Share This
Связаться со мной
Крути в низ
Categories
//Data Science в металлургии: передача расчета температуры нагревания металла от человека компьютеру

Data Science в металлургии: передача расчета температуры нагревания металла от человека компьютеру

Рассказ о том, как аналитическая подсистема, состоящая из двух математических моделей, снижает потребление электроэнергии и износ графитовых электродов, экономя сталеварам до полумиллиона рублей в месяц.

data science v metallurgii peredacha rascheta temperatury nagrevanija metalla ot cheloveka kompjuteru 0c6d3b7 - Data Science в металлургии: передача расчета температуры нагревания металла от человека компьютеру

Передача расчета температуры нагревания металла от человека компьютеру

Вообразите себе кофейню, которая помимо обслуживания в зале предлагает доставку на дом. При этом у кофейни есть четкие стандарты касательно температуры кофе: эспрессо должен быть нагрет строго до 80 °C, капучино — до 85 °C, а латте — до 83 °C и ни на градус больше или меньше. Добиться этого в помещении кофейни легко — бариста готовит напиток нужной температуры и сразу же отдает его клиенту. Но что делать с доставкой? Разные маршруты, трафик на дорогах, погодные условия — кофе в пути в любом случае остынет, а значит, курьеру его нужно отдавать более горячим. А насколько?

Вообразили?

В металлургии даже воображать не нужно. Разве что вместо кофе — раскаленное железо, а вместо чашки — огромный ковш, который в НЛМК доставляет полупродукт от одного этапа к другому.

data science v metallurgii peredacha rascheta temperatury nagrevanija metalla ot cheloveka kompjuteru 3aad9f8 - Data Science в металлургии: передача расчета температуры нагревания металла от человека компьютеру

При этом задача остается та же. На машину непрерывной разливки стали необходимо подавать металл строго определенной температуры — причем разной, в зависимости от марки стали. Загвоздка в том, что путь от предыдущего этапа занимает время, каждый раз разное — исходя из того, какой сплав нужно получить в итоге, масса должна пройти через несколько шагов. И на каждом из них металл остывает.

Поэтому мастера изначально нагревали металл на 20–30 °C больше, чем необходимо в итоге. Расчеты производили по таблицам (в них указаны значения для разных марок стали) и иногда оставляли небольшой запас — что называется, на глаз.

Проблема

Каждый дополнительный градус — это огромное количество энергии (которое тратится на нагрев) плюс расход графитовых электродов (нагревательных элементов). В конечном счете несовершенство процесса выливается в увеличение себестоимости продукции.

Что делать?

Передать расчет температуры от человека компьютеру. Иными словами, построить модель, которая сможет проанализировать множество параметров и выдать оптимальную температуру. И внедрить эту модель в интерфейсы управления процессом, с которыми работают сталевары.

Для этого было решено проанализировать собранные за 2 года данные. В первую очередь необходимо было понять, какие именно параметры влияют на процесс, а какие — модель может не учитывать. В итоговый список попали более 30 различных переменных, в том числе время, которое ковш проводит в пути, марка стали, искомая температура, состояние ковша (речь идет про футеровку — внутреннее покрытие).

Часть данных уже была аккумулирована во внутренних системах НЛМК в понятном цифровом виде. Остальное операторы вводили вручную — например, число ручьев машины непрерывного литья заготовок (то есть количество полос металла, которые получаются в итоге).

Как велась разработка?

Процесс разработки велся по гибкой методологии и был разбит на 6 спринтов, по 2 недели каждый.

  1. Сбор датасета.
  2. Проектирование интерфейса и настройка подключения к источникам данных.
  3. Интеграция с цифровыми платформами НЛМК, создание интерфейса экрана сталевара и пользовательского мануала.
  4. Построение аналитического модуля, который рассчитывает возможные потери тепла и выдает искомое значение температуры.
  5. Подготовка спецификаций на полученное решение и интеграция с источниками.
  6. Оценка полученного экономического эффекта.

Тестирование модели также проводилось в несколько этапов. Сначала ее проверяли на уже имевшихся исторических данных — если бы она выдавала значения, слишком далекие от тех, что выбрали мастера, пускать алгоритм в работу было бы слишком рискованно (и даже опасно).

Затем к тестам подключили сталеваров. Система, исходя из свежих данных, выдавала рекомендации по температуре, а мастера оценивали адекватность полученных значений и давали обратную связь.

В конце модель подключили к интерфейсу экрана сталевара, и мастера начали следовать ее рекомендациям, а аналитики оценивали эффективность обновленного рабочего процесса. Иными словами, проверяли, снизились ли потребление электроэнергии и износ электродов.

Как устроен сервис?

Сервис оптимизации расходов состоит из четырех подсистем.

Подсистема интеграции загружает данные из источников и отвечает за обмен данными между всеми подсистемами. Работает на Apache Nifi и Apache Kafka.

Аналитическая подсистема прогнозирует теплопотери и оптимальную температуру, а также отвечает за дальнейшее обучение модели.

Подсистема хранения данных аккумулирует все данные, которые участвуют в расчетах, а также данные, полученные в результате работы аналитической подсистемы. Работает на СУБД PostgreSQL.

Подсистема визуализации отображает рекомендуемые параметры и визуализирует основные индикаторы. Работает на React и TypeScript.

Аналитическая подсистема состоит из двух математических моделей. Линейная регрессия определяет общую тенденцию потери тепла, а бустинг помогает получить более точные данные.

Итоги

Если рассуждать в цифрах, то внедрение сервиса позволило снизить среднюю температуру примерно на 2 °C — в денежном эквиваленте это экономия примерно полумиллиона рублей в месяц. При этом дальнейшее обучение и донастройка модели, по нашим расчетам, должны повысить эффективность сервиса в 2–2,5 раза.

Михаил Чмель, мастер электросталеплавильного цеха НЛМК-Калуга.

*** Больше полезных материалов вы найдете на нашем телеграм-канале «Библиотека data scientist’а» Интересно, перейти к каналу

  • 0 views
  • 0 Comment

Leave a Reply

Ваш адрес email не будет опубликован.

Этот сайт использует Akismet для борьбы со спамом. Узнайте, как обрабатываются ваши данные комментариев.

Свежие комментарии

    Рубрики

    About Author 01.

    blank
    Roman Spiridonov

    Моя специальность - Back-end Developer, Software Engineer Python. Мне 39 лет, я работаю в области информационных технологий более 5 лет. Опыт программирования на Python более 3 лет. На Django более 2 лет.

    Categories 05.

    © Speccy 2022 / All rights reserved

    Связаться со мной
    Close