Комментарии 33
Ради справедливости: забыли упомянуть мартеновские печи
Спасибо! Читается на одном дыхании! )
«При этом заводу не пришлось закупать дополнительное оборудование.»
А модель тогда на чём обсчитывается? Или обсчёт в облаке? Тогда надо резервирование каналов до облака, что тоже не бесплатно.
И, если система уйдёт в прод, то добавится ещё и безопасность, так как злобный хакер, чуть поправив модель, может нанести существенный урон.
И это не говоря о том, что либо запись результата анализа на бумажке исключили, либо теперь эта запись тоже анализируется системой (камера, как минимум, тоже стоит денег).
Да, возможно, по сравнению с экономией, всё техническое обеспечение идеи стоит копейки, но мне кажется, что если посчитать все мелочи, выйдет достаточно ощутимая сумма.
А модель тогда на чём обсчитывается? Или обсчёт в облаке? Тогда надо резервирование каналов до облака, что тоже не бесплатно.
И, если система уйдёт в прод, то добавится ещё и безопасность, так как злобный хакер, чуть поправив модель, может нанести существенный урон.
И это не говоря о том, что либо запись результата анализа на бумажке исключили, либо теперь эта запись тоже анализируется системой (камера, как минимум, тоже стоит денег).
Да, возможно, по сравнению с экономией, всё техническое обеспечение идеи стоит копейки, но мне кажется, что если посчитать все мелочи, выйдет достаточно ощутимая сумма.
Мы тут имели ввиду, что для решения кейса по оптимизации ферросплавов не нужно закупать дорогое оборудование для сбора данных. Камеры, вибродатчики, газоанализаторы — тут не нужны. Все данные в большинстве случаев уже собираются на производстве. С точки зрения затрат на внедрение и получаемого экономического эффекта — это один из самых успешных кейсов. Экономия достигается в первые дни использования и затраты очень быстро окупаются.
При решение этого кейса и любых других мы тщательно считаем экономику и учитываем множества факторов, в том числе и как оптимизация на этом участке скажется на остальных. Иногда бывает, что экономия на одном участке может превратится в затраты на другом. Мы все это учитываем перед стартом работ.
Что касается облаков, то пока о них рано говорить. Все же заводы и комбинаты относятся к объектам критической инфраструктуры. И безопасность тут не просто красивые слова. Действительно, урон может быть колоссальный. Например, в далеком 2014 году хакерам удалось вывести из строя доменную печь в Германии. А домна – это серьезно. Ее нельзя выключить, когда закончилась смена и включить, когда она началась. Ее запускают и она непрерывно работает в течение нескольких лет. Затраты на остановку и новый запуск составляют несколько миллионов долларов. Доверится облакам никто не готов.
При решение этого кейса и любых других мы тщательно считаем экономику и учитываем множества факторов, в том числе и как оптимизация на этом участке скажется на остальных. Иногда бывает, что экономия на одном участке может превратится в затраты на другом. Мы все это учитываем перед стартом работ.
Что касается облаков, то пока о них рано говорить. Все же заводы и комбинаты относятся к объектам критической инфраструктуры. И безопасность тут не просто красивые слова. Действительно, урон может быть колоссальный. Например, в далеком 2014 году хакерам удалось вывести из строя доменную печь в Германии. А домна – это серьезно. Ее нельзя выключить, когда закончилась смена и включить, когда она началась. Ее запускают и она непрерывно работает в течение нескольких лет. Затраты на остановку и новый запуск составляют несколько миллионов долларов. Доверится облакам никто не готов.
Облакам даже Олимпийские игры ещё не доверяют, и Магнитку тем более.
У Круппа, чью домну хакнули в 2014, удивляет, что производственная сеть не была изолирована от офисной, откуда уже был обычный доступ к интернету, то есть, фактически торчала наружу. А я-то наивно полагал, что такие вещи однозначно должны находиться за воздушным зазором. У нас вон сети критического оборудования физически изолированы от общей сети и передача данных между ними и общей сетью только на оптических дисках и то только в одну сторону.
С безопасностью, я думаю, все предусмотрено, на таких объектах управляющие компьютеры обычно вообще не подключены ни к какой внешней сети, так что хакеру придётся как минимум устроиться на завод для получения доступов, что как минимум сильно облегчает задачу по его вычислению))
Отправил детям читать, чтобы не возникало вопросов про квадратные уравнения.
> Нам кажется, что в будущем управление процессом в штатном режиме должно быть полностью автоматизировано, а человек должен подключаться только в нештатных ситуациях.
Насколько я знаю, есть проблема у пилотов, что они теряют практические навыки из-за автоматики, и в нештатной ситуации совершают ошибки. Возможно, лучше наоборот, сохранять участие человека в существенном проценте работы. И, например, он может сравнить свой результат с тем, что получилось бы при применении автоматики и учиться ещё и на этом.
Насколько я знаю, есть проблема у пилотов, что они теряют практические навыки из-за автоматики, и в нештатной ситуации совершают ошибки. Возможно, лучше наоборот, сохранять участие человека в существенном проценте работы. И, например, он может сравнить свой результат с тем, что получилось бы при применении автоматики и учиться ещё и на этом.
Да, это дилемма, с которой мы сталкиваемся и в повседневной жизни. Например, все сейчас ездят на машине с автоматической коробкой передач. Половину посади за механическую коробку — никуда не уедут и я в их числе. Современные технологии меняют нас. И нет однозначного ответа плохо это или хорошо. Какие-то технологии облегчили нашу жизнь, у нас появилось больше времени и мы его можем потратить на что-то другое. Другие технологии «разучили» нас запоминать информацию, потому что ok google и телефон всегда под рукой.
Смена сталевара длиться 12 часов, в течение которых плавка идет за плавкой. И если мы можем ему в этом помочь — мы это делаем.
Смена сталевара длиться 12 часов, в течение которых плавка идет за плавкой. И если мы можем ему в этом помочь — мы это делаем.
проект потрясающий, а прогресс не должен стоять на месте. Пилоты отрабатывают навыки а тренажерах, совершенствуются.
Если сталевару предоставить возможность не работать в тяжелейших условиях- это только благо Опять же, анализ показателей, чтение книг, сбор статистики, капиализацию опыта никто не отменял.
Если сталевару предоставить возможность не работать в тяжелейших условиях- это только благо Опять же, анализ показателей, чтение книг, сбор статистики, капиализацию опыта никто не отменял.
Любопытно, это первая статья на моей памяти об IT-компании где реально нужна химия.
Понимание сути происходящих процессов, с точки зрения как физики, так и химии, крайне важно на всех этапах анализа данных. Начиная с очистки и выбора подхода к моделированию и заканчивая оценкой качества моделей.
И так уж сложилось, что в большинстве случаев с пониманием физики процесса проблем почти не возникает, а вот химия, которая у многих ещё в школе была «самым нелюбимым предметом» вызывает трудности.
Без «экспертизы» в школьной химии нам было бы крайне сложно начать работать над кейсами в области металлургии цинка, например. Весь технологический процесс там целиком основан на ряде химических реакций. Исходный сульфид цинка сначала превращается в оксид в процессе обжига, затем переходит в раствор в виде сульфата для очистки от примесей, и наконец электролитически осаждается в виде металла. Очистка тоже химическая, да и отходы со всех этапов тоже перерабатывают химически (там ещё несколько реакций происходит).
И так уж сложилось, что в большинстве случаев с пониманием физики процесса проблем почти не возникает, а вот химия, которая у многих ещё в школе была «самым нелюбимым предметом» вызывает трудности.
Без «экспертизы» в школьной химии нам было бы крайне сложно начать работать над кейсами в области металлургии цинка, например. Весь технологический процесс там целиком основан на ряде химических реакций. Исходный сульфид цинка сначала превращается в оксид в процессе обжига, затем переходит в раствор в виде сульфата для очистки от примесей, и наконец электролитически осаждается в виде металла. Очистка тоже химическая, да и отходы со всех этапов тоже перерабатывают химически (там ещё несколько реакций происходит).
При всём этом вам нужна химия неорганическая, которая как раз изучается в школе и на первом-втором курсе химфака, а не, более сложная, органическая химия.
Для моделирования термодинамики и кинетики описанных вами процессов есть готовые программные комплексы типа Thermocalc и FactSage и др., с обширными базами данных термодинамических свойств индивидуальных веществ и расплавов, а также содержащие модели твёрдых растворов. Чем реализованный вами подход отличается от уже готовых решений? Сбором и оптимизацией термодинамических данных занимаются ни одно десятилетие, это огромный по трудозатратам процесс. Вы же смогли принести пользу за гораздо более короткий срок. Я заинтригован.
Вы совершенно правильно написали, что Thermocalc, FactSage и подобные им – это программные комплексы, предназначенные для моделирования термодинамики и кинетики процесса. Очень полезная штука для исследователей. Можно проводить кучу экспериментов.
Но наши решения не про это. Наши решения про «здесь и сейчас». Например, закончилась плавка в кислородном конвертере. Нужно слить 370 тонн расплавленного металла таким образом, чтобы шлак, плавающий на поверхности, не попал в металл. Огромная махина наклоняется в сторону разливочного пролета и раскаленный поток металла начинает выливаться в сталь-ковш. И на все про все – 5 минут. За эти 5 минут нужно выбрать правильный угол наклона, чтобы с одной стороны слить весь металл, с другой стороны не вылить в металл шлак. Да и вообще, нужно попасть в сталь-ковш, который стоит внизу. Лично я до сих пор из пакета молоко в кружку наливать не научилась. Вечно проливаю. Так вот, одно из наших решений помогает оператору определить угол наклона и вовремя отсечь шлак. Для этого мы используем тепловизоры, которые в режиме реального времени анализируют струю металла и сигнализирует, что в ней начинает появляться шлак.
А если говорить про кейс, который описан в статье, то тут мы в режиме реального времени собираем текущие параметры плавки и в течении трех секунд выдаем рекомендации по отдаче ферросплавов, с учетом того, какие сейчас есть в бункерах, сколько времени до окончания плавки, коэффициента усвоения, температуры и множества других влияющих параметров.
В общем, если коротко, то программные комплексы Thermocalc, FactSage – это про исследования, а мы про жизнь.
Но наши решения не про это. Наши решения про «здесь и сейчас». Например, закончилась плавка в кислородном конвертере. Нужно слить 370 тонн расплавленного металла таким образом, чтобы шлак, плавающий на поверхности, не попал в металл. Огромная махина наклоняется в сторону разливочного пролета и раскаленный поток металла начинает выливаться в сталь-ковш. И на все про все – 5 минут. За эти 5 минут нужно выбрать правильный угол наклона, чтобы с одной стороны слить весь металл, с другой стороны не вылить в металл шлак. Да и вообще, нужно попасть в сталь-ковш, который стоит внизу. Лично я до сих пор из пакета молоко в кружку наливать не научилась. Вечно проливаю. Так вот, одно из наших решений помогает оператору определить угол наклона и вовремя отсечь шлак. Для этого мы используем тепловизоры, которые в режиме реального времени анализируют струю металла и сигнализирует, что в ней начинает появляться шлак.
А если говорить про кейс, который описан в статье, то тут мы в режиме реального времени собираем текущие параметры плавки и в течении трех секунд выдаем рекомендации по отдаче ферросплавов, с учетом того, какие сейчас есть в бункерах, сколько времени до окончания плавки, коэффициента усвоения, температуры и множества других влияющих параметров.
В общем, если коротко, то программные комплексы Thermocalc, FactSage – это про исследования, а мы про жизнь.
в течении трех секунд выдаем рекомендациипочему так долго если вы ничего не моделируете?
в статье очень мало технических деталей — стек? аппаратура? edge/fog вычисления?
было бы очень интересно об этом почитать
Данные проходят путь от систем управления завода (АСУ ТП, MES и др.) через системы валидации и трансформации к моделям машинного обучения и математической оптимизации. Данные часто поступают с задержками и в неконсистентном виде. Скорость работы решения во многом зависит от цифровой зрелости завода, от особенностей цифровой инфраструктуры и политик управления данными. Спасибо за интерес к техническим деталям, мы о них обязательно расскажем в следующих статьях. А пока вам может быть интересно почитать статью о нашем опыте внедрения рекомендательной системы на заводе: habr.com/ru/company/datana/blog/506194
ну вы же не на докладе в гос учереждении :) а на техническом ресурсе. понятно, что на каждом предприятии свои нюансы и свои потоки данных.
у вас в блоге тут 4 статьи и в них только одна формула и в одном месте упоминается Python
Серьезно? :)
Я все понимаю, PR, поиск кадров, но хоть чуть чуть деталей не из отчетной презентации.
Примеры на ресурсе есть
Deep Learning — не только котики на мобилках или как мы производим дефектовку тележек локомотивов
Как мы забрали у человека сито и помогли мельнице
у вас в блоге тут 4 статьи и в них только одна формула и в одном месте упоминается Python
Для воплощения модели использовали Python, поскольку это фактически стандарт в построении ML-решений. Применили библиотеки для анализа, трансформации, визуализации данных, ML и математического моделирования: pandas, Matplotlib, SciPy, scikit‑learn и другие.
Серьезно? :)
Я все понимаю, PR, поиск кадров, но хоть чуть чуть деталей не из отчетной презентации.
Примеры на ресурсе есть
Deep Learning — не только котики на мобилках или как мы производим дефектовку тележек локомотивов
Как мы забрали у человека сито и помогли мельнице
У каждого автора свой стиль и подход. И если вы посмотрите статистику прочтений, то как раз не технические статьи у нас набрали больше, чем статьи с большим техническим уклоном. Но мы обязательно напишем и другие статьи, где подробно расскажем про технологии. Про что вам хотелось бы узнать подробнее?
Мне было бы интересно почитать про весь условный dataflow начиная от сенсоров до дашборда – как про инфраструктуру, так и про архитектуру. Особенно об эволюции обоих как на конкретном проекте, так и в компании.
Никаких промышленных секретов не нужно. На уровне того что известно интерну после первого месяца на проекте.
- какие датчики используете (типы, бренды)
- как решаете проблемы сбора больших данных и трансфера их в инфраструктуру обучения. Канал данных с объекта в условную Москву обычно очень тонкий, собранных данных гигабайты в день. Собрали терабайты, записали на диск и отправили с курьером в город и так каждый месяц? Или аналитики сидят на объекте?
- как развивается ваша инфраструктура анализа, обучения, теста и прода? MLFow/Kubeflow/прочие или достаточно jupiter notebook? А основные проблемы в другом домене (интеграция с системами предприятия, согласование размещения оборудования и прочее) и даже простой модели хватает?
- что используете для стриминга данных (kafka)? контенейризируете (swarm, k8s)?
- как распределяете вычисления и обработку – edge, fog, cloud?
- детали модели я думаю либо ноу-хау либо nda, но класс и на чем создаете модель (python, mathlab) было бы интересно узнать. Какие проблемы при запуске в реальном времени и с заданным SLA были и как решили?
Никаких промышленных секретов не нужно. На уровне того что известно интерну после первого месяца на проекте.
Ух, знакомые лица. Ребята, желаю вам успехов и набирать обороты!
Спасибо!
Готов помогать в решении ваших идей в металлургии, проконсультировать, подсказать.
Большой опыт работы в Доменном цехе ММК, инженер электрик. Понимаю, что вы делаете нужное дело.
Большой опыт работы в Доменном цехе ММК, инженер электрик. Понимаю, что вы делаете нужное дело.
Datana ваш логотип похож на логотип металлургической компании EVRAZ, это как-то связано или такое совпадение? :-)
Просто зачитался вашей статьей! Очень приятно видеть когда программисты/IT-специалисты/аналитики "выходят из матрицы" и начинают работать с реальными процессами! Сам прошел подобный вашему путь трансформации :)
А сколько еще других отраслей в которых можно, нужно и просто необходимо реализовать системы прогнозирования, поддержки принятия решений, визуализации процесса и поступающих данных (особенно если цикл опроса у контроллера 10мсек).
Модель кристаллизации делали?
Разработка модели кристаллизации — в наших планах. На МНЛЗ мы работали с задачей детектирования отсечки шлака. В данном кейсе модель использует данные, получаемые с установленных нами вибродатчиков, определяет момент начала истечения шлака по характерным паттернам вибрации и дает команду на закрытие шибера сталеразливочного ковша
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
В черную металлургию за реальными делами: опыт Datana