Вестник цифровой трансформации

«Северсталь»: «Автотемп 2.0» для стана 2000
«Северсталь»: «Автотемп 2.0» для стана 2000

Светлана Потапова: «Ошибка в темпе прокатки может привести к возврату слябов, снятию их с прокатки, столкновению хвоста предыдущей полосы и головы следующей, отсутствие готовности моталок и так далее – вплоть до поломки оборудования. Учитывая это, оператор выставлял темп всегда с небольшим запасом – но правильно ли он его высчитает? Нам было важно оцифровать этот процесс и снизить влияние человеческого фактора»


14:24 08.04.2024  |  Николай Смирнов | 1041 просмотров



Светлана Потапова, руководитель кластера «Искусственный интеллект» «Северстали», – о создании решения на основе моделей машинного обучения, позволившего оптимизировать работу стана 2000 Череповецкого металлургического комбината.

В «Северстали» разработали «Автотемп 2.0» – программный комплекс по оптимизации графика посада и управлению темпом прокатки и выдачей слябов из печей на основе моделей машинного обучения. Решение внедрено на стане 2000 Череповецкого металлургического комбината – одном из самых производительных станов горячей прокатки в России. За первые восемь месяцев работы решения экономический эффект составил 72,6 млн руб. О реализации проекта рассказывает Светлана Потапова, руководитель кластера «Искусственный интеллект» «Северстали» («Северсталь Диджитал») и номинант на премию Data Award.

- Что собой представляют процессы управления станом 2000, в чем заключалась проблема, почему это важно?

На стан 2000 со склада слябов поступают стальные заготовки – слябы –различных геометрических параметров и марок. Их подают в нагревательные печи в определенной последовательности, в соответствии с графиком прокатки, составленным по определенным правилам. В печах производится нагрев слябов – в среднем от двух до четырех часов, – затем они по очереди поступают в черновые и чистовые клети для дальнейшего обжатия до нужной толщины. После этого раскатанный металл сматывается в рулоны и транспортируется на следующие переделы. И именно печи являются ключевой точкой, определяющей производительность всего прокатного стана.

Проблема заключалась в том, что операторы вручную высчитывали и задавали темп прокатки. Назначение слишком медленного темпа прокатки приводит к тому, что слябы не успевает забирать чистовая группа клетей, и происходит остановка выдачи металла из печей. А если выдавать слябы из печей с темпом медленнее необходимого, увеличенные паузы приводят к потере производительности стана. Ошибка в темпе прокатки может привести к возврату слябов, снятию их с прокатки, столкновению хвоста предыдущей полосы и головы следующей, отсутствие готовности моталок и так далее – вплоть до поломки оборудования. Учитывая это, оператор выставлял темп всегда с небольшим запасом – но правильно ли он его высчитает? Нам было важно «оцифровать» этот процесс и снизить влияние человеческого фактора.

- Как задача решалась ранее?

С 2015 года на ЧерМК был внедрен комплекс «Автотемп», в который были заведены исторические значения машинного времени прокатки слябов и исторические паузы, сумма которых и образует темп прокатки. Они позволяли операторам стана ориентироваться в устанавливаемых значениях темпа. Но даже в этих условиях многое рассчитывалось вручную. Поэтому требовалась улучшенная версия, в которой все подсчеты выполнялись бы автоматически. В ситуации, когда мы боремся за каждый процент эффективности, мы не можем позволить себе непродуктивные паузы.

- Что представляет собой созданное решение?

Комплекс «Автотемп 2.0» включает в себя несколько компонентов: модель предсказания машинного времени прокатки сляба в чистовой группе клетей, алгоритм определения минимальной паузы между слябами, управление временем нагрева сляба в печи и оптимизация распределения необходимых пауз на очередность слябов. Решение позволяет рассчитать оптимальное время и отправить сигнал на выдачу слябов из нагревательных печей стана. Согласование графика выдачи с темпом прокатки металла позволяет осуществлять безопасную автоматическую выдачу из печей. Решение обрабатывает поступающую информацию по текущему состоянию печи, времени выдачи слябов, положению каждого из слябов, времени прокатки слябов и всем возникающим задержкам и ежесекундно пересчитывает свой прогноз.

- Какие данные собирали для обучения модели? Какие объемы потребовались?

В основе решения «Автотемп 2.0», наряду с большим количеством учтенных технологических ограничений, лежит модель машинного обучения с использованием алгоритма градиентного бустинга, с высокой точностью предсказывающая время прокатки металла в стане. Она учитывает такие параметры, как длина и ширина сляба, толщина готового продукта, температура конца прокатки, марку стали, назначение металла, класс прочности и многие другие. При этом был использован массив данных за два года. Для оптимизации посада слябов используется жадный алгоритм поиска, выбирающий печь для следующего посада сляба. Ровный ход печей, с равномерным нагревом по зонам, осуществляется благодаря применению алгоритма квадратичной оптимизации.

- Какими силами и в какие сроки реализован проект?

«Автотемп 2.0», как и все наши решения, разрабатывался в тесной связке с производством. В процессе разработки и при внедрении решения была задействована большая команда. В нее входили, помимо специалистов «Северсталь Диджитал», эксперты из производства плоского проката Череповецкого металлургического комбината, сотрудники АСУТП и другие сотрудники ИТ-команды. Разработка решения вместе тестированием заняла порядка полутора лет. В промышленную эксплуатацию комплекс запустили в третьем квартале 2022 года.

- С какими другими решениями осуществляется взаимодействие?

Для увеличения производительности участка печей решение объединено с конфигуратором посада слябов, оптимизационной моделью по выбору следующей к посаду печи. Кроме того, решение интегрировано с моделью нагрева металла. Зная расчетное время выдачи из печей, модель оценивает время нахождения каждого из слябов в нагревательной печи, что позволяет корректировать ее параметры и повышает энергоэффективность участка и качество нагрева сляба.

- Что в ходе проекта было самым сложным, как решались эти проблемы?

Отдельным вызовом было тестирование решения на одном из ключевых агрегатов комбината, где каждый час простоя приносит миллионы убытков. С ростом сложности решения усложняется и поиск возможных ошибок и недочетов. Для начального тестирования решения и наладки логики работы выдачи с печей наша большая команда экспертов разработала цифровую имитационную модель участка нагревательных печей. В ней можно произвести симуляцию выдачи слябов из печей и проигрывание различных сценариев работы стана 2000: отсутствие готовности печи к выдаче, выдача из печи раньше назначенного времени, выдачи из печи позже назначенного времени и прочие.

- Какие результаты достигнуты?

Решение полностью управляет выдачей сляба, за счет чего исключается человеческий фактор и снижается вероятность незапланированных простоев одного из ключевых агрегатов предприятия. За первые восемь месяцев работы решения экономия времени прокатки за счет оптимизации пауз составила 55 часов, что позволило дополнительно произвести более 50 тыс. тонн металлопроката. Экономический эффект составил 72,6 млн руб. Среднюю паузу при прокатке удалось снизить на 1 секунду на сляб.

- Как это соотносится с ожиданиями?

Этот результат соответствует нашим ожиданиям. Стоит отметить, что даже на этапе первой версии решения, которая появилась в 2015 году, задача управления темпом прокатки уже так или иначе была решена. С помощью машинного обучения мы исправили существовавшие недостатки и дополнительно оптимизировали технологический процесс – нам важна каждая секунда.

- Чем этот проект важен для компании?

Для компании высокая производительность стана 2000 – это возможность произвести для большего количества клиентов горячекатаный прокат с лучшими качественными характеристиками, а значит и получить дополнительный эффект на показатель EBITDA. Помимо финансовой составляющей, мы повышаем качество принимаемых решений за счет перехода на data-driven подход и достигаем значимых эффектов уже на начальной стадии внедрения решения.

- Что дальше? Каковы возможности для дальнейшего развития решения?

Сейчас мы ведем разработку модели компьютерного зрения для контроля наличия слябов на транспортере в процессе выдачи слябов из нагревательных печей стана 2000, что также влияет на сокращение паузы перед выдачей слябов.

 

Теги: Машинное обучение Data Award

На ту же тему: