Комментарии 16
Да, кстати, бумажные журналы — это и правда неизбежное зло пока что. Меньше 2 недель назад были на заводе цветной металлургии, там в одном из цехов почти нет данных в цифровом виде, все результаты химического анализа собираются в аналоговые журналы, которые затем отправляются в архив.
Так что наше предложение по цифровой трансформации этого цеха состояло в переходе на Excel для начала, и в накоплении массива данных хотя бы за полгода.
И спасибо за наводку про смещение данных при ручном вводе, изучим этот вопрос:)
В этой ситуации радует то, что несмотря на консервативность, на всех предприятиях, где мы бывали, есть не только понимание необходимости развития, но и уже делаются реальные шаги в этом направлении (иначе мы бы туда не попали). На некоторых заводах этими вопросами занимаются отделы КИПиА или IT, а кое-где сформированы специальные структуры, вроде Бюро по развитию. И, кстати, они обычно тоже в курсе мировых новостей в своих отраслях.
Учился по специальности "Металлургия стали", в 2000-х был на Череповецком Металлургическом, наблюдал двух еще живых "динозавров" в мартеновском цеху… Больше всего запомнилось, как рабочий пробивал лётку для выпуска, и когда пошел металл, его всего окутало расплавленными искрами, брызгами, а он стоял как ни в чем не бывало.
В данный момент как раз совершаю переход от тестировщика в аналитику данных. Было интересно почитать статью, спасибо! В частности, очень удивил консерватизм на пром. предприятиях. Вроде во все том же ООО "Северсталь" есть свое собственное ИТ-подразделение, и в то же время — ручные записи в журналы… Вообще тема ИТ в промышленности довольно интересная и нераскрытая, хотелось бы больше публикаций.
В частности, хотелось бы узнать у автора, какие боевые задачи приходилось решать, какие инструменты использовались, каким образом справлялись с трудностями и т.д. Буду с интересом следить за темой!
Рад приветствовать коллегу со схожим извилистым путём в профессии:)
Тему раскрываем! У нас опубликовано уже несколько статей. Если ещё не читали — рекомендую!
В черную металлургию за реальными делами: опыт Datana
Как мы побывали на металлургическом заводе в Аше
А одна из реальных боевых задач описана вот тут:
Как мы внедряли искусственный интеллект на металлургическом заводе
Сейчас задачи стали существенно сложнее: уже не только разрабатываем модели, но и занимаемся установкой датчиков на агрегаты, собираем сырые данные с контроллеров.
Уровень цифровой трансформации предприятий сильно неоднороден, в том числе, и внутри компаний. Так что Вы правы, в Северстали и, скажем, НЛМК действительно есть подразделения не просто IT, а конкретно занимающиеся анализом данных и машинным обучением. Тем не менее, и с этими компаниями мы находим общие точки и проекты, работы хватает.
Промахнулся комментарием, это был ответ на комментарий выше.
Спасибо за вопрос!
Описанный бардак и его разгребание — это лишь первый этап работы, которую мы делаем.
Чёрная металлургия состоит из последовательности химических и физико-химических процессов: окисление углерода и металлов кислородом и угарным газом, переход компонентов через границу шлак-металл, перемешивание металла газами.
Построить адекватную математическую модель плавки только на основании законов химии и физики практически невозможно — слишком много параллельных процессов, кроме того, крайне сложно оперативно получить точную информацию о состоянии системы из-за экстремальных условий (температура более 1500 градусов). В связи с этим технологические инструкции на заводах в значительной степени эмпирические.
Поэтому, имея достаточно большой массив данных, даже неточных, можно успешно строить оптимизационные модели, которые позволяют снижать расход материалов и энергии при том же результате. Например, если уменьшить расход добавок всего на 1% это может дать весьма существенную экономию, порядка миллионов или даже десятков миллионов рублей в год — при нулевых капитальных затратах.
Надеюсь, что ответил на тот вопрос, который был задан:)
Если под "моделью происходящего" понимается некое формализованное описание физико-химического процесса в конвертере, то это не совсем так. Модель машинного обучения может не быть интерпретируемой. То есть, давать результат "неизвестно как".
Но в целом всё та: чем больше данных и чем они точнее — тем лучше будет работать модель
Это зависит от сложности модели. Если она основана, грубо говоря, на паре параметров — то теоретически может показать удовлетворительный результат на другом агрегате или на незнакомой марке стали, например. Также можно попробовать вручную "подкрутить" веса параметров, если они более-менее понятные.
Но это скорее исключение. Обычно модель учитывает множество параметров, да ещё и непонятно как. Так что проще будет обучиться заново, а скорее придётся конструировать новую модель с новыми гиперпараметрами.
Взгляд химика, тестировщика и аналитика данных на чёрную металлургию и большие данные в ней