Полная замена парка техники или радикальное обновление базовых ИТ-систем требуют колоссальных бюджетов и несут высокие риски для непрерывности производства. В условиях меняющейся логистики и непредсказуемого спроса горно-обогатительные комбинаты вынуждены искать способы повышения рентабельности без раздувания капитальных затрат.
О том, как не ломать текущие процессы, а с помощью интеллектуальных надстроек, математики и имитационных моделей выжать максимум из существующей инфраструктуры и принести предприятию десятки миллионов рублей дополнительной выручки, рассказывает Илья Константинов, эксперт практики «Ресурсы» компании Axenix.
На многих российских горно-обогатительных комбинатах сегодня наблюдается схожая картина: создан современный Центр управления производством (ЦУП), где бок о бок работают специалисты смежных служб. На мониторах развёрнута интерактивная карта диспетчеризации, дающая детальную видимость всего горно-транспортного комплекса.
Каждое звено — от забоев с экскаваторами и самосвалами до перегрузочных пунктов и обогатительной фабрики — отслеживается в реальном времени. Возникает иллюзия полного контроля, которая разрушается при первом же незапланированном отклонении от графика.
Несмотря на визуальную прозрачность, существующие системы автоматизации зачастую решают лишь узкие задачи. Например, на отдельных плечах откатки водители самосвалов получают автоматические задания, к какому экскаватору или сектору разгрузки им двигаться.
Однако такие локальные оптимизаторы, если они вообще внедрены, видят только изолированную часть маршрутной сети. Они не учитывают глобальный баланс парка техники и не способны просчитать каскадное влияние локальных простоев на смежные участки.
Из-за разрозненности ИТ-систем основная тяжесть координации ложится на человека, а главным инструментом управления логистикой остаются телефон и рация. Наряды формируются вручную, а изменчивая обстановка требует постоянных корректировок внутри смены, что неизбежно влечёт за собой погрешности ручного перепланирования.
Диспетчеры вынуждены работать в реактивном режиме: у них нет предиктивного инструмента, который ответил бы на вопрос «что будет, если…?». Ситуация, когда железнодорожная техника подаётся на погрузку руды по звонку с перегрузочного пункта, — скорее правило, чем исключение, и подобных ручных команд за смену генерируются десятки.
В результате человеческий фактор и отсутствие сквозной синхронизации делают логистику уязвимой. Рассогласованность расписаний экскаваторов, автосамосвалов и локомотивов приводит к образованию очередей на погрузке и разгрузке, ограничивая пропускную способность и объёмы доставки руды на фабрику.
Техника работает, генерируются затраты на её содержание, но операционная отдача остаётся далека от потенциала, подтверждая тезис о том, что ручная диспетчеризация при современных масштабах добычи — это слишком сложно и неэффективно.
Горно-транспортный передел (ГТП) — это стартовое звено в цепочке создания стоимости на ГОКе. Сама по себе извлечённая руда ещё не генерирует доход — она приобретает коммерческую ценность только после переработки на обогатительной фабрике, например, в концентрат, агломерат, окатыши или другой продукт.
Поэтому главная цель диспетчеризации ГТП — не просто вывезти горную массу, а создать максимально эффективную базу для всех последующих этапов производства. Это означает ритмичную доставку на фабрику требуемого объёма сырья целевого качества с одновременной минимизацией удельных затрат на транспортировку каждой тонны.
Поскольку на этапах фабричной переработки предприятие может как нарастить маржинальность, так и сгенерировать убытки из-за некачественной шихтовки или простоев, цена эффективности базовой логистики на ГТП крайне высока.
Практика показывает, что битва всего за 1-2% дополнительного объёма вывозимой руды или снижения транспортной себестоимости способна приносить добывающему предприятию десятки миллионов рублей дополнительной выручки ежемесячно.
Главный тезис здесь в том, что дополнительная прибыль может и должна генерироваться не за счёт расширения парка техники (CAPEX), а за счёт поиска скрытых резервов, устранения узких мест в диспетчеризации, повышения коэффициента использования оборудования.
И для достижения таких результатов не нужны разрушительные ИТ-революции. Оптимальный подход заключается в эволюционном развитии: не стоит ломать или переписывать с нуля сложившийся контур диспетчеризации. Безопаснее и эффективнее аккуратно интегрировать новые инструменты в существующую инфраструктуру.
В нашем примере сервисы оптимизационного и имитационного моделирования (ОМ и ИМ) разворачиваются как «умная» надстройка над уже работающей системой управления, чтобы получать максимум из парка техники без остановки текущих процессов и без отложенных последствий в виде увеличенного износа и потенциального снижения КТГ.
В нашем примере интеллектуальная надстройка над базовой системой диспетчеризации представляет собой комплекс из двух связанных модулей. Оптимизационная модель (ОМ) выступает в роли вычислительного ядра — она перебирает тысячи сценариев и ищет идеальные варианты распределения парка техники, выбора маршрутов и режимов работы оборудования, отвечая на вопрос «как лучше?» с точки зрения заданных целей оптимизации.
При этом на первом уровне такая система решает классическую задачу поиска кратчайшего или оптимального маршрута для каждой единицы техники с учётом текущей загрузки дорог и ограничений по типам транспорта. Лишь затем — на втором и третьем уровнях — подключаются задачи балансировки загрузки оборудования и диспетчеризации в реальном времени. Однако в реальном карьере идеальный план часто разбивается о случайности.
Поэтому в связке с ней работает имитационная модель (ИМ). Это другая виртуальная и точная модель ГТП, в которой предложенные оптимизатором решения проверяются на реализуемость в тысячах сценариев, с учётом вероятных поломок, внеплановых остановок, риска образования очередей.
Благодаря такой синергии система выдаёт не просто базовый «совет по маршруту», а формирует полноценный сменный план. Этот план включает в себя прогноз исполнения наряда, проекты готовых директив для диспетчера и возможность оперативного перепланирования прямо внутри смены за считанные минуты.
Главное изменение заключается в том, что диспетчер получает предиктивный инструмент управления в формате «что, если». Ещё до того, как отдать команду, он видит прогноз: одно решение приведёт к затору на перегрузочном пункте, а альтернативное — позволит не только вывезти сегодня на 3% больше руды, но и перенаправить высвободившуюся часть парка на вскрышу, подготавливая дополнительные фронты работ на завтра.
Для понимания логики внедрения рассмотрим структуру логистики ГОКа. В качестве примера рассмотрим двухзвенную систему с промежуточными перегрузочными пунктами (ПП). Наличие таких складов-буферов определяет как сильные стороны управления карьером, так и его главные уязвимости.
С одной стороны, ПП позволяют разорвать жёсткую зависимость между автосамосвалами и локомотивами: машины выгружают породу без ожидания поездов. Это создаёт запас прочности на случай поломок в забое и позволяет гибко усреднять качество руды, подаваемой на фабрику.
С другой стороны, ёмкость складов конечна, а руда подвергается двойной экскавации (сначала в забое, затем на складе). Это порождает множество точек отказа. Если из-за заторов на однопутной железной дороге переполняется склад, самосвалам становится некуда сваливать груз — и карьер останавливается. Возможна и обратная ситуация: из-за отставания автопарка поезда приходят пустыми. Любой локальный сбой порождает каскадные заторы по всей цепочке.
Чтобы адаптация предприятия к новой системе управления прошла гладко, интеграция комплекса проводится поэтапно. В нашем примере три этапа:
Этап 1. Усиление локальной оптимизации на автоплече
Первый компонент новой системы настраивается на наиболее критичном участке — автотранспортном плече. Главная цель этапа — внедрить динамическое распределение машин, чтобы погасить очереди у экскаваторов и отвалов.
Дано: существующий локальный оптимизатор уже умеет рассчитывать маршруты автотранспорта, но не «видит» очередей. Для штатной смены этого достаточно, но при пиковых сбоях (например, при блокировке 1-2 ЭКГ в забоях) самосвалы начинают скапливаться в ожидании.
Что делаем: мы не трогаем привычную логику работы локального оптимизатора, но добавляем к нему надстройку, которая анализирует обстановку в масштабе всех карьеров предприятия. Для ускорения поиска отдельных решений система может опираться на «старые» локальные алгоритмы.
Что получаем: теперь ОМ может предвидеть сложные ситуации и решать логистическую задачу «в глубину» на 5-6 шагов вперёд для групп самосвалов, превентивно предотвращая заторы.
Этап 2. Сквозное сценарное управление сменным автоплечом (ОМ + ИМ)
На этом этапе добавляется имитационная модель, позволяя объединить разрозненные участки автотранспортировки в единый контур. Теперь уже оптимизационно-имитационная модель берёт под контроль планирование всего автопарка и ЭКГ в забоях, позволяя диспетчеру эффективно управлять потоками в условиях высокой неопределённости.
Дано: в ходе смены постоянно возникают отклонения от плановой работы самосвалов. Диспетчеру приходится вручную перепланировать маршруты, но всё ещё нет инструмента видеть последствия решений на масштабе каждого карьера.
Что делаем: объединяем имитационную модель (ИМ), оптимизационную модель (ОМ) и старый локальный оптимизатор в единый контур управления автоплечом (парк всех ЭКГ в забоях и все самосвалы) в масштабах всех карьеров, участков и маршрутов ГТП.
Что получаем: перед началом смены, а также оперативно внутри смены диспетчер формирует единый план на парк ЭКГ + самосвалов, с возможностью просчитывать последствия различных сценариев их работы. (Оптимизация движения железнодорожного транспорта на этом этапе закладывается рамочно, её полноценная автоматизация на следующем этапе).
Этап 3. Интеграция железнодорожного плеча
Дано: рассинхронизация работы локомотивов и экскаваторов генерирует основные задержки при погрузке на перегрузочных пунктах (ПП) и при доставке руды на обогатительную фабрику (ОФ).
Что делаем: внедряем модель железнодорожного участка (от ПП до ОФ). Она формирует динамическое расписание движения локомотивов, опираясь на онлайн-данные о работе экскаваторов на ПП и блочную модель ПП.
Что получаем: ИМ становится поставщиком точных предиктивных прогнозов для диспетчеризации всей связки «локомотив – экскаватор на ПП». Система эволюционирует в единый, полностью сбалансированный механизм логистики всего предприятия.
Что получает ГОК после внедрения оптимизационно-имитационной надстройки? Уходят скрытые простои, ликвидируются каскадные логистические несостыковки. Без дополнительных инвестиций в закупку новой техники предприятие выходит на более высокие показатели производительности.
Постоянный эффект выражается в увеличении объёмов отгрузки на фабрику и снижении удельных переменных расходов на транспортировку каждой тонны руды. Практика показывает высокую рентабельность таких решений: на одном из реализованных проектов затраты на интеграцию надстройки окупились за 7 месяцев.
Однако оценка перспектив была бы неполной без честного разговора о рисках. Главная сложность кроется не в математике или интеграции ИТ-систем, а в приживаемости нового инструмента на местах. Это комплексная социально-техническая задача.
Процесс управления меняется кардинально: доля ручных согласований падает, и теперь автоматика не просто советует, но и формирует готовые решения на смену вперёд. Роль диспетчера трансформируется из оператора в контролёра, который вмешивается в работу системы только в критических ситуациях.
Риск №1 — саботаж. Если система мотивации персонала остаётся прежней и не будет зависеть от качества работы с новым инструментом, персонал не будет заинтересован в его освоении. Руководству предприятия необходимо заранее адаптировать метрики эффективности и обеспечить вовлечённость команды.
Практика показывает, что будущих пользователей — начальников участков, диспетчеров нужно подключать к проекту с первых дней. Люди должны научиться доверять системе и понимать, как именно она упрощает их работу.
Риск №2 — неверные ожидания при расчёте экономического эффекта. Заказчик может ожидать, что ИТ-система нивелирует все возможные риски недовыполнения плана, скажем, на 5% по году.
Однако разработчик может гарантировать улучшение только на 2-3%, так как за рамками ИТ-контура остаются неподконтрольные ему факторы: задержки в поставках ГСМ, качество технического обслуживания парка, дефицит кадров. Отделить чистый вклад алгоритмов от общего операционного фона — нетривиальная задача, требующая прозрачных договорённостей «на берегу».
В передовых проектах эта проблема решается внедрением метрик приживаемости (adoption rate), которые зашиваются прямо в систему. Главный индикатор — доля автоматических решений: какой процент директив системы диспетчер пропустил в работу без ручных корректировок.
Сопоставляя этот показатель с графиком снижения простоев, можно наглядно увидеть: если в смены с высоким adoption rate простои техники сокращаются, значит эффект даёт именно внедрённая математика, а не стечение внешних обстоятельств.
Наконец, нельзя сбрасывать со счетов и технологические вызовы. Адаптация алгоритмов оптимизации под особенности конкретного карьера, обучение ИМ на исторических данных, параллельный запуск с существующим ЦУПом и калибровка результатов — всё это требует времени и нескольких итераций.
Многие российские предприятия добывающего сектора сегодня находятся в схожей ситуации: современная инфраструктура и ЦУП уже созданы, но их потенциал раскрыт не полностью. Эволюционное развитие базовой системы диспетчеризации с помощью оптимизационного и имитационного моделирования — это прагматичный путь.
Шаг за шагом, встраивая новые сценарии в привычную среду, ГОК может вывести управление горно-транспортным переделом на качественно новый уровень без остановки производства и существенных капитальных затрат.
Спасибо!
Теперь редакторы в курсе.