В «Северстали» разработали «Автотемп 2.0» — программный комплекс по оптимизации графика посада и управлению темпом прокатки и выдачей слябов из печей на основе моделей машинного обучения. Решение внедрено на стане 2000 Череповецкого металлургического комбината — одном из самых производительных станов горячей прокатки в России. В 2023 году экономический эффект составил 184,5 млн руб. О реализации проекта на основе моделей машинного обучения рассказывает Светлана Потапова, руководитель кластера «Искусственный интеллект» «Северстали» («Северсталь Диджитал») и лауреат премии Data Award 2024.
Что собой представляют процессы управления станом 2000, в чем была проблема?
На прокатный стан 2000 со склада слябов (стальных заготовок прямоугольного сечения с большим отношением ширины к высоте) поступают заготовки различных геометрических параметров и марок. Их нагревают и в определенной последовательности подают на стан в соответствии с графиком прокатки, составленным по определенным правилам. Нагрев проходит в среднем от двух до четырех часов, и затем слябы по очереди поступают в черновые и чистовые клети для дальнейшего обжатия до нужной толщины. После этого раскатанный металл сматывается в рулоны и транспортируется на следующие переделы. Именно печи — ключевая точка, определяющая производительность всего прокатного стана. Проблема в том, что раньше операторы вручную высчитывали и задавали темп прокатки — назначение слишком быстрого темпа приводит к тому, что слябы не успевает забирать чистовая группа клетей и происходит остановка выдачи металла из печей, а если выдавать слябы из печей с темпом медленнее необходимого, увеличенные паузы приводят к потере производительности стана. Ошибка в темпе прокатки может привести к возврату слябов, снятию их с прокатки, столкновению хвоста предыдущей полосы и головы следующей, отсутствию готовности моталок и так далее — вплоть до поломки оборудования. Учитывая это, оператор всегда выставлял темп с небольшим запасом — но правильно ли он его высчитает? Нам было важно «оцифровать» этот процесс и снизить влияние человеческого фактора.
В 2015 году на Череповецком металлургическом комбинате был внедрен программный комплекс «Автотемп», учитывающий исторические значения машинного времени прокатки слябов и паузы, сумма которых образует темп прокатки. Все это позволяло операторам стана ориентироваться при установке темпа, но все равно многие параметры рассчитывались вручную. Требовалась улучшенная версия, в которой все подсчеты выполнялись бы автоматически, — в условиях борьбы за каждый процент эффективности недопустимо позволить непродуктивные паузы.
Что собой представляет решение?
Комплекс «Автотемп 2.0» включает в себя несколько компонентов: модель предсказания машинного времени прокатки сляба в чистовой группе клетей, блок определения минимальной паузы между слябами, блок управления временем нагрева сляба в печи, блок оптимизации распределения необходимых пауз на очередность слябов. Решение позволяет точно рассчитать оптимальное время и отправить сигнал на выдачу слябов из нагревательных печей стана. Согласование графика выдачи с темпом прокатки металла позволяет осуществлять безопасную автоматическую выдачу из печей. Комплекс обрабатывает данные телеметрии по текущему состоянию печи, времени выдачи слябов, положению каждого из слябов, времени прокатки слябов, задержкам и ежесекундно пересчитывает прогноз.
Светлана Потапова: «Ошибка в темпе прокатки может привести к столкновению хвоста предыдущей полосы и головы следующей, отсутствию готовности моталок и далее — вплоть до поломки оборудования. До сих пор оператор всегда выставлял темп с запасом, что не исключало ошибок. Нам было важно оцифровать этот процесс и снизить влияние человеческого фактора»
Какие данные собирали для обучения модели и в каких объемах?
В основе «Автотемп 2.0», наряду с большим количеством учтенных технологических ограничений, лежит модель машинного обучения на базе алгоритма градиентного бустинга, с высокой точностью позволяющая предсказать время прокатки металла в стане. Модель учитывает такие параметры, как длина и ширина сляба, толщина готового продукта, температура конца прокатки, марка стали, назначение металла, класс прочности и пр. В базе учитываются данные за два года. Для оптимизации посада слябов используется жадный алгоритм (Greedy algorithm) поиска, выбирающий печь для следующего посада сляба. Ровный ход печей, с равномерным нагревом по зонам, обеспечивается благодаря алгоритму квадратичной оптимизации.
Какими силами и в какие сроки был реализован проект?
«Автотемп 2.0», как и все наши решения, разрабатывался в тесной связке с производством. В процессе разработки и при внедрении решения была задействована большая команда из специалистов «Северсталь Диджитал», экспертов из производства плоского проката Череповецкого металлургического комбината, сотрудников АСУТП и сотрудников ИТ-команды. Разработка решения вместе с тестированием заняла полтора года. В промышленную эксплуатацию комплекс запустили в третьем квартале 2022 года.
С какими другими решениями осуществляется взаимодействие?
Для увеличения производительности участка печей решение объединено с конфигуратором посада слябов, оптимизационной моделью, по выбору следующей к посаду печи. Кроме того, имеется интеграция с моделью нагрева металла. Зная расчетное время выдачи из печей, модель оценивает время нахождения каждого сляба в нагревательной печи, что позволяет корректировать ее параметры, обеспечивает энергоэффективность участка и качество нагрева сляба.
.jpg)
Что было самым сложным в проекте?
Тестирование решения на одном из ключевых агрегатов комбината — каждый час простоя здесь приносит миллионы убытков. С ростом сложности решения усложняется и поиск возможных ошибок и недочетов. Для начального тестирования решения и наладки логики работы выдачи с печей наша команда экспертов разработала цифровую имитационную модель участка нагревательных печей. В ней можно выполнить моделирование процесса выдачи слябов из печей и проиграть различные сценарии работы стана 2000: отсутствие готовности печи к выдаче, выдача из печи раньше назначенного времени, выдача из печи позже назначенного времени и т. п.
Какие результаты были достигнуты?
Сейчас решение полностью управляет процессом выдачи сляба, исключая влияние человеческого фактора и снижая вероятность незапланированных простоев одного из ключевых агрегатов предприятия. Оно позволяет производить в среднем дополнительно 5,5 тыс. тонн металлопроката ежемесячно, а среднюю паузу при прокатке удалось снизить на 1 секунду на сляб. В 2023 году с помощью «Автотемп 2.0» «Северсталь» дополнительно произвела 65,5 тысяч тонн металлопроката, а экономический эффект составил 184,5 млн руб. Такие результаты соответствовали нашим ожиданиям. Стоит отметить, что уже в первой версии решения так или иначе была решена задача управления темпом прокатки, а с помощью машинного обучения мы исправили недостатки и дополнительно оптимизировали технологический процесс — важна каждая секунда.
Для компании высокая производительность стана 2000 — это возможность произвести для большего количества клиентов горячекатаный прокат с лучшими характеристиками, а значит, и получить дополнительный эффект на показатель EBITDA. Помимо финансовой составляющей, мы повышаем качество принимаемых решений за счет подхода data-driven.
Каковы возможности для дальнейшего развития решения?
Мы разрабатываем, в частности, модели компьютерного зрения для контроля наличия слябов на транспортере в процессе выдачи слябов из нагревательных печей стана 2000, что также влияет на сокращение паузы перед выдачей слябов.
Николай Смирнов (nsmirnov@osp.ru) — независимый автор (Москва).
