Комментарии 33
Ради справедливости: забыли упомянуть мартеновские печи
Спасибо! Читается на одном дыхании! )
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.
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))
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.
Смена сталевара длиться 12 часов, в течение которых плавка идет за плавкой. И если мы можем ему в этом помочь — мы это делаем.
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.
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).
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
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
- 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.
Большой опыт работы в Доменном цехе ММК, инженер электрик. Понимаю, что вы делаете нужное дело.
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
В черную металлургию за реальными делами: опыт Datana