переводу в другую по химическому составу заменяющую марку, если это возможно.

Приведу пример для демонстрации процесса подбора ферросплавов. На изображении приведены требования к процентному содержанию четырех химических элементов марки стали Ст3сп в виде интервалов оранжевого цвета (от нижних до верхних границ).



Необходимо из имеющихся ферросплавов разного содержания и разной стоимости подобрать такую смесь, чтобы химические элементы попали в требуемые диапазоны. При этом нужно учитывать уже содержащиеся в стали элементы (обозначены бежевым цветом), а также коэффициенты их усвоения, о которых я расскажу дальше.

Оптимально подобранной смесью ферросплавов является такая смесь, которая обеспечит попадание химических элементов стали по нижней границе требований и, одновременно с этим, ее минимальную стоимость.



Таким образом, мы выбрали две точки процесса, где можно снизить человеческий фактор и повысить эффективность производства за счет внедрения рекомендательного сервиса и сформировали следующую гипотезу: Возможно значительно снизить себестоимость продукции при достижении целевых физико-химических характеристик конечной продукции, если в режиме реального времени помогать сталевару на участках ДСП и АКП рассчитывать оптимальный набор и точную массу ферросплавов, обеспечивая при этом минимальную стоимость материалов.

Любую гипотезу недостаточно просто сформулировать. Важно понимать, как ее можно проверить и какие ресурсы для этого потребуются. Очень важно вовлечение бизнес-заказчика и плотное общение с отраслевыми экспертами, технологами, сталеварами, экономистами, IT-подразделениями заказчика. Важно подтвердить, что в целом такая проблема есть, решение ее актуально, возможно и включено в цифровую повестку предприятия. Важно совместно сформулировать методы и критерии оценки проверки гипотезы, договориться о том, как будет выполняться работа и какие работы необходимо будет провести со стороны рабочей группы заказчика. Чем выше цифровая зрелость предприятия, тем быстрее проходит этот этап, формируется рабочая группа и запускается пилотный проект. От формирования гипотезы до старта пилотного проекта у нас ушло порядка четырех месяцев активных переговоров с заказчиком.

Этап №2. Анализ данных и аудит производства



Как бы хорошо ни была проработана гипотеза на первом этапе, этап номер два – анализ данных и аудит производства – всегда может внести свои коррективы в ход проекта, вплоть до принятия решения о его приостановке.

На этом этапе мы провели комплексный анализ объекта. Сюда входил и анализ нормативно-технической документации технологического процесса (как должно быть), и наблюдение за технологическим процессом в реальных условиях (как на самом деле происходит), и анализ работы агрегатов, контрольно-измерительных приборов и собираемых ими данных (перечень, качество, частота генерации), и анализ IT-инфраструктуры заказчика (оценка уровня автоматизации, типов информационных систем, форматов данных, способов доступа). В ходе анализа данных мы оценили количество, качество и необходимые операции по их обработке для построения решения.

Хочу отметить, что на производстве данные с датчиков могут приходить с задержкой по времени, асинхронно относительно друг друга, с пропусками, погрешностями, недостоверными значениями. Данные могут заноситься в ручном режиме, противоречить друг другу, может не существовать единого архива по плавкам, часть данных может не собираться, может быть множество систем с разрозненными данными, которые нужно будет собрать, проанализировать и подготовить для дальнейшей разработки решения. С большинством этих проблем мы столкнулись на Ашинском металлургическом заводе. Так, например, первой проблемой для нас оказалось отсутствие автоматизированного учета перемещения ферросплавов и их химического состава. Разные ферросплавы могут содержать наборы одних и тех же химических элементов, но представленных в разном соотношении. Для решения нашей задачи необходимо было знать химический состав ферросплавов, чтобы оптимально подобрать его для нужной марки стали. К сожалению, информация о входном контроле каждой партии ферросплавов (химического состава) и ее поступлении в электросталеплавильный цех обрабатывалась вручную и заносилась в бумажные журналы.

Как результат, отслеживание качества применяемых ферросплавов в режиме реального времени оказалось невозможным, и нам пришлось использовать данные о химическом составе ферросплавов, заявленные в сертификатах производителя, что, кстати, не всегда может соответствовать реальному составу.

Вторая проблема, с которой мы столкнулись – конструктивные особенности оборудования. Аудит производственного процесса показал, что система подачи ферросплавов на выпуске из ДСП не позволяла оперативно регулировать объем отдаваемых материалов. Конструктивные особенности бункера, в которые засыпались ферросплавы перед плавкой, не позволяли отдать только часть ферросплавов, в расплав отдавалось все, что было в бункере, поэтому сталевары, зная, какую марку стали сейчас будут выплавлять, засыпали в бункер нужные ферросплавы в том количестве, которое требовалось по технологической инструкции. Поскольку рекомендации, которые бы выдавало наше решение на участке ДСП, нельзя было исполнить по техническим причинам, было принято решение, что в пилотном проекте наша рекомендательная система будет выдавать рекомендации только для этапа внепечной обработки стали на АКП, где имеется возможность оперативной регулировки отдачи материалов. Кроме того, в случае непопадания в химический состав здесь была возможность провести коррекцию на следующей итерации.

В итоге мы внесли коррективы в пилотный проект в части точек внедрения (планировали внедрить на ДСП и АКП, по факту возможно было только на АКП), в части точности модели (планировали использовать реальный химический состав ферросплавов, пришлось использовать информацию из сертификатов), в части достижимого экономического эффекта (поскольку на участке ДСП отдается большее количество ферросплавов, чем на АКП, то кумулятивный эффект от внедрения на обоих участках был бы значительно больше, чем эффект от внедрения только на АКП).

Этап №3. Разработка решения



Не буду подробно останавливаться на том, как сложно подготовить датасеты. Это камень преткновения для решения любой аналогичной задачи. 80% времени всегда уходит на анализ, сбор и обработку данных. Однозначно могу сказать, что для решения этой задачи требуется знание технологии и особенностей физико-химического процесса выплавки стали. Наличие отраслевой экспертизы – непременное условие. Так, например, для расчета оптимального количества ферросплавов необходимо было учитывать коэффициенты усвоения химических элементов, а для этого – понимать, как проходят окислительно-восстановительные реакции в стали.

Расскажу немного об усвоении химических элементов. Как я уже говорил выше, для достижения заданного химического состава стали в нее добавляют ферросплавы с учетом коэффициентов усвоения содержащихся в них элементов. Известно, что химические элементы в процессе выплавки усваиваются не полностью и к моменту окончания их содержание уменьшается. Отношение содержания химического элемента в момент завершения обработки стали к их содержанию в момент отдачи ферросплавов и есть коэффициент усвоения.

Коэффициенты усвоения не являются константами, а точность их расчета вносит существенный вклад в результат работы модели. На коэффициенты усвоения влияет довольно много факторов, таких как окисленность и температура стали, химический состав стали и ферросплавов, а также другие физико-химические и технологические параметры.

Возникает вопрос: как сталевар рассчитывает коэффициенты усвоения? Ответ довольно простой: сталевар использует усредненные значения из таблицы технологической инструкции.
Сталевар сам принимает решение, какие ферросплавы ему выбрать из имеющихся, а химический состав стали доводит, как правило, по каждому элементу по-порядку. При этом сталевар для выбора ферросплавов руководствуется своим профессиональным опытом и требованиями технологической инструкции, а для расчета массы каждого отдельного ферросплава – использует довольно простую формулу, в которую подставляет табличное значение коэффициента усвоения выбранного им химического элемента, разницу между целевым и текущим содержанием химического элемента, массу жидкой стали и массовую долю содержания элемента в ферросплаве:


где m – масса жидкой стали, т,
l – вводимый химический элемент, %
p – массовая доля химического элемента в ферросплаве, %
a – коэффициент усвоения химического элемента, %


Таким образом, мы видим, что сталевар сам принимает решение о выборе ферросплава, доводит содержание химических элементов по-порядку и использует усредненные значения коэффициентов усвоения. Но в действительности можно рассчитать коэффициенты усвоения и массы необходимых ферросплавов, основываясь на уникальных показателях текущей плавки, обеспечив при этом возможность достижения требований к химическому составу стали при минимальной стоимости материалов.

Перейду к центральной и самой важной части решения – к математической модели.
В основе модели лежат методы машинного обучения и математического программирования.

Модель выполняет следующие функции:

  1. Расчет коэффициентов усвоения химических элементов. Для их определения была построена модель машинного обучения, которая по набору исторических данных и данных, загружаемых в режиме реального времени, вычисляла актуальные коэффициенты усвоения легирующих элементов для текущей плавки.
  2. Расчет оптимального набора и массы ферросплавов, необходимой к отдаче в расплав. Оптимизационная модель, обеспечивающая подбор оптимальной смеси ферросплавов, обладающей минимальной стоимостью, при заданных ограничениях в виде целевого химического состава и стоимости материалов.
  3. Прогнозирование химического состава. Модель, проводящая расчет с учетом рассчитанных коэффициентов усвоения, текущего состава стали и рассчитанных масс ферросплавов для прогнозирования состава стали в случае исполнения рекомендации.
  4. Восстановление пропущенных данных. Для обеспечения устойчивой работы модели необходимо обеспечить поступление всех критически важных данных. По причине сбоя датчиков, сбоя оборудования, ошибок или задержек в работе программного обеспечения, установленного на производстве, данные могут поступать не в полном объеме, иметь пропуски и искажения. Для решения данной задачи мы разработали модель машинного обучения, которая по набору исторических и загружаемых в режиме реального времени данных восстанавливала пропущенные данные.

Общий вид схемы модели:



Этап №4. Тестирование модели. Проверка ее адекватности



Как я уже говорил ранее, сложность подобных решений состоит в проверке адекватности полученного решения в реальных боевых условиях. Если решение будет работать неправильно, то это может привести к серьезным финансовым потерям. Поэтому решение тщательно тестировалось в несколько этапов, прежде чем было запущено в опытно-промышленную эксплуатацию.

1. Вначале мы провели тестирование модели машинного обучения для расчета коэффициентов усвоения и восстановления пропущенных данных на заранее подготовленном и размеченном датасете. Очевидно, что специально подготовленный датасет – лабораторный вариант, который не в полной мере отражает качество реальных данных. Поэтому мы провели следующее тестирование на реальных данных, поступающих в режиме реального времени.

2. Для проведения данного вида тестирования, мы подключили наше решение в информационный контур заказчика, и оно в режиме реального времени собирало, обрабатывало реальные данные и выдавало рекомендации. Решение работало в том же режиме, в котором оно работало впоследствии во время опытно-промышленной эксплуатации, но рекомендации пока не видел и не исполнял сталевар. На этом этапе нам удалось отловить интеграционные проблемы, а также проблемы с задержкой или отсутствием данных. Например, мы выявили проблему несвоевременного поступления химического анализа и несоответствия полученных данных о химическом составе текущей плавке. Как следствие, наша модель для таких плавок некорректно рассчитывала коэффициент усвоения легирующих элементов. Нам пришлось дорабатывать модель, чтобы она выявляла подобные проблемы и работала корректно.

Неоспоримым преимуществом данного вида тестирования была возможность настроить модель на “живых” данных, с которыми ей предстояло работать. Но вместе и с плюсом был и недостаток – отсутствие обратной связи в виде реального химического состава после исполнения рекомендаций.

3. Самое ответственное тестирование проводилось во время опытно-промышленной эксплуатации непосредственно на производственной площадке заказчика в реальных боевых условиях. Как правило, здесь подстерегают много технических и организационных сложностей, которые нужно предусмотреть и решить заранее. Испытание решения проводилось в формате A/B-тестирования с разделением плавок на две группы: с применением рекомендаций решения и без применения.

Поскольку производство стали – это непрерывный процесс, а само производство очень дорогостоящее, то время опытной эксплуатации выбрать было непросто. Никто не был готов рисковать дорогой маркой стали. Поэтому на данном этапе совместно с заказчиком мы выбрали недорогую марку стали (Ст3сп), которая, в свою очередь, выплавлялась в разное время суток. Нам пришлось сопровождать опытную эксплуатацию 24/7.

Во время работы на производственной площадке мы фиксировали все случаи, когда сталевар не принимал выданную ему рекомендацию и по какой причине. О том, как мы побывали на металлургическом заводе в Аше, мы рассказали в этой статье.

Шаг №5. Расчет экономического эффекта



По окончании опытно-промышленной эксплуатации мы рассчитали экономический эффект по принятой методике расчета экономической эффективности. Для этого была рассчитана стоимость ферросплавов, расходуемых на одну тонну стали, с применением и без применения рекомендаций решения. Расчет показал, что применение интеллектуального решения в рамках опытно-промышленной эксплуатации принесло экономию расхода ферросплавов порядка 8% для одной марки стали. Оценочный расчет потенциального экономического эффекта для всех марок стали в абсолютных величинах показал существенный результат, который делает целесообразным промышленное внедрение решения.

Заключение


В заключение хочу сказать, что мое представление о металлургии трансформировалось и, оставшись таким же ярким и образным, приобрело глубокий смысл и понимание реальных проблем и возможностей их решения.

Успешный результат проекта показал, что искусственный интеллект и консервативные индустрии совместимы, если системно подходить к его внедрению и решаемым проблемам, критически прорабатывая каждую мелочь и специфику производства, которые могут кардинально повлиять на результат проекта. При этом, на проблему необходимо смотреть одновременно с разных точек зрения – аналитики, Data Science, отраслевой экспертизы и разработки.

Выполненная нами задача – одна из широкого спектра ожидающих решения задач – принесла существенный экономический эффект. При таком подходе доверие со стороны консервативной индустрии начнет расти, и тогда искусственному интеллекту можно будет доверить не только выполнение локальных задач, но и комплексных – для управления целыми технологическими процессами.




К сожалению, не доступен сервер mySQL