«Я хотел бы начать с того, что я не обогатитель, не технолог, я занимаюсь инновациями, в частности, инновациями цифровыми. Когда несколько лет назад я услышал фразу „Обогащение — это не наука, обогащение — это искусство”, то подумал, что это какая-то отговорка технологов перед менеджментом: так они объясняют, почему план не выполнен или перевыполнен. Но чем больше я работаю с проектами, связанными с обогащением, тем больше убеждаюсь в правильности этой фразы», — так на «Сеймартек-2024» представитель Быстринского ГОКа начал свой рассказ о внедрении ML-технологий.
Комментируя предложенное определение, специалист объяснил: обогащение — это комплексный «креативный» процесс. Технологу нужно регулировать множество настроек, формируя наиболее удачную их комбинацию, и при этом придумывать дополнительные «настроечные ручки» в добавок к уже имеющимся. И здесь велика ценность как опыта, так и интуиции: недостаток и первого, и второго может негативно сказаться на процессе обогащения.
Таким образом, речь идёт о сложной многоуровневой задаче, для решения которой нужно смотреть на весь процесс в комплексе — от горы до металла. При этом всегда требуется индивидуальный подход, поскольку уникальна не только каждая фабрика, но и каждая ситуация на одной и той же фабрике. Чтобы упростить работу технолога и повысить производительность производства, Быстринский ГОК внедрил на фабрике ML-технологии, то есть технологии машинного обучения.
ML-технологии позволяют автоматизировать и оптимизировать процессы, которые сложно или вовсе невозможно описать с помощью стандартных алгоритмов. Руководитель проектов группы по инновациям Быстринского ГОКа Денис Жалнин выделил четыре ключевых возможности, которые открывает технология.
Первая — это возможность заглянуть в недалёкое будущее за счёт прогностических моделей. ML позволяет выделять закономерности и тенденции, которые человек не в состоянии заметить. Система учится на больших данных и умеет предугадывать ситуацию, давая возможность работать на опережение.
Отсюда вытекает и вторая возможность — управление неопределённостью. ML позволяет создавать модели, способные учитывать разнообразие ситуаций и условий. Даже если данных в моменте оказывается недостаточно, модели позволят принять правильное решение, что поможет минимизировать вариативность процесса обогащения.
Третья возможность — автоматизация процессов обогащения. При этом ML-модели учитывают широкий спектр факторов: состав руды, тип оборудования, условия его эксплуатации и другие.
При этом сохраняется персонализированный подход, и это четвёртая возможность. ML позволяет создавать модели, которые адаптируются к особенностям руды, технологической схемы, процесса и других факторов. Модели можно донастраивать, обучать, что и позволяет работать в оптимальном режиме.
На любом предприятии, говорит Денис Жалнин, обычно существует негласное противостояние менеджмента и технологов. Первые хотят перерабатывать больше руды и за счёт этого получать большую прибыль. Вторым есть что возразить, ведь высокие темпы переработки могут обернуться потерями.
Концепция сквозной автоматизации подразумевает, что ГОК внедряет технологию на всех этапах переработки руды. Условно специалисты разделили процесс на четыре элемента. Задача для этапа шихтования — управлять процессом с учётом дополнительных параметров руды для более гибкой и точной подачи с прогнозом влияния на фабрику.
На этапе измельчения важно повысить среднюю переработку и минимизировать её волатильность, управляя параметрами мельницы комплексно и гибко. На этапе классификации специалисты стремились минимизировать вариативность доли готового класса, который отправляется на последний участок — флотацию. Здесь обогатители хотели получить возможность принимать более быстрые и взвешенные решения на основе многофакторной модели.
Сегодня на фабрике реализовано два проекта из обозначенных четырёх, ещё два — в процессе. Авторы решили двигаться не по технологической цепочке и начали с этапа измельчения.
Первым шагом стала оптимизация работы мельниц самоизмельчения и питателей. Проект с эффектным названием «Выжать из мельницы всё!» сделал Быстринский ГОК победителем конкурса «Горная индустрия 4.0» нынешнего года в номинации «Решение на основе ИИ для горного производства».
Денис Жалнин объясняет: для любого обогатительного предприятия выгоднее больше перерабатывать, потому что перерабатывать — это практически равно зарабатывать. И обычно основное узкое место на обогатительных фабриках — это участок измельчения. Для Быстринского ГОКа речь шла о мельницах первой стадии.
Постоянно повышающийся план вынудил искать не только технологические, но и цифровые решения, которые помогли бы увеличить объём. Таким образом, стало понятно, почему реализацию проекта ГОК начал именно с этого технологического участка.
Цифровое решение должно было помочь повысить объём переработки не менее чем на 2% — так звучала стартовая задача. В целом 2% — не такая уж амбициозная задача, если не учитывать, что плановый объём ОФ Быстры — 10 млн тонн в год, то есть добавить предстояло 200 тыс. тонн. Сразу скажем, что с помощью ML-технологии задачу удалось выполнить: прирост по итогам 2023 года превысил 2,5%.
Как работает система? Алгоритм управления подразумевает выбор оптимального режима на основе анализа пяти ключевых измеряемых параметров: питания мельницы (т/ч), её веса (т), циркуляционной нагрузки (т/ч), мощности мельницы (кВт), давления подшипников (Бар).
Почему все эти расчёты не может выполнить оператор? В принципе, может. Но вмешивается человеческий фактор.
Операторы работают посменно — в день и в ночь, плюс отлажен вахтовый метод. Это означает, что человек просто не может владеть всей информацией. Да и в целом оператор принимает решение, полагаясь на свой внутренний калькулятор, что-то может ускользнуть от его внимания, что-то может быть сделано неоперативно. И в результате теряются те самые сотые доли процента.
ML-модель разработана на основе исторических данных о функционировании оборудования, руде, шихте, действиях опытных технологов. Опираясь на них, она подбирает оптимальную скорость работы питателей, объём подачи воды в мельницу и скорость последней.
При этом оператор из процеса не исключается — он контролирует работу системы. Получается своего рода «круиз-контроль», и в таком режиме, как показал опыт Быстринского ГОКа, участок работает более 92% времени.
Получив эффект на мельницах, специалисты фабрики приступили к реализации второго этапа проекта — оптимизации процесса флотации. К решению этой задачи компания подступилась уже второй раз: в первый, как оказалось, не хватило объективных данных.
Здесь история та же самая. Есть флотаторы, операторы, технологи, и все видят процесс по-своему, все принимают разные решения. Это не значит, что они управляют процессом плохо. Но можно объединить лучшие практики и оптимизировать процесс.
Для этого на участке флотации фабрики внедрили технологию машинного зрения, для того чтобы перевести в цифру данные о характеристиках пены. Таким образом, ML-модель наполняется объективной и оперативной информацией.
На одной линии флотации система одновременно контролирует 283 параметра — это входные данные, которые ML-модель анализирует, чтобы принять решение по 46 управляющим воздействиям. Едва ли человек может оперативно обработать такой объём информации.
Результаты первых испытаний показали, что внедрение цифровых решений позволило увеличить извлечение меди на фабрике на 0,37%.
Следующие два проекта компания реализует в настоящий момент, и уже в этом году разработчики планируют запустить их. Напомним, эти шаги связаны с оптимизацией этапов шихтования и классификации.
Третий проект имеет ориентировочное название «Классификация в строгом соответствии». Задача цифровых инструментов здесь — поднять стабильность выхода готового класса в среднем на 2 процентных пункта. То есть если в регламенте указано, что выход готового класса должен составлять 70%, то показатель должен быть именно 70%, а не 68-69 %.
Кроме того, авторы проекта стремятся к тому, чтобы на предприятии была возможность быстрого изменения количества работающих гидроциклонов. На фабрике установлены 10 гидроциклонов на секцию, при этом в моменте задействованы не все из них. По разным причинам гидроциклон может работать некорректно, и задача цифрового решения как раз и состоит в том, чтобы оперативно отследить функциональность всех единиц оборудования и переключиться с одной на другую для сохранения объёмов переработки.
Что же касается шихтования, то здесь система автоматизации призвана расширить его принципы. Быстринский ГОК перерабатывает сложную полиметаллическую руду с получением трёх основных продуктов: медного, золотого и железного концентратов. Сырьё, поступающее на фабрику, неоднородно, и от участка к участку меняется содержание полезных компонентов и характеристики самой руды. Специалист по шихтованию в первую очередь отслеживает содержание меди, и уже потом — другие параметры.
Цифровое решение, как ожидают разработчики, поможет автоматизировать процесс и заберёт на себя рутинные операции. Кроме того, для того чтобы оптимизировать шихтовку, авторы хотят учитывать и другие параметры руды: измельчаемость, обогатимость и так далее.
Модель позволит расширить базу реакций фабрики на типы руды и впоследствии даже прогнозировать влияние этих характеристик на техпроцесс. Целевой показатель — дополнительный объём переработки (1%, то есть 100 тыс. тонн руды в год) без потери в извлечении.
Ну и завершающий этап, к которому стремятся разработчики, — это оптимизация выпуска металла: все модели, по замыслу авторов, должны работать на эту цель. ML-модель должна сделать так, чтобы решение принималось на основе не только технологических, но и экономических показателей. Это симбиоз, когда технологии обогащают опыт специалистов для того, чтобы предприятие получило дополнительную прибыль.
Для реализации такого масштабного проекта в несколько этапов добывающей компании понадобилось полностью изменить подход к инновациям, в том числе цифровым.
Быстринский ГОК реализует проект не собственными силами, а при участии стороннего разработчика. Выбор компании пал на российское предприятие «Рокет Контрол» — его здесь предпочитают называть не подрядчиком, а партнёром.
На старте у комбината такого партнёра не было, и заказчик подготовил большой документ, изложив на 41 странице свои функциональные технические требования, плюс ещё 20 страниц заняли требования информационной безопасности. Начались изучение различных систем и поиск подрядчиков. Изначально компания хотела пойти именно по консервативному пути: техзадание, подрядчик, результат.
Но вскоре стало понятно, что такой подход ни к чему не приведёт, и решили искать не программный продукт, а партнёров, которые смогут реализовать эту инициативу. На ГОКе выбрали две компании, перед которыми поставили условие: за полгода получить рабочий пилотный проект. Между двумя потенциальными подрядчиками устроили соревнование.
При этом отечественная компания строила выбор оптимальных параметров на исторических данных с элементами машинного обучения, иностранцы же взяли за основу физическую модель процесса измельчения.
По итогам A/B-тестирования решение «Рокет Контрол» показало себя как более эффективное. Плюс к тому окончательное решение заказчик принимал уже после февраля 2022 года, и у компании были дополнительные резоны склониться к отечественному разработчику.
Уже на старте было понятно, что ML-модели — решение для операторов новое и неосвоенное, что они будут задавать много вопросов, поэтому важна была поддержка производителя — желательно круглосуточная и русскоязычная. Кроме того, имела значение возможность масштабирования на другие переделы фабрики и, собственно, импортонезависимость.
Через несколько месяцев фабрика уже получила первые результаты на мельницах самоизмельчения — напомним, именно с этого участка началось внедрение системы. При этом заказчик понимал, что на длинном промежутке эффект должен быть выше: во-первых, система учится, во-вторых, постепенно снижается влияния человеческого фактора.
И действительно: месяц за месяцем эффективность увеличивалась, в ноябре прошлого кода удалось достичь прироста 2,91%. В итоге систему запустили и на второй производственной линии, причём развернули её в два раза быстрее, чем на первой.
Каждый месяц специалисты отслеживали эффективность работы решения, и высокие показатели удалось сохранить и удержать. Это заслуга команды и результат правильного выбора технологии, говорят на предприятии.
Текст: Анна Кучумова. Фото: ГРК «Быстринское».
Спасибо!
Теперь редакторы в курсе.