На станах горячего проката металлургического комбината ЕВРАЗ НТМК прокатывают заготовки разных марок стали. В начале цикла их разогревают в печах до температуры, позволяющей придать нужный профиль. Печей несколько, они различаются конструкцией, состоянием, горелками и износом футеровки — это теплоизолирующий материал. Путь заготовки до первой клети стана тоже разный. Ещё на процесс влияют особенности серий заготовок, сортамента сталей, температуры перед посадом, текущее состояние агрегатов, время перевалки, плановые и внеплановые остановы.
Раньше операторы регулировали температуру, время нагрева, расход газа вручную, полагаясь на общую инструкцию, свой опыт и состояние печи (износ футеровки, работу горелок). В разных сменах был разный расход газа: где-то тратили меньше, где-то больше. А при смене сортамента (у нас 80+ видов заготовок) перерасход был почти гарантирован из-за затянутых переходных режимов. Мы стали смотреть, есть ли тут потенциал для экономии топлива.
Меня зовут Андрей Зотов, я начальник департамента инноваций ЕВРАЗа. В этой статье расскажу, как решили эту задачу с помощью обученной на наших данных рекомендательной системы с сердцем в виде математической модели. Заходите почитать, как это устроено.
Вот такая типичная айтишно-заводская задача — приспособить ИИ-модель в цеху так, чтобы избежать перерасхода природного газа. Энергоресурсы в прокатном производстве занимают весомую часть себестоимости. Эту задачу мы решали вместе с нашим подрядчиком — «Сайберфизикс», который делает ПО для промышленного ИИ (например, предиктивную аналитику).
Тут нужно отступление: изначально мы не понимали, можно ли вообще решить эту проблему с помощью ИТ. Есть ли потенциал для оптимизации? Вместе с подрядчиком мы провели предпроектное исследование.
Большим плюсом было то, что на комбинате хорошо развиты системы полевой автоматизации участка печей (расходы горелок, температуры зон, показатели калорийности и пр.) и системы учёта движения заготовок по цеху (MES ЦПШБ). Подрядчикам мы могли передать архив за несколько лет. Уровень сбора данных позволяет построить модель для оценки состояния нагрева, способную работать в режиме мягкого реального времени.
К слову, если захотите узнать побольше про наши системы сбора данных — напишите об этом в комментариях. Будет интерес к теме — подготовим статью и ответим в ней на ваши вопросы. Но сейчас идём дальше — к нашей модели.
Оценили неравномерность прогрева заготовок, которая зависит как от материала и сечения, так и от конкретной партии нагрева одинаковых заготовок. В силу широкой номенклатуры у нас случаются технологические остановы стана, из-за чего время нагрева заготовок колеблется.
Как мы уже рассказали в начале, операторам печей приходилось в ручном режиме управлять нагревом большого ассортимента заготовок: это порядка 80 различных сечений и профилей. Технологическая инструкция, разумеется, у них имеется. По сути, у технических руководителей производства одна рекомендация: «Следовать технологической инструкции». Но если вчитаться в документ с правилами управления режимами, то сложно понять, каким магическим образом металлурги умудряются в моменте, в своей голове просчитать все изменения и выполнить требования сразу нескольких разделов. И вдобавок учесть особенности состояния каждой конкретной печи. И при этом держать в голове массу других инструкций, приказов, думать о плане производства, заботиться о безопасности…
В итоге каждая бригада работала, опираясь на правила, то, как принято, и немного по-своему. Одни бригады тратили меньше газа, другие больше.
Здесь и крылся наш потенциал для оптимизации. Наша задача была в том, чтобы придумать, как обеспечить одинаково качественный нагрев для любой заготовки при минимальных затратах топлива. С учётом всех технологических простоев и особенности работы стана. Для этого нам требовалось создать и обучить на реальных данных ИИ-модель. Переходим к ней.
Продумываем решение
Мы сразу отказались от подхода, при котором в ML-модель, как в топку, бросают все доступные данные. Во-первых, слепое применение статистических методов не работает. Во-вторых, даже при желании такую модель построить невозможно: температура заготовки измеряется только в моменты посада и выдачи из печи. Измерить температуру заготовки в процессе нагрева можно (при помощи измерительного сляба — заготовки с термопарами и специальным блоком сбора данных), но это единичный случай. Масштаба данных о динамике нагрева металла в печи, достаточного для построения ML-модели, у нас не было.
Поэтому мы начали разработку численной модели нагрева заготовок в печи, основанной на законе теплопроводности, используя имеющиеся наработки. Она учитывает все основные физические процессы в печи: тепло от горелок, радиационный и конвективный теплообмен, контактный теплообмен между заготовками и подом. Зависимости теплотехнических свойств материалов (теплопроводность, теплоёмкость, степень черноты) от температуры. Особое внимание в модели уделено образованию окалины (угара). Теплопроводность обезуглероженного слоя на порядок ниже, чем у стали, поэтому заготовка фактически покрывается теплоизолирующим «чехлом». С одной стороны, он не даёт получать столько же тепла извне (тепло от кладки), с другой — способствует выравниванию температуры по телу заготовки.
А теперь дорабатываем Модель в исходном виде — просто набор граничных условий и уравнений. К работе в реальной промышленной среде она не готова. Нам нужно было доработать её под условия эксплуатации. Что именно надо было учесть? Все печи уникальны: разное расположение горелок, геометрия зон и другие параметры. Есть и внешние условия, влияющие на нагрев, например, заранее известные простои при перевалках стана. Поэтому для применения модели потребовалась точная настройка модели под конкретную печь цеха, а также оптимизация расчётов: модель должна была быстро реагировать на изменяющиеся условия и в разумное время выдавать параметры нагрева.
При настройке выявились детали, которые сложно было предусмотреть заранее. Например, подсос воздуха из цеха в атмосферу печи, а также влияние шага раскладки. Шаг определяет зазор между ними и напрямую влияет на нагрев боковых тканей. На эти эффекты нам указал главный специалист цеха. Отдельной проблемой стала интерпретация данных измерения температуры пирометром после обжимной клети. Данные поступали как временной ряд, без привязки к номеру печи и продукту, от которых зависит режим обжатия и связанное с ним охлаждение заготовок.
Кроме того, модель должна была работать со всей широкой номенклатурой цеха — с разными сечениями (прямоугольные, круглые, «собачья кость») и десятками марок стали.
На практике модель постепенно дорабатывалась и становилась точнее. Для использования в рекомендательной системе результаты численного моделирования упаковали в нейронную сеть. Её обучали на данных расчёта десятков тысяч (!) сценариев нагрева, извлечённых из исторических данных.
Осталось верифицировать модель.
Проверяем в делеПеред внедрением любую математическую модель нужно проверить. Она должна доказать, что работает правильно, не врёт и не галлюцинирует.
Мы проводили верификацию по двум ключевым критериям.
1. Температура заготовки на выдаче. Модель постоянно сверялась с данными пирометра, установленного непосредственно у выдачи печи (не после клети!).
Изначально использовались измерения после обжимной клети, но потом организовали более точное измерение сразу на выдаче печи — по причинам, описанным выше.
2. Разовые испытания. Для проверки мы использовали архивные данные испытаний с термометрированными заготовками (оснащёнными датчиками температуры). Несмотря на то что печь с тех пор прошла капремонт, эти данные помогли подтвердить правильность подсказок, которые выдаёт модель.
Отдельно проверялась точность модели в части расчёта потребного расхода энергоресурсов на нагрев. Топливо в горелки подаётся автоматически на основе уставки по температуре. Поэтому расход тепла во времени напоминает «американские горки» — резкий рост при увеличении снимаемого заготовками тепла, затем снижение до величин, требуемых для поддержания теплового баланса. Для оценки таких временных рядов использовали стандартную метрику — коэффициент детерминации R2. Нам удалось добиться значения 0,75, что подтвердило качество модели и позволило показать производству и руководству, что модель верно отражает реальный процесс нагрева заготовок.
Как всё работает?
Итого: у нас получился цифровой двойник процесса нагрева. В режиме реального времени он рассчитывает, как именно должна прогреваться конкретная заготовка, чтобы выйти на заданную температуру с учётом всех ограничений и особенностей производства.
После отладки модели мы сделали удобный интерфейс для технологов и операторов цеха. На экранах появилась наглядная схема печи с разбивкой по зонам и рекомендациями по настройке горелок для прогрева заготовок.
Дашборды проектировали вместе с реальными пользователями. Каждый элемент интерфейса проверяли на удобство и понятность. Вот так выглядит дашборд системы в продуктиве.
Ожидаемый эффект от внедрения модели — это, конечно, снижение расхода газа. Недавно мы провели пилотный проект в одном цехе комбината. Цифрами на этом этапе не готовы делиться, но эффект был достаточным для того, чтобы пилот признали успешным — модель будет масштабироваться.
В целом у нас в планах — внедрение аналогичных систем и на других нагревательных печах предприятия, начиная с шаропрокатного стана. Так что вернёмся с продолжением, когда накопится побольше деталей.
А пока готовы ответить на ваши вопросы о создании модели. И постараемся что-то рассказать дополнительно про пилотный проект. Просим в комментарии.