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.

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.

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.