Искусственный помощник в ГМК
Искусственный помощник в ГМК
Eurasian Resources Group внедряет передовые технологии цифрового разума у себя на производстве

В прошлом году в своем послании Елбасы указал на необходимость скорейшего внедрения новейших технологий искусственного интеллекта (ИИ) в казахстанской экономике. Если этого не сделать, то через несколько лет Казахстан будет обречен глотать пыль прорывных цифровых проектов развитых стран, убежден Первый президент. Также бывший глава государства предложил создать на базе Назарбаев университета научно-исследовательский институт по разработке ИИ-технологий.
Глобальная инициатива была поддержана государственным деятелем Каримом Масимовым, который в этом году опубликовал книгу "Следующий властелин мира. Искусственный интеллект", написанную при участии глобальных экспертов. В ней глава КНБ описал основные события развития ИИ и выразил мнение, что Казахстану нужна собственная стратегия в этой области, чтобы модернизировать инфраструктуру и правовое поле под растущее доминирование искусственного интеллекта.

По зову живого и пытливого разума первой из крупных казахстанских корпораций в глобальную гонку ИИ-технологий включилась Евразийская Группа. Сейчас на нескольких предприятиях Eurasian Resources Group задействована команда специалистов, которые запускают пилотные проекты по внедрению искусственного интеллекта

Тема искусственного интеллекта стремительно развивается в мире, рассказал inbusiness.kz руководитель управления промышленного ИИ дочерней компании ERG – Business Technology Services (BTS) Дмитрий Карбасов.

Больше по секторам опыт в ИИ имеют телеком и ритейл – около десяти лет. В промышленности же цифровому разуму дали ход только года три-четыре назад из-за другой специфики в технологиях и подходе.

«Искусственный интеллект имеет крайне широкое значение. Если взять научное определение, то он бывает двух видов: сильный и слабый. Сильный – это аналог мозга человека, когда он будет создан – непонятно, и тогда мир изменится до неузнаваемости. Это будет алгоритм с достаточно высоким уровнем абстракции, самообучаемый по решаемым задачам, которым его учили, чтобы он мог впитывать знания и в соседних сферах. Слабый искусственный интеллект сейчас имеет прикладные применения – нейронная сеть, умеющая распознавать образы и объекты, классифицировать гранулометрический состав руды, прогнозировать спрос на товары, выносить решение об уровне риска – выполнять задачу, которой ее научили. Причем такая система ИИ отчасти машинного обучения, со временем с дообучением ее понимание в коэффициентах, формулах становится более точным, адекватным ситуации»
Вместе с тем само понятие ИИ еще довольно сильно размыто. Часто оно включает в себя алгоритмы машинного обучения, статистические и вероятностные модели. Также в большом диапазоне значений остается экспертиза так называемых data scientist, или научных сотрудников, хорошо умеющих
обрабатывать данные. Примечательно, что data scientist для телекома и для промышленности - это совершенно разные люди, использующие отличающиеся подходы, методологии, алгоритмы. В то же время data scientist может работать как только с данными, так и решать бизнес-задачу, которая их генерирует, и понимать вообще суть ее работы.

Воссоздаваемые данные
Машинное обучение
В горно-металлургической отрасли, где в основном работает ERG, уровень цифровизации минимален по сравнению с другими секторами экономики, говорится в отчете McKinsey «Цифровая Россия: новая реальность». Поэтому объем данных в ГМК обычно невелик или же они плохого качества.
Поскольку все технологии машинного обучения требуют данные, мы испытываем большие проблемы с их получением и подготовкой. Если данных нет, то мы их собираем с применением одной из следующих технологий:

Дмитрий Карбасов
Руководитель управления промышленного ИИ дочерней компании ERG – Business Technology Services (BTS)
"Даже при наличии данных в формализованном виде, мы тратим очень много времени – до 90% на их подготовку"

Дмитрий Карбасов
Руководитель управления промышленного ИИ дочерней компании ERG – Business Technology Services (BTS)
Для реализации полномасштабного проекта команде ИИ приходится собирать данные на различных предприятиях Евразийской Группы, а при их отсутствии развертывать технологии машинного зрения. К примеру, на мельнице ССГПО ее специалисты организовали систему видеораспознавания гранулометрического состава руды, идущей по конвейеру, в режиме реального времени, чтобы получить и проанализировать его статистику. Получаемый поток видеообразов обрабатывается компьютерным зрением, распознающим размеры руды. В итоге получается структурированный набор данных, в которых отражается гранулометрический состав.
«Из-за того, что данных недостаточно, совершенно меняются подходы к разработке – меняется методология – подход к разработке аналитического проекта и применения математических методов. Если в телекоме применяются самые современные, очень мощные алгоритмы, которые могут выявлять очень сложные зависимости из разных данных, то мы в промышленности применяем алгоритмы далеко не самые современные. Просто у самих алгоритмов выше требование к данным. Это, знаете, можно сравнить Ferrari и какой-нибудь уазик. Ferrari хороша, но когда она едет по хорошей дороге. А если у вас грунтовая дорога, лужа да колдобины, Ferrari там не проедет. Есть такая же аналогия и в данных, если у вас данные плохие, то вы применяете простые проверенные методы типа там уазик, который работает в любых условиях. Здесь ситуация аналогична: промышленность - это плохие данные, причем, я думаю, в мире ситуация примерно похожая»

Дмитрий Карбасов
Руководитель управления промышленного ИИ дочерней компании ERG – Business Technology Services (BTS)
При обработке данных на промышленных объектах достаточно малое их количество, даже собранное из учетных систем, имеет подходящее для анализа качество. Более того, приходится часто использовать данные, внесенные человеком, таким данным доверять нельзя, их нужно перерабатывать или перепроверять на адекватность. Проверки при этом могут быть разных типов: корреляционные, ожидаемые значения, со своими правилами ожидания, ограниченностью предела.

Поэтому по возможности наиболее оптимально брать данные с автоматизированной системы управления технологическим процессом (АСУТП), систем материального учета, контроля качества, где данные в ходе дела были перепроверены как можно большее количество раз, рассказывает Карбасов.
«По проекту на «Казхроме» мы используем более 300 параметров, полученных разным способом – заполняется человеком, агрегируются параметры, датчики, АСУТП, учетные системы, очень много источников данных. Конечно, берем все, но опять же взять реальные ситуации с датчиками, контроллерами – довольно-таки часто они дают ошибку, либо контроллер просто вышел из строя, либо он работает с помехами. Вот, например, у нас на Аксуском ферросплавном заводе (АксЗФ) есть оптический датчик плавки. Он смотрит на выпуск из печи, и если там встала яркая вспышка, то он говорит: все, здесь плав прошел, выпуск готов, я понял, все в базе записал.

Но, во-первых, бывает, что датчик просто закрывает физически, то есть там поднимается ковш, и он минимизирует освещение - он дает ошибку.

Во-вторых, бывает, он выходит из строя.

В-третьих, на него может что-то воздействовать: пыль, влажность, что еще. В-четвертых, данные в базе могут не храниться, в-пятых, в ходе репликации с базы данных происходят какие-то ошибки», - перечислил возможные факторы воздействия специалист.
Поэтому данные, на основе которых принимаются решения, надо обрабатывать, обогащать и готовить к анализу, для этого проектной командой проводятся кросскорреляционные проверки. Взять, к примеру, значимый признак плавки для анализа работы дуговой печи на АксЗФ. В процессе наблюдаются временные циклы – в каком временном окне возможен конец плавки, в каком режиме и на каких электрических параметрах, при какой мощности и установке – возможен ли вообще при таких параметрах выпуск, идет сверка с показаниями датчика, мониторинг перемещения электродов, оживленно рассуждает Дмитрий.

Таким образом, подтверждаются наиболее значимые параметры с разных источников, так как доверия к одной информации нет – должны выявляться закономерности и проходить перепроверка, ведь одним данным меньше доверяешь, нежели, например, данным АСУТП, но всегда нужно искать ошибки по ряду правил при их выполнении, чтобы обеспечить контуры безопасности для алгоритмов.
Алгоритмы-недоучки
языки программирования
Но только такой выстроенной сырьевой базы для запуска искусственного интеллекта недостаточно, так как много вопросов есть в методологии реализации всего проекта. Реальный проект ИИ – это всегда десятки тысяч операций, их порядок определяет методология и архитектура аналитического проекта. Например, на пилотном проекте на АксЗФ часть алгоритма разработана на Python (язык программирования. Ред.), остальное в инструменте визуального проектирования– все это содержит более 10 тыс. строк кода и сотни узлов визуального сценария. Только подготовка данных к анализу занимает 8 тыс. строк кода, а боевой проект на запуске может иметь до 70 тыс. строк, что должно комбинироваться и поддерживаться.
Даже готовые алгоритмы постоянно требуют корректировки, их нужно будет заново переобучать и дорабатывать. В чистом виде машинного обучения ИИ может сам дообучаться в рамках определенных правил и перепроверять себя на адекватность ситуации. Но иногда требуется переработка всей архитектуры решения, когда сам дообучиться алгоритм не может, так как ему чего-то не хватает – данных, правил, гипотез, поэтому аналитический проект переобучается. В то же время будут требоваться регулярные проверки проекта со стороны data scientist, чтобы оценить адекватность модели по контрольным точкам.

Вместе с тем, несмотря на всю ограниченность и субъективность человеческого разума, в работе составления алгоритмов очень важно экспертное мнение сотрудников, которые следят за оборудованием, куда внедряется ИИ. Чтобы с ним состыковаться, проектная команда читает литературу по соответствующей тематике, привлекает внешних консультантов, постоянно ездит на завод, где ежедневно общается с бригадирами, старшими мастерами, которые могут рассказать многое, а главное, разное о своем опыте работы с той или иной печью. Собрав их арсенал знаний, алгоритмы смогут растиражировать их и применить системно.
«Приведу кейс службы техподдержки телеком-компании. Когда туда звонишь, то возникает задача классификации вашего обращения по типам проблемы – качество связи, подключение новой услуги, к примеру. На таких проектах точность классификации составляет от 75%, во многом из-за большого количества классов. Применив технологию ИИ, мы обучили его алгоритм на основе всех реакций операторов – около 20 человек в компании. В итоге алгоритм начал работать точнее на 3%, то есть он стал лучше каждого оператора в среднем, поскольку вобрал в себя наиболее ценные знания у всех из них. Человеческий мозг иногда перегружается и работает неверно, а алгоритм устойчиво тиражирует уже созданные им знания»

Дмитрий Карбасов
Руководитель управления промышленного ИИ дочерней компании ERG – Business Technology Services (BTS)
Упреждающий разум
Если говорить о конкретном примере на производствах, то в проекте ИИ на Аксуском заводе ферросплавов, где охватываются дуговые печи в производстве феррохрома, у них часто бывают технологические расстройства – меняется химия в активной зоне, печь не выходит на плановую мощность, как следствие, производство снижается в объеме, что приносит убытки. Всего расстройств бывает 17 видов, но два из них максимально разрушают ценность, создаваемую печью при снижении мощности – это переизбыток или недостаток восстановителя. Их можно прогнозировать в 65-70% случаях с помощью разработанного проектной командой алгоритма примерно за сутки или час на основе собранных данных, в зависимости от ситуации и оператора.

Сами бригадиры, следящие за печью, определяют расстройство по-разному – по режиму печи, запаху от шлака, электрическим показателям, цвету пламени над электродом – что-то между ними есть общее, но каждый имеет свой опыт. Пообщавшись с операторами разных смен, команда внедрения ИИ создала обобщенную модель, где включен опыт различных сотрудников, на основе чего создана модель прогнозирования. Заранее предсказуемые расстройства позволяют избегать снижения производства через рекомендацию бригадирам загодя выполнить операцию, чтобы мощность не падала и объем выпуска не снижался. Сейчас наработки продолжают внедряться, основная работа еще не завершена, впереди боевой режим, говорит о вызове Карбасов.
Чудеса пилотирования
Проектная команда ИИ на предприятиях ERG работает с весны. Пилотный проект обычно делается за 3-5 месяцев, потом начинается его внедрение и тестирование. Недавно, к примеру, завершился пилотный проект на Казахстанском электролизном заводе (КЭЗ). Там основная задача была предсказание МГД-нестабильности - это когда магнитно-гидродинамическая волна с электромагнитным возмущением идет по ванне, где плавится алюминий. Об этом нужно оповещать технологов, которые не знают заранее, где нестабильность может возникнуть, и видят ее только по факту, что приносит потери и снижение производительности электролизера с падением нагрузки тока.

«Без пилота в нашей специфике не обойтись. С искусственным интеллектом результат порой неочевиден до самого внедрения. Для внутреннего заказчика это хорошая возможность проверить соответствие наработанной базы алгоритмов для решения целевой задачи бизнеса – оптимизации производства, снижения издержек и увеличения прибыли. Для нас это момент, когда мы формируем впечатление о том, как работает искусственный интеллект в реальных условиях», - рассказывает Карбасов.

В результате расчета математической модели, внедренного алгоритма и применяемого интеллекта в пилотном проекте теперь в 40% случаев технологи получают оповещение о МГД-возмущении за 6 часов до него. Так что они могут его упредить, и эффект не наступает – производство готовой продукции повышается.

Обычно такой успех "пилотов" зависит от многих факторов. Во-первых, нужно глубоко привлечь команды с производства из управляющей компании (УК), которой передаются модели на поддержку. С установкой в систему зашивается алгоритм мониторинга работы моделей, которые могут сами себя проверить – насколько они работают корректно в математическом плане и по объективным признакам – сравнение идет с прошлым периодом, другим электролизером, ожидаемым показателем готовой продукции, проверяется корректность выданных рекомендаций. Все полученные индикаторы передаются в УК, где происходит их мониторинг, ее сотрудники будут вскоре обучены настройке отдельных функций ИИ.

«На КЭЗ у нас есть 288 ванн. Мы разработали модель для тех ванн, которые находятся в нормальном состоянии. Модель одна, но она дообучается на истории и понимает состояние каждой ванной в отдельности. Однако есть ванны, которые находятся в неподходящем состоянии – на капремонте или после аварии. Такие нужно убирать из прогнозирования, поскольку модель не поймет ее состояние, с ней работают технологи и задача коллег производству, которому передаются технологии ИИ, убрать из прогнозирования не подходящие по готовности ванные», - детализирует руководитель управления промышленного ИИ.
Сортировка по грансоставу
Другой, уже упомянутый "пилот" команды ИИ на мельнице Соколовско-Сарбайского горно-обогатительного производственного объединения (ССГПО) - это оптимизация режимов ее работы. Чаще всего она бывает недозагружена. Работающий в определении ее гранулитического состава на транспортной ленте алгоритм в режиме реального времени сохраняет статистику и выводит все данные оператору. Видеораспознавание происходит по маскам на камнях, кусочках руды – этот показатель и считывается, обычно процент фракции руды превышает 16 мм. Управляющие решения будут приниматься в том числе на основе этой информации, дает расклад Дмитрий Карбасов.

По его словам, в целевой системе модели ИИ на мельнице были задействованы три этапа – на первом собрана текущая информация с камеры, датчиков, тока и расхода воды, на втором докуплены дополнительные датчики, чья установка занимает до 70 дней, и наконец запущена разработка окончательной схемы алгоритма, которая уже частично готова и будет доработана при получении новых данных.

«Первая модель – тепловая, показывающая изменения с точки зрения разрушения фракции внутри мельницы, что определяется температурой входа и выхода, загрузкой, стержнями, водой – мы определяем, насколько качественно происходит измельчение. Вторая модель – электрическая, она демонстрирует отклонения по мощности, как часто меняется токовая нагрузка и как это зависит от грансостава и воды. Третья модель – корреляционная с составом – считает то же самое, но в обратную сторону – как он влияет на работу мельницы, меняет мощность, сколько для него нужно воды. В итоге будет получена оптимизационная финальная модель, которая учтет все эти факторы и будет принимать окончательные решения: добавить или убавить воды, скорость, объемы руды мельницы, чтобы отрегулировать ее нагрузку», - свел все в единое целое специалист по ИИ.

Таким образом, система искусственного интеллекта будет управлять мельницей и выводить оператору данные о том, что необходимо в ней отрегулировать, чтобы оставаться по мощности в нужном плавающем и многофакторном диапазоне. Ведь при разных грансоставах мощность при тех же оборотах или объеме загруженности будет разниться, на это также будет влиять подача воды, как и стертость стержня. Между тем именно в этом технологическом процессе есть большой резерв для увеличения эффективности ССГПО, ведь с определением размера подаваемого сырья будет более понятно, сколько электроэнергии и химических реагентов нужно будет для превращения гранул в окатыш, рассуждает Карбасов.
Ограниченным тиражом
особенности печи
Ограниченным тиражом
особенности печи
Как показывает практика, модели искусственного интеллекта можно тиражировать, но не все, так как каждая печь, к примеру, имеет свои особенности. Если спросить у технолога, то он скажет, что все электролизеры требуют разного подхода, хотя архитектура модели одна. Все дело в том, что каждое оборудование, в частности печь, как сложное устройство, имеет свои особенности.

К примеру, 61 и 62 печи, стоящие рядом на АксФЗ, имеют один пункт подготовки шихты, но одна модель ИИ была подготовлена для первой, а у второй выявились свои отличные характеристики, поэтому она требует других моделей. У последней отличается время планового ремонта, электроды работают по-другому, количество аварий между печами разнится. Таковы нормы производства, хотя печи имеют гораздо больше уникальности, нежели ванные электролизеров, признают специалисты ИИ.
Перехват управления?
будет ли искусственный интеллект перехватывать управление над промышленным процессом после своего внедрения
Если брать ферросплавное производство, то трудно представить, что оттуда уйдут все люди и будут действовать только алгоритмы искусственного интеллекта, может это случится через 30-40 лет, полагает он.
«Раньше, возьмем тоже производство феррохрома, электроды перезапускались руками, ставились выше или ниже. Сейчас это делает система АСУТП за оператора. Мы стремимся к тому, чтобы система давала рекомендации оператору либо напрямую АСУТП, как их оптимально припускать, исходя из текущих параметров, которые считаются по технологии искусственного интеллекта. Что искусственный интеллект будет управлять АСУТП, я думаю, это перспектива ближайших 3-5 лет, возможно дойти до такого достаточно быстро. Что ИИ заменит человека – я такой перспективы не вижу.
У нас расчеты на то, чтобы алгоритмы были помощниками людей, помогали принимать им более точные решения. У каждого бригадира есть свое мнение, как определять расстройство печей. Когда мы сделаем какую-то общую модель каждого мнения бригадира и будем ее на всех тиражировать, давать рекомендации, он сможет четче принимать решение, а бригадир на заводе точно будет нужен»

Дмитрий Карбасов
Руководитель управления промышленного ИИ дочерней компании ERG – Business Technology Services (BTS)
Обратная связь операторов оборудования на ИИ-рекомендации еще будет выявлена в ходе эксперимента, но их реакцию пока трудно предсказать. Можно лишь вспомнить, что в 1990-е годы многие люди не хотели адаптироваться к работе с компьютером, но жизнь заставила. Операторы не уйдут, однако усложнившиеся задачи им поможет решать цифровой разум с его алгоритмами, а не только субъективные наблюдения, в то же время производительность мастеров только возрастет.

«После появления калькулятора должность бухгалтера не исчезла, а после внедрения автопилота профессия пилота стала больше похожей на функции оператора ЭВМ. Жизнь привела к тому, что это нужно, чтобы снижать риски производства. Раньше и система АСУТП была кучей приборов на заводе, сейчас это два-три монитора и один оператор, которые может принимать более сложные решения, которые отдельно ИИ-система применить не может», - приводит доводы Карбасов.

Сейчас, по его информации, проектная группа идет в карьерную логистику ССГПО - ее оптимизацию и усиление надежности оборудования, чтобы с соблюдением режима минимизировать ремонты. Результаты этого проекта станут известны весной. Пока же с начала года запущено 6 пилотных проектов ИИ на предприятиях ERG, которые приведут в боевую готовность до конца года и в первой половине следующего.
© Все права защищены

www.inbusiness.kz специально для ERG
над проектом работали:
Руководитель проекта: Арман Джакуб
Дизайн и верстка: Максим Лубенко
Корректор: Яна Рябцева
Текст: Данияр Сериков