24 ноября 2023

Фото:ru.freepik.com

Искусственный интеллект в металлургии: цифровые двойники, RPA и компьютерное зрение

Промышленники России, в том числе металлурги, не любят слово «проблема»: для них это лишь вызов, с которым каждое предприятие справляется своими способами, задействовав опыт, накопленные знания и, конечно, новые технологии.
Да, тему цифровизации обсуждают на всех возможных площадках, и мы сами уже не раз писали о перспективах цифровых решений и о том, как было бы здорово для предприятий иметь их. На этот раз у нас появилась возможность углубиться в природу искусственного интеллекта (ИИ) и тему его применения на металлургических предприятиях. На одной из отраслевых выставок — «Металл-Экспо 2023», которая прошла в ноябре в Москве, — состоялся круглый стол — «Диалог металлургов: актуальные вопросы, особенности и перспективы использования технологий роботизации и искусственного интеллекта в металлургии и тяжёлой промышленности». Игроки рынка на примере своих предприятий рассказали о внедрении ИИ и о том эффекте, который технология оказывает на производство.
Мы вычленили для вас самое важное и полезное из выступлений экспертов.

Цифровые советчики

Директор по развитию CyberPhysics Михаил Гусев, говоря о пользе ИИ в промышленности, поделился: компания разработала платформу CyberStudio для предикативной аналитики, которая работает на основе ИИ в качестве цифрового советчика. Он, со слов эксперта, умеет анализировать данные о технологическом процессе или работе конкретного оборудования для дальнейшей корректировки. Специалисты компании-разработчика при этом сами предварительно настраивают параметры анализа: производительность, уровень дефектности или, например, расход топлива, которые впоследствии оптимизирует платформа.

Как это работает на практике? Г-н Гусев привёл пример с внедрением такой системы для контроля нагрева заготовок в промышленных печах, где распространённой проблемой являются высокие энергозатраты и большой расход газа.

Специалисты заложили в платформу функции, которые позволяют ей оптимизировать разницу девиации температуры в установке. Другими словами, советчик следит за тем, чтобы в печах не было пере- или недогрева. Что в результате? Производительность участка выросла на 1–2,5%, при этом на 7–10% получилось оптимизировать расход газа.

Цифровое решение представляет настоящий гибрид, состоящий из данных прокатного стана, печи и физико-математического моделирования, которое как раз и нужно для определения температуры. Работает система в двух режимах:

В реальном времени обработки. Цифровая модель даёт рекомендации для управляющих параметров, как в приведённом выше примере, конкретно — для температуры в печи, например, подсказывает нагревальщику, как изменить те или иные параметры, чтобы минимизировать удельный расход газа.
В режиме формирования плана работы. Двойник оптимизирует нагрев партии заготовок. Это позволяет оператору оборудования получить через АСУ ТП печи конфигуратор режимных карт, чтобы максимально эффективно прогреть партии.

Те же функции платформы можно применить и для оптимизации планирования доменного производства. Цифровой советчик способен подготовить оптимальную режимную карту, которая позволит спрогнозировать план работы доменной печи. Как отмечает Михаил Гусев, это будет полезно как минимум по одной причине: в течение всего времени производства оборудование может выполнять одну и ту же задачу с одинаковым объёмом чугуна на выходе, но с разной себестоимостью. Цифровая система подстроит параметры так, что граница себестоимости у похожих задач будет минимальной.

Что касается применения, несмотря на то что эксперт привёл два примера с доменными печами, использовать таких двойников он советует также в прокатном и плавильном производстве. Кроме того, одного цифрового советчика можно задействовать на разном оборудовании и при различных задачах.

«Нейросеть натренирована и включает необходимый набор кодов. Даже если АСУ ТП нового агрегата будет отличаться от предыдущего, программисты добавят в код системы нужные теги, и в считанные минуты она переучится на другое оборудование. Это касается и перенастройки модели на совершенно иной цех. Весь процесс может занимать до двух недель», — отмечает г-н Гусев.

Отметим, что цифровые советчики на базе искусственного интеллекта также помогают металлургам сократить уровень негативного влияния на экологию. Например, в прошлом году компания «Цифра» объявила о создании системы для контроля выбросов токсичных веществ. Платформа анализирует концентрацию вредных выбросов во время определённых производственных процессов, метеоусловия, рельеф местности и особенность застройки зданий на территории предприятия и рядом с ним.

Опыт внедрения RPA-технологий от нефтегазовой компании

Если цифровой советчик подсказывает сотрудникам предприятия, что и как нужно изменить в производственных процессах, чтобы сделать их эффективнее, то с помощью роботизации рутинных процессов, или Robotic process automation (RPA), сотрудников можно и вовсе освободить от задач.

Архитектор ИТ-ландшафта Центра компетенции архитектуры компании «Газпром нефть» Антон Мейнцер в рамках круглого стола поделился с аудиторией опытом внедрения таких решений на нефтегазовых предприятиях.

Итак, начнём с того, что роботизация в системах RPA — это не те промышленные роботы, о которых часто заявляют в контексте производства: для резки, сварки, пайки и т. д. Роботизированные системы, о которых говорит спикер, умеют обрабатывать документы, помогают при внедрении новых процессов и участвуют в закупках.

По словам г-на Мейнцера, такие роботы имитируют работу сотрудников и выполняют за них рутинные задачи, за счёт чего специалисты могут сосредоточиться на принятии решений и операциях, которые действительно требуют вмешательства человеческого интеллекта. Другими словами, автоматизированная система записывает действия пользователей и учится выполнять их при помощи оптического распознавания и ИИ.

Эксперт рассказал о том, что система роботизации на предприятии «Газпром нефть» заменила около 200 человек, выполняя за них рутинные процессы в режиме 24/7. Например, роботы могут анализировать закупочную потребность, а также изучать и обрабатывать данные о рынках. В работе это выглядит так: система получает техническое задание, анализирует его с помощью нейросети и на основании полученных данных приступает к проработке рынка. Далее платформа ищет необходимые для решения задачи продукты — анализирует каждую представленную на торговой площадке позицию, сравнивает цены и формирует коммерческие предложения и запросы для поставщиков.

Интеллектуальный анализ нормативной документации

Зайдём ещё глубже: способности к выполнению рутинных операций у ИИ не заканчиваются на закупках и обыденной обработке документов. Анализ нормативной документации — вот где человеку точно необходима помощь нейросетей. Именно интеллектуальной обработке нормативов и посвятил свой доклад руководитель направления по развитию ИИ АО «РАСУ» Игорь Мищенко.

Спикер рассказал, что однажды компания получила от зарубежного заказчика запрос на создание такой системы, которая будет способна формировать проектную документацию по требованиям из нормативных актов. Тогда разработчики столкнулись с проблемой: как загрузить в систему требования из 1000 стандартов ISO, Международной электротехнической комиссии (МЭК) и др.? Задача не из простых…

Специалисты покупали у организации документы (а это ведь интеллектуальная собственность), загружали в информационную систему, а после — открывали каждый из документов и переносили в специализированную форму. С виду — обыкновенная офисная работа, однако, по словам г-на Мищенко, на проработку некоторых стандартов уходили недели: тексты документов необходимо было прочитать, выделить в них нужные фрагменты и присвоить им атрибуты (например, название и номер).

Такие методы решения задачи не отличались эффективностью, и компания обратилась к машинному обучению. Разработчик спроектировал прототип модуля распознавания требований в документах по заданным критериям или смысловым абзацам. Система научилась различать необходимые фрагменты по параметрам, которые на старте запуска программы вводит специалист. Так, она классифицирует требования, рисунки, заголовки и другую информацию в один файл. Эксперту при этом достаточно просмотреть его и, если есть ошибки, исправить их.

Спикер отметил, что за счёт участия ИИ в работе компания в два раза сократила скорость обработки нормативных документов и практически исключила влияние человеческого фактора. По его словам, 4 500 страниц документов и около 13 000 требований можно обработать всего за два дня. Конечно, впереди специалистов ждёт ещё верификация, которая займёт один-два месяца, однако для таких объёмов текста этот срок кажется небольшим.

ИИ, чистота лома и расход кокса

Мы уже писали выше о том, что ИИ способен отслеживать уровень выбросов вредных веществ и подсказать, как его снизить. Как показывает практика предприятий, пластичность нейросетей позволяет научить их любому, даже самому сложному, мониторингу. Например, на предприятиях Группы «НЛМК» цифровая модель умеет определять чистоту лома.

Для того чтобы этого добиться, специалисты компании дали нейросети на изучение около 25 тыс. фотографий с изображением лома в вагонах, в которых были как чистые фрагменты, так и включения разного рода мусора. Кроме того, на участке, где установлены такие вагоны, компания поставила видеорегистраторы. Так ИИ научился фотографировать контейнеры, анализировать их на чистоту и даже останавливать разгрузку вагонов, если в них присутствует мусор. Цифровая модель делает снимок каждого слоя металлолома. По словам экспертов, это решение помогает металлургам снизить расход энергии печей.

Кандидат технических наук, доцент кафедры энергоэффективных и ресурсосберегающих промышленных технологий ФГАОУВО «НИТУ “МИСИС”» Павел Черноусов рассказал о том, как ещё ИИ может помочь скорректировать энергозатраты, причём снова на примере Группы «НЛМК», а точнее — её доменной печи № 7 и уровня расхода кокса.

По словам г-на Черноусова, этот тип печей является самым сложным в металлургии, так как она включает сразу несколько фаз: жидкую, твёрдую и газ. Несмотря на это, учёные уже не один раз пытались создать её 3D-модель — 30 и 20 лет назад, и кое-что им удавалось. Однако, к сожалению, модели, которые получались, имели мало общего с тем, что происходит в печи на самом деле. Кроме того, с годами в доменных печах появляется всё больше датчиков, которые ежесуточно измеряют около 3,5 тыс. параметров оборудования и отправляют их в цифровые хранилища.

Как такое количество характеристик из столь сложных печей перевести в наиболее реалистичную модель, которая позволит прогнозировать исход процессов? Со слов доцента, над этой задачей работали несколько поколений доменщиков. Главной целью при этом было вывести за раз три общепризнанных параметра: теплообмен, массу обмена и газодинамику, что сделать крайне сложно.

Гораздо проще рассчитывается степень развития процесса прямого восстановления, или, по-научному, rd. Как правило, чтобы узнать значение этого параметра, специалисты сравнивают расход кокса по среднесуточным показателям в разные периоды в течение одного — трёх месяцев.

Учёные МИСИС нашли другой способ узнать, какова производительность и каков расход кокса у доменной печи № 7. Они анализировали данные не за три месяца, а за шесть лет, т. е. ежедневные показатели свыше 2100 суток! Оказалось, что обработка большого массива данных более наглядна, нежели короткий анализ. Так, эксперты узнали: несмотря на то что в некоторых анализируемых интервалах печь функционирует в экстремальном режиме, большую часть времени (независимо от интенсивности выплавки) она всё же работает стабильно. Главное, выяснилось, что анализируемое оборудование ежегодно показывает 10%-ный прирост производительности при практически постоянном расходе кокса. И всё это с помощью цифровых моделей с ИИ, которые способны обработать такой большой объём данных!

Впрочем, в заключение г-н Черноусов озвучил цитату полководца А. В. Суворова, но с поправкой на металлургию: как теория без практики мертва, так и практика обработки больших данных с применением ИИ без знания теории доменного процесса слепа.

Если подытожить, можно отметить, что приведённая учёным цитата легко интегрируется в любые процессы роботизации и автоматизации на производствах. Эксперты, чьи доклады мы осветили в статье, в большинстве своём говорили о применении цифровой аналитики на конкретных участках нефтегазовых и металлургических предприятий. Однако они лишь поделились теорией, которую промышленникам остаётся применить на практике.

Итак, со слов спикеров, мы выяснили, что нейросеть может улучшить производственное предприятие, предоставляя инновационные решения и оптимизируя различные процессы. Так, ИИ умеет:

1) прогнозировать спрос на продукцию. Он может анализировать исторические данные о продажах и других важных факторах, таких как погода и экономические показатели для предсказания будущего спроса на продукцию;

2) оптимизировать процессы производства, анализируя параметры оборудования, сырья и трудозатраты. Это помогает уменьшать количество отходов, сокращать время цикла производства и повышать общую эффективность производства;

3) фиксировать неисправности и предупреждать отказы. Нейросеть умеет анализировать информацию с датчиков оборудования для выявления аномалий или предсказания возможных отказов.

«Мир находится в постоянном движении, и стагнация — угроза, которой нельзя пренебрегать. Чтобы оставаться конкурентоспособными, необходимо адаптироваться к быстро меняющимся тенденциям и предлагать инновационные решения. Новые технологии не только повышают эффективность работы, но и способствуют улучшению качества продукта или услуги. Использование старых и консервативных подходов ограничивает в росте и развитии, несёт риск стать устаревшими и отстать от конкурентов», — текст, сгенерированный нейросетью.