"Компания НЛМК" 0 комментариев

Потенциал больших данных: BigData в металлургии

По прогнозу аналитиков компании IDC, которая изучает мировой рынок информационных технологий и телекоммуникаций, к 2025 году общемировой объем данных вырастет в десять раз, и большую часть будут генерировать предприятия. Сегодня эксперты сходятся во мнении: большие данные, или BigData, станут ключевой основой для новой волны инноваций, роста производительности и конкуренции в мире. В России такие технологии сейчас активно развивают в банковской сфере, государственном секторе и телекоме.

В отличие от банковского или телекоммуникационного сектора, НЛМК имеет огромный объем данных с технологических линий. Это терабайты информации о производстве продуктов, о свойствах материалов, о том, как они формируются. Все это можно обработать, проанализировать и использовать для улучшения существующих технологий. На практике же сегодня используется не более 5% получаемых данных.

В июне 2017 года в компании создана дирекция по анализу данных и моделированию. О том, чем она занимается и какие цели ставит перед собой, рассказал руководитель дирекции Анджей Аршавский.

руководитель дирекции Анджей Аршавский.

- Какие задачи сегодня стоят перед  Дирекцией по анализу данных и моделированию?

- Если говорить коротко, мы рассчитываем с помощью методов современной аналитики, машинного обучения и алгоритмов оптимизации сокращать производственные издержки и повышать эффективность производственных и бизнес- процессов компании. Мы провели обследование производственных площадок Группы НЛМК и сформулировали около 50 задач с суммарным экономическим потенциалом, измеряемым в миллиардах рублей в год. По пяти из этих задач уже ведем работу, еще по пяти планируем начать в ближайшее время.

Для эффективной работы нам нужно сформировать высокопрофессиональную команду DataScience, а также решить вопрос с доступностью и качеством данных. Нам удалось сформировать ядро команды, хотя сейчас на рынке обострилась борьба за специалистов в этой области, а наши требования существенно выше среднерыночных. Предстоит решить сложные, не типовые задачи с необходимостью быстро погружаться в нюансы производственного процесса. Также мы работаем над созданием инфраструктуры для хранения и анализа большого объема информации, которая собирается на различных переделах металлургического производства.

Для того чтобы извлечь экономическую выгоду из данных методами «продвинутой» аналитики и оптимизации, потребуются вычислительные ресурсы особого класса. Они будут не только накапливать данные с автоматизированных систем управления технологическим процессом (АСУ ТП) и систем управления производством (MES-системы) в высоком разрешении, но еще и параллельно их обрабатывать с применением технологий машинного обучения.

- Как работает BigData в металлургии? Можете рассказать о каких-нибудь реализованных проектах?

- Мы приступили к работе над проектами этим летом. По одному из них ведем опытно-промышленные испытания. Речь идет о проекте снижения расхода ферросплавов в сталеплавильном производстве НЛМК-Урал в Ревде. Перед командой стоит задача разработать модель, которая позволяла бы максимально точно управлять расходом ферро- сплавов для минимизации их использования при соблюдении технологических параметров задания плавки. Мы собрали данные по истории плавок: задания на плавки, температурные режимы, данные о том, что получилось в результате присадки определенного количества легирующих веществ, результирующий химический состав стали на выходе. На основании всех этих данных разработали математическую модель, которая встроена в специальное программное обеспечение и дает рекомендации на пульт управления сталевара. Сталевар, в свою очередь, управляет процессом добавления ферросплавов, которые используются при внепечной обработке.

На данном этапе модель используется в опытном режиме на уральских установках «печь-ковш» и позволила сэкономить примерно 10 рублей на тонну стали. Пока это около 6–7 млн рублей в год. Не очень большой экономический эффект, но мы рассчитываем на более существенную экономию от комплексной модели, которая будет оптимизировать расход легирующих материалов и на установках «печь-ковш», и на дуговой сталеплавильной печи. Такая модель будет готова в конце 2017 года – начале 2018-го.

Мы также ведем разработку аналогичного математического моделирования для оптимизации расхода ферросплавов в конвертерном цехе Липецкой площадки.

Кроме этого, ведем проект по поиску корневых причин появления таких дефектов, как плена и раскатная трещина на этапах выплавки стали и горячей прокатки. Начали проект по оптимизации работы ТЭЦ для снижения потребления природного газа, проект по прогнозу выхода из строя фурм доменных печей. Параллельно мы также продолжаем работу по ряду пилотных проектов с компаниями SAP, IBM и SAS.

- Какой объем информации необходим, чтобы на ее основе можно было бы построить нужную модель? Сколько времени уходит на моделирование?

- Для решения задач нужны подробные и точные данные по различным производственным процессам. Для типовой задачи речь идет о терабайтах данных, собранных за период в несколько лет. Полный объем данных, который нам предстоит накапливать и обрабатывать по всей Группе, исчисляется петабайтами. К сожалению, не все данные доступны для немедленной обработки и анализа. Часть из них теряется из- за отсутствия инфраструктуры их накопления, некоторые данные по измерениям содержат ошибочные значения, часть важных измерений отсутствует, поэтому мы проводим ревизию данных и планируем меры по сбору недостающих данных и повышению их качества. Для достижения максимального качества модели стараемся брать информацию за максимальный период, обучаем модель с использованием всех значимых данных, которые когда-либо собирались и записывались.

Сроки проекта зависят от многих факторов: готовность ресурсов, доступность и качество данных, сложности разработки модели и сложности внедрения. Типовая длительность проекта от появления идеи до промышленной эксплуатации – приблизительно год. Работа над проектом включает такие этапы, как постановка задачи, определение необходимого перечня данных, получение доступа к данным, собственно ключевой этап анализа данных, машинного обучения и построения моделей, разработка ПО для промышленной эксплуатации, проведение опытно-промышленных испытаний, доработка решения по результатам испытаний, внедрение решения, включая интеграцию с существующими ИТ- и АСУТП- системами. Затем следует период постоянной донастройки и оптимизации модели. Для сокращения рисков недостижения результата мы вводим нулевую фазу в проект – пилотирование решения. В ходе этой фазы пробуем построить модель на имеющихся данных, чтобы убедиться в решаемости задачи. Если модель дает не нулевой результат, то мы начинаем полномасштабную разработку, испытание и внедрение.

- Какие еще проекты в этом направлении будут реализованы в ближайшее время?

- Из пятидесяти идентифицированных инициатив, о которых я говорил ранее, мы отобрали для реализации десять. Ожидаемый экономический эффект этих проектов по предварительным расчетам составил около 3 млрд рублей.

В числе этих проектов несколько инициатив на Липецкой площадке, ВИЗ-Стали, Алтай-Коксе. Например, мы будем заниматься повышением производительности АНГЦ за счет увеличения скорости движения полосы в агрегате при сохранении заданных механических свойств конечного продукта. На стане 2000 в Липецке планируем увеличить производительность за счет выбора скоростных режимов и регулирования темпов выдачи слябов из методических печей. На Алтай-Коксе будем работать над повышением холодной прочности кокса. На площадках Вторчермет НЛМК за счет глобальной модернизации ценовой модели рассчитываем добиться сокращения расходов на заготовку лома. В доменном производстве мы начали работу по прогнозу выхода из строя фурм. В ТЭЦ приступили к разработке оптимизационной системы для сокращения расхода природного газа.

Проекты, о которых я говорю, либо только что начаты, либо стоят в планах на начало 2018 года. Область математического моделирования новая не только для НЛМК, но и для производственных компаний в целом. Нам необходимо накопить опыт и уже потом переходить к масштабной разработке решений по всему фронту потенциальных направлений.

- Как вы отбирали эти проекты?

- Поиском и отбором идей занимались совместно с нашими коллегами из операционной эффективности и производства. Мы провели большую работу по внутреннему консалтингу, организовали около двух десятков встреч с глубоким погружением в насущные производственные проблемы, чтобы выяснить возможности применения методов математического моделирования, машинного обучения и методов прогрессивной аналитики. В результате мы отобрали идеи, оценили экономический эффект по каждой из потенциальных задач и получили пятьдесят новых инициатив по различным производственным направлениям. Останавливаться на этом, конечно, не будем и планируем расширять список новых инициатив. Работа в этом направлении будет продолжаться.

- А при выборе проектов вы ориентируетесь на опыт других металлургических компаний в России и за рубежом?

- Безусловно, мы стараемся общаться с нашими коллегами, чтобы понять их уровень, оценить достижения. Но сегодня выделить компании, которые сильнее нас продвинулись в этом направлении, сложно. Большая часть индустрии начинает путь одновременно с нами. Но мы стараемся обмениваться опытом там, где это возможно.

- Кто работает в вашей команде?

- В дирекции работают DataScientist – математики, специалисты по машинному обучению, методам оптимизации и комплексным методам анализа данных. В нашей команде есть специалисты по работе с технологиями BigData – инженеры данных, а также аналитики и проектные менеджеры. Над проектами работает, как правило, сводная команда из наших штатных специалистов, специалистов подрядчиков, представителей операционной эффективности, технического центра, ДАТП, ИТ и производства. Операционная эффективность помогает нам находить задачи, оценивать их эффект и внедрять решения. Представители технического центра консультируют по технологиям производства и помогают правильно интерпретировать данные. ДАТП помогает получить доступ к данным, специалисты ИТ – разработать целевую архитектуру решения и провести интеграцию с существующей инфраструктурой.

Наш продукт – модели, интегрированные в производственный процесс и позволяющие работать эффективнее, – может быть создан только благодаря коллективному участию всех перечисленных подразделений.

0 комментариев
Отправить
обсуждения
Нам повезло - для нас экскурсию и дегустацию проводила бывший главный пивовар этого завода, было реа... Промышленный туризм: побывай на пивоварне, которой уже более 155 лет!
Подскажите как понять какая методика лучше всего подходит для товара. Есть например три модели попол... Управление запасами
Толковая статья автора-практика. Полная версия - в крайнем номере альманаха "Управление произво... Из личного опыта: как вовлечь сотрудников в процесс непрерывного совершенствования
Узнайте больше Альманах “Управление производством” 300+ мощных кейсов, готовых к использованию чек-листов и других полезных материалов
Альманах “Управление производством”