Объединенная металлургическая компания внедрила предиктивную аналитику на основе искусственного интеллекта. На заводе по выпуску толстолистового проката в Нижегородской области ОМК провела тестовый запуск подобной технологии. Использование прогнозной аналитики позволило предприятию снизить долю бракованной продукции на 70% и сэкономить свыше шести миллионов рублей ежегодно.
Евгения Васильева
Источник фото: пресс-служба ОМК
Алгоритмы машинного обучения на производстве
По информации пресс-службы ОМК, компания установила алгоритмы машинного обучения на линиях производства толстолистового проката. Это привело к уменьшению количества дефектов и внеплановых простоев прокатного стана. В основе методики лежит математическая модель, описывающая штатное функционирование агрегата. Она способна выявить нетипичные отклонения за двенадцать часов до вероятного выхода оборудования из строя.
Данная система строит цифровой эталон корректной работы механизма, используя множество входных параметров. Если текущие показатели начинают расходиться с контрольными значениями, программа оповещает специалистов о наличии проблемы. Ремонтные подразделения берут агрегат под особый контроль, выполняют проверку и, когда это требуется, приостанавливают работу стана в паузах между партиями продукции.
Внедрение подобных систем в металлургии — это не просто технический апгрейд, а смена парадигмы в управлении производством. Традиционный подход к обслуживанию оборудования строился на двух принципах: либо планово-предупредительные ремонты по календарному графику, либо реакция на уже случившуюся поломку.
Первый подход зачастую приводит к избыточным простоям и замене узлов, которые еще могли бы работать, второй — к аварийным остановкам, внеплановым затратам на срочную логистику и закупку деталей. Новая модель, основанная на фактическом состоянии агрегата, устраняет оба недостатка, позволяя планировать работы ровно в тот момент, когда износ достигает критической точки, но еще не перешел в фазу разрушения.
Это меняет экономику цеха: вместо экстренных решений появляется пространство для маневра, возможность заказать нужный компонент заранее, согласовать окно в производственном графике и провести ремонт с минимальными потерями для выпуска продукции.
Инновационный инструмент стал привычным
Инженеры группы ОМК использовали мировые практики в этой сфере, однако адаптировали их к специфике собственного производства. На обучение модели для клети прокатного стана ушло порядка двух лет. В настоящее время автоматизация охватывает тринадцать гидравлических компонентов этой клети, при этом в планах компании расширить перечень контролируемых узлов.
«Математическое моделирование и методы машинного обучения становятся привычными инструментами в металлургии. Алгоритмы запоминают характерные особенности исправной работы оборудования во всех режимах и фиксируют даже малозаметные сбои. Такие системы не подменяют человека, но дополняют его функции: берут на себя непрерывный мониторинг множества параметров, а специалист по надежности оценивает нестандартную ситуацию и выбирает оптимальное решение», – отметил Илья Дзюб, руководитель направления цифрового развития в компании «ОМК Информационные технологии».
Особенность проекта ОМК заключается в том, что система работает не на абстрактных данных, а на глубоком понимании физики процессов, происходящих в прокатной клети. Тринадцать гидравлических компонентов, которые сегодня находятся под контролем алгоритма, — это лишь первый шаг. Каждый из них отвечает за точность позиционирования валков, усилие прокатки, стабильность зазора. Любое отклонение в этих параметрах, даже на доли миллиметра, мгновенно отражается на геометрии листа, его толщине и качестве поверхности.
Именно поэтому система, улавливающая такие изменения за двенадцать часов до отказа, становится не просто наблюдателем, а полноценным участником технологического цикла. Она не вмешивается в сам процесс, но создает для инженеров условия, при которых они могут предотвратить брак еще до того, как он возникнет. Это принципиально иной уровень контроля, где роль человека смещается от ручного управления к стратегическому принятию решений.
Стоит отметить, что обучение модели заняло около двух лет — срок значительный, но объяснимый. Металлургия консервативна по своей природе: оборудование здесь работает в экстремальных условиях высоких температур, давлений и вибраций, и каждый режим прокатки имеет свои уникальные характеристики.
Собрать достаточный объем репрезентативных данных, которые охватывали бы все возможные сценарии — от нормальной работы до скрытых аномалий, — оказалось непростой задачей. Инженерам пришлось использовать не только собственные архивы телеметрии, но и мировые наработки, однако прямая копия западных решений была бы неэффективной из-за различий в составе стали, настройках стана и логистике поставок.
Поэтому алгоритм был адаптирован под конкретные условия Нижегородской площадки, что позволило добиться такого значительного снижения брака — на семьдесят процентов. Это не просто цифра в отчете, это сотни тонн металла, которые вместо переработки в отходы уходят потребителям в качестве качественной продукции.
Перспективы внедрения
Предприятие продолжит доработку системы для более точного распознавания предотказных состояний оборудования. Это обеспечит более эффективное планирование профилактических мероприятий.
Дальнейшее развитие системы видится в расширении зоны охвата. Если сегодня алгоритм анализирует гидравлику клети, то завтра он может взять под контроль электрические приводы, системы смазки, датчики температуры валков и даже качество самой заготовки, поступающей в стан.
Полная цифровая модель всего прокатного передела — это амбициозная цель, но она открывает возможности для оптимизации энергопотребления, прогнозирования износа инструмента и планирования загрузки стана на месяцы вперед.
Более того, накопленный опыт может быть реплицирован на другие заводы ОМК, где используются аналогичные агрегаты, что позволит создать единую корпоративную платформу предиктивной аналитики. Это не только снизит затраты на обслуживание, но и станет конкурентным преимуществом в борьбе за заказы, где сроки поставки и стабильность качества играют решающую роль.
Следует подчеркнуть, что такие проекты не рождаются в вакууме. Они требуют тесного взаимодействия между IT-специалистами, технологами и ремонтным персоналом. Алгоритм бесполезен, если его выводы не доводятся до тех, кто непосредственно отвечает за эксплуатацию агрегата.
Поэтому важнейшая часть работы в ОМК — это обучение персонала и перестройка внутренних процессов. Система не заменяет ремонтников, она дает им точные координаты проблемы, экономя время на диагностике. Вместо того чтобы проверять десятки узлов в поисках неисправности, специалист получает готовый адрес, куда следует направить внимание.
Это сокращает время реакции с часов до минут, а значит, повышает общую производительность труда и делает работу персонала более осмысленной и менее стрессовой. В конечном итоге предиктивная аналитика превращается в инструмент, который не просто экономит деньги, а формирует новую культуру производства, основанную на данных, точности и предвидении.
Для справки:
Объединенная металлургическая компания представляет собой одного из ведущих отечественных изготовителей металлопродукции для энергетической, транспортной и промышленной отраслей. ОМК производит трубы разнообразного назначения, железнодорожные колеса, листовой металл, соединительные элементы трубопроводов, арматуру для магистралей и рессоры.
