На производстве толстолистового проката Объединенной металлургической компании (ОМК) в Выксе стартовал пилотный проект, который показал впечатляющие результаты. Как сообщает Выкса.РФ, благодаря внедрению предиктивной аналитики, компания смогла сократить уровень брака на 70%, что дало экономию свыше 6 миллионов рублей ежегодно.
В ходе реализации проекта ОМК использовала систему машинного обучения, которая позволила снизить количество аварийных простоев агрегатов прокатного стана. Основой нового подхода стала статистическая модель, способная выявлять аномалии в работе оборудования за 12 часов до возможного отказа.
Система создает математический «слепок» нормального функционирования агрегата, основываясь на множестве сигналов. Как только работа оборудования начинает отклоняться от заданных параметров, модель генерирует предупреждение о возможных неполадках. После этого ремонтные службы могут взять агрегат под контроль, провести диагностику и, при необходимости, остановить стан между прокатами для предотвращения серьезных поломок.
Специалисты ОМК адаптировали общемировые наработки, дорабатывая их под уникальные условия своего производства. Процесс обучения модели прокатной клети занял почти два года, и на данный момент система охватывает 13 гидравлических узлов прокатной клети. В будущем планируется расширить этот список, чтобы повысить эффективность и надежность оборудования.
«Статистические модели и машинное обучение становятся неотъемлемыми инструментами в металлургии. Они позволяют «выучивать» нормальные состояния оборудования во всех его режимах и чувствовать отклонения, даже когда причина не очевидна. Система не заменяет человека, а, наоборот, усиливает его: она берет на себя круглосуточный анализ десятков сигналов, в то время как специалист по надежности интерпретирует аномалии и принимает решения», — отметил руководитель направления по развитию цифровых технологий компании «ОМК Информационные технологии» Илья Дзюб.
Компания продолжит работать над совершенствованием системы, чтобы повысить ее способность выявлять предотказные состояния оборудования. Это, в свою очередь, позволит более точно планировать профилактическое обслуживание и минимизировать риски простоев в будущем.