«Северсталь» разработала комплекс моделей машинного обучения для линии окомкования окатышей. Система, внедренная на «Карельском окатыше», автоматически управляет скоростью вращения оборудования и выдает рекомендации по дозировке железорудного концентрата, что позволяет повысить производительность агрегата с сохранением качества продукции. При создании решения для повышения устойчивости и качества использовались некоторые элементы физически информированного машинного обучения (Physics Informed ML). Решение стало уникальным для комбината симбиозом физического моделирования, алгоритмов машинного обучения и компьютерного зрения. О реализации проекта рассказывает Андрей Голов, руководитель Центра искусственного интеллекта «Северстали» и номинант на премию Data Award.

- В чем заключалась решаемая задача?

Речь идет об оптимизации важного технологического процесса. Окомкование пылеобразного железорудного концентрата в окатыши нужно для его более удобной транспортировки и последующего эффективного использования в доменной печи для производства чугуна. Для оптимального протекания процесса выплавки требуются окатыши размера 10-12,5 мм: именно в этом случае обеспечивается оптимальная пористость и газопроницаемость слоя при термообработке, что приводит к улучшению качества готовой продукции. Производство окатышей осуществляется в условиях постоянно изменяющихся характеристик концентрата, что влияет на распределение окатышей по классам крупности на выходе из окомкователя. Это яркий пример процесса, где было высоко влияние человеческого фактора, от которого требовалось уходить.

- Почему это важно для компании?

Мы уже несколько лет последовательно внедряем data-driven подход к принятию решений на производстве. В направлении переработки продукции – в прокатном производстве – у нас уже было достаточно много успешных проектов, а теперь мы оцифровываем и ресурсные предприятия, где происходит добыча железной руды.

- Как задача решалась ранее?

Ранее оператор управлял процессом окомкования вручную на основании экспертизы и лабораторных проб, которые производятся раз в несколько часов, а по некоторым параметрам – раз в сутки. И, конечно, у операторов не было индикатора, который мог бы точно определить долю гранул нужного размера.

Оперативный контроль гранулометрического состава окатышей производился визуально с высоты нескольких метров. В таких условиях невозможно осуществлять постоянный и точный контроль целевого класса крупности окатышей и своевременно реагировать на изменившиеся характеристики сырья. Одним из важных параметров на этапе обжига является влажность сырых окатышей. Оператор измерял влажность окатыша тактильно «наощупь», что давало крайне субъективную оценку низкой точности.

- Какой был выбран подход?

Мы решили совместить технологии компьютерного зрения с классическими моделями машинного обучения, опираясь на физическое моделирование процесса.

- Что представляет собой созданное решение?

На основе анализа изображений с камер с высоким разрешением модель компьютерного зрения определяет влажность и гранулометрический состав сырых окатышей. Нейронная сеть точно определяет контур и размеры окатышей, в том числе те, которые частично скрыты под первым слоем окатышей. Система компьютерного зрения осуществляет непрерывный мониторинг и обеспечивает поток информации в систему управления линией окомкования, что позволяет автоматически управлять и оперативно реагировать на изменение параметров процесса.

Модели машинного обучения для управления процессом окомкования автоматически управляют скоростью вращения окомкователя и дозировкой бентонита, выдают рекомендации по дозировке железорудного концентрата, что позволяет повысить производительность агрегата с сохранением качества продукции, либо увеличить процент класса 10-12,5 мм при сохранении производительности.

Помимо периодического переобучения модели под долгосрочные тренды, модель в онлайн-режиме подстраивается под различные возмущающие факторы и учитывает их для более точных предсказаний в режиме реального времени.

- Какие инструменты использованы?

Система построена на платформе нашего озера данных. Сбор потоковых технологических данных с агрегатов окомкования с интерфейсом OPC осуществляется с помощью Nifi и собственных сервисов на Java, для оперативного хранения используется шина данных Kafka, для долгосрочного – Hadoop.

Само решение написано на языке Python и обернуто в Docker-контейнер, оркестрация организована в Kubernetes. В части компьютерного зрения использовались собственные разработки по сбору и обработке видеопотока.

- В чем уникальность проекта?

При создании решения для повышения устойчивости и качества нами использовались некоторые элементы физически информированного машинного обучения (Physics Informed ML).

В работе над проектом мы столкнулись с двумя проблемами. Одна из них заключалась в том, что данные по процессу были достаточно шумные, и не все важные свойства руды можно было измерять в онлайне. Вторая проблема – отсутствие достаточного количества разнообразных режимов работы агрегата и, как следствие, не разнообразный датасет. Все попытки обучить модель на том, что есть, приводили к тому, что она описывала поведение агрегата в новых режимах работы не очень адекватно, а выдаваемые ею результаты не соответствовали физике процесса. И для этого мы добавили при обучении модели физические ограничения в виде уравнений и зависимостей, характеризующих технологический процесс, которые зашили в виде регуляризаторов. Это помогло повысить предсказательную силу модели в новых режимах работы и, как следствие, оптимально подстраивать в онлайне работу агрегата к изменяющимся свойствам сырья.

- Что способно дать физически информированное машинное обучение «Северстали»? Насколько перспективным считаете это направление, в том числе для отрасли в целом? Где и как оно может быть использовано?

Physics Informed ML – это перспективное направление, особенно в промышленности, где мы часто имеем дело с шумными измерениями и маленькими выборками данных. Оно объединяет преимущества физического моделирования на основе дифференциальных уравнений и классического машинного обучения. Уравнения, присущие физическому моделированию, решаются с помощью численных схем довольно точно, но долго. Машинное обучение может быстро выявлять сложные зависимости из данных, но сильно зависит от качества самих данных, а в некоторых случаях результаты могут противоречить законам физики. Объединение этих подходов позволяет взять лучшее из каждого из них: в итоге дифференциальные уравнения, отвечающие за соответствие физическим законам, решаются на порядок быстрее, а неточности физических моделей и неучтенные ими процессы компенсируются реальными данными от модели машинного обучения.

- Какие результаты достигнуты и ожидаются? Насколько получаемый результат серьезен для компании?

Мы подтвердили возможность за счет использования модели повысить производительность на 11% относительно других линий с сохранением качества продукции, либо увеличить процент окатышей класса 10-12,5 мм на 2,3% при сохранении производительности.

- В чем роль этого проекта для бизнеса компании?

Во-первых, управление процессом окомкования в автоматическом режиме ограничило влияние человеческого фактора и снизило нагрузку на операторов. Кроме того, начинающему рабочему стало гораздо проще влиться в работу, так как ему не приходится опираться на собственный опыт, которого пока немного, или на опыт старших коллег.

Во-вторых, решение дает возможность не только контролировать процесс окомкования и управлять им, но и стандартизировать работу обжиговой машины. Оно успешно пропилотировано на одной из шести линий окомкования и будет тиражировано на другие линии.

В-третьих, реализованный проект стал уникальным для нашего комбината симбиозом физического моделирования, алгоритмов машинного обучения и компьютерного зрения.

- В каком направлении будет развиваться проект?

Сейчас мы уже ведем работы по тиражированию решения на другие технологические линии. В будущем планируем усложнить это решение за счет функции управления в специфичных режимах работы окомкователей.