Цифровые советчики захватили промышленные корпорации
Цифровой советчик на промышленных предприятиях непрерывно собирает, структурирует и обрабатывает данные с технологических установок и прогнозирует выброс загрязняющих веществ в заводских трубах. На основании полученных данных и метеоданных о направлении ветра, температуры и влажности окружающей среды он рассчитывает концентрации вредных веществ в жилых зонах и производственных помещениях. В случае прогноза превышения допустимых норм выдает рекомендации по изменению работы производственных установок для уменьшения концентрации вредных веществ.
На , который Информационная группа ComNews организовала 20-21 апреля в Москве, эксперты рассказали, как промышленные предприятия внедряют цифровые советчики в производство.
Руководитель группы ООО "Сибур Диджитал" Василий Ежов рассказал о переходе к Edge-концепции для автоматизации работы цифрового советчика: "На всех основных производствах работают тысячи советчиков. Но как нам их автоматизировать? Следующий логический шаг - оптимизация технологического процесса", - сообщил он.
"Будет целесообразно построить автопилот, для которого подойдет Edge-концепция. Уже можно построить распределенную вычислительную сеть, повысить ее надежность за счет диверсификации и снизить расходы на производстве до 70%. Так мы снижаем задержки при обработке данных и делаем возможным принятие решений в режиме реального времени. Остается только написать новые стандарты информационной безопасности, потому что нынешние не учитывают современное развитие цифровых инструментов. Крупная промышленность может себе это позволить", - продолжил Василий Ежов.
"Чтобы проработать новые стандарты, мы замыкаем обмен данными на уровне цеха, где они собираются и обрабатываются. Так мы снимаем вопрос взаимодействия с данными из внешних источников. Все данные собираются в периметре завода, обрабатываются и осуществляют обратное воздействие. Edge-контроллеры можно размещать близко к месту потребления и получения данных. Благодаря этому значительно сократится стоимость реализации полного периметра автопилота за счет более бюджетной инфраструктуры и меньших потребностей в сетях передачи данных. Над уровнем контроллеров должна быть платформа, которая позволяет им общаться между собой только теми данными, которые они должны передавать друг другу. Помимо этого, нужно делать полное обновление моделей на контроллерах. Нужны стандарты, благодаря которым специалист в Москве мог бы обновить модель и разлить ее на контроллеры, которые находятся в Тобольске, Нижнекамске или где-либо еще. Вот так видится концепция применения Edge-технологий", - рассказал Василий Ежов.
Главный менеджер центра развития цифровых технологий ПАО "ГМК Норникель" Александр Скорняков рассказал, какая модель лучше подходит для работы цифрового советчика по ведению взвешенной плавки: "Что такое взвешенная плавка? У нас есть предприятие по добыче руды, обогатительные фабрики, а их продукт - это концентрат, который содержит никель, медь, кобальт и т.д. Это все перерабатывается в рамках пирометаллургического передела, то есть происходит плавка концентрата. В качестве продуктов мы имеем материал, из которого впоследствии можно выделить чистые металлы".
Рассказывая про модели, Скорняков выделил преимущества каждой из них: "В печи взвешенной плавки цифровой советчик выполняет определенную функцию. Он помогает установить правильное значение коэффициента кислорода, который мы подаем в шахту. Раньше это значение всегда устанавливалось вручную. Чтобы сделать такого советчика, мы разработали два подхода. Первый - это физико-химическая модель. Ее плюс в том, что мы не можем получить на выходе какую-то ерунду, мы получаем физически обоснованный результат. Эта история очень понятна технологам, это такой металлургический расчет. Из минусов - большое количество допущений, длительная настройка. В целом это некое описание стационарного процесса. Поэтому есть второй подход - математическая модель (модель машинного обучения). Она состоит из двух частей: предсказание химического состава штейна и рекомендация по насыщению кислородом шихты".
"В этой модели есть несколько хороших плюсов: она может работать онлайн, учитывает большое количество факторов и нелинейных зависимостей, также учитывает реальные режимы работы оборудования без дополнительных допущений. В итоге мы остановились именно на модели машинного обучения ввиду минимального количества допущений и высокой вариативности свойств сырья на входе. Главный эффект от работы сервиса - это стабилизация процесса. Чем меньше ручек дергает технолог, тем лучше. Такой советчик помогает приблизиться к этой ситуации. Помимо этого, мы снижаем человеческий фактор. Экономический эффект будет определяться результатами экспериментов", - подытожил Александр Скорняков.
