Loginom как цифровой советчик дуговой плавильной печи. Кейс Eurasian Resourses Group

Eurasian Resourses Group (ERG) – международная группа компаний, одна из ведущих в мире по добыче, обогащению, переработке полезных ископаемых:

• 1/3 всей горно-металлургической отрасли Казахстана;
• 25 лет в мировой горнодобывающей отрасли;
• группа представлена на 4 континентах, в 15 странах мира;
• продукция компании поставляется в 40 стран;
• более 75 000 человек — команда компании по всему миру.

Основные направления бизнеса ERG: ферросплавы, железная руда, медь, кобальт, глинозем, алюминий, энергетика, логистика.

Помимо добычи полезных ископаемых, компания является одним из ключевых поставщиков электроэнергии и крупным железнодорожным оператором в Центральной Азии.

Ситуация до старта проекта

Технологический процесс выплавки стали и ферросплавов происходит в электрических дуговых плавильных печах.

Регулирует режим работы дуговой плавильной печи система автоматизированного управления — САУ. Сырьем для дуговых плавильных печей является шихта – смесь руды, угля и прочих добавок. Регламент формирования шихты не учитывает текущие особенности производства:

• не учитывается техническое состояние печи в реальном времени;
• не принимаются во внимание критически значимые данные по качеству сырья в реальном времени: размер фракций шихты, соотношение химического состава руда-кокс; влажность кокса.

Дуговая плавильная печь достаточно чувствительна к качеству входного сырья — неоптимальный состав шихты провоцирует технические проблемы в работе и, как следствие, финансовые потери при отладке или ремонте оборудования.

Проблема

Значительный объем финансовых потерь при сбоях в работе дуговых плавильных печей логически сформировал проблему: повышение производительности печи за счет минимизации потерь, вызванных технологическими расстройствами оборудования.

Технологи комбината выделяют 18 типов технологических расстройств. Помимо нарушения оптимального режима работы печи, каждое технологическое расстройство сопровождается увеличением потребления электроэнергии и существенными отклонениями в качестве и объеме выплавки, что провоцирует дополнительные финансовые потери.

В рамках повышения производительности печи необходимо решить следующие задачи:

• ранняя идентификация каждого из 18 типов технологических расстройств;
• прогнозирования развития технологических расстройств;
• выдача рекомендаций по устранению на основании динамически изменяющихся данных.

Рекомендации должны оцениваться технологами и, при необходимости, вводиться в САУ для оперативной коррекции работы исполнительных механизмов плавильной печи с целью предотвращения технологических расстройств на начальной стадии.

Решение

Для решения задачи использовалась low-code платформа Loginom. Процесс работы сложного технологического оборудования уникален и зависит как от оборудования, так и от реализуемого техпроцесса, поэтому сценарий решения имеет сложную структуру и строится «с нуля».

Источниками входных данных для построения сценария в данном случае выступали: ежеминутные данные по активным мощностям печей, базы данных по рецептурам шихтовых материалов, данные химических анализов готовой продукции за смену, удельные расходы сырья и электроэнергии на тонну готовой продукции, данные АСУТП систем печи.

На основании входной информации производится многоэтапная ETL-предобработка данных:

• интеграция с источниками данных – системы АСУТП, ИСП;
• обработка данных: группировка, преобразование форматов, скользящее окно;
• повышение качества данных: выявление дубликатов и противоречий;
• заполнение пропусков методом линейной интерполяции, сплайн-интерполяции и др.;
• множественные методы квантования;
• редактирование выбросов;
• сглаживание методом Ходрика-Прескотта или одним из 3-х вейвлетов: Добеши, Койфлеты, CDF 9/7.

После предобработки данных производится расчет моделей:

• запуск моделей для отработки оперативных данных;
• запуск моделей для отработки данных по итогам смены;
• модели движения материалов в печи;
• модели движения загрузок в печи;
• модели движения шихты в печи;
• расчет статистических методов;
• расчет финальных результатов.

По результатам расчета моделей руководитель смены получает и оценивает рекомендации по коррекции работы оборудования. После оценки рекомендаций принимается решений о регулировке настроек САУ.

Расчетные модели сценария обладают следующей точностью:

• модель подготовки данных – 100%;
• модель деления на плавки — 97-99%;
• идентификация технологического расстройства по электрическим параметрам — 90+%;
• идентификация технологического расстройства по химическому анализу — 100%.

Итоговая точность цифрового советчика электрической дуговой плавильной печи – 96%.

Результаты

Эффект от внедрения цифрового советчика дуговой плавильной печи основан на повышении производительности труда, предотвращении многомиллионных потерь и улучшении качества выпускаемой продукции:

Подробнее о разработанном решении в выступлении.

Если вы тоже хотите применять low-code платформу Loginom для решения задач бизнеса, свяжитесь с нами.