McKinsey Digital

Предсказать и оптимизировать: плавим сталь с помощью Data Science

Как создавали программу, которая помогает металлургам экономить 3-5 млн долларов в год

Как делают сталь? Вначале из железной руды получают чугун, из которого затем выплавляют сталь. Сталь при этом бывает разных марок и назначений. Добавление различных ферросплавов в ходе производства, например феррохрома, позволяет придать ей определённые характеристики.

Как добиться требуемого качества стали, но не перерасходовать дорогостоящие материалы? Долгое время отвечать на этот вопрос сталеварам помогали опыт и инструкции, а в последнее время их всё чаще дополняет Data Science и инструменты углублённой аналитики.

Металлурги в авангарде работы с данными

Отрасль была в авангарде прикладного использования математических моделей. Автоматизированные расчёты в ходу на производствах ещё с 1960-х, а с появлением первых ЭВМ базовая автоматизация достигла промышленных масштабов.

Вместе с повышением производительности компьютеров пришла статистическая обработка данных. В конце 1970-х — начале 1980-х металлурги начали применять анализ больших данных для построения простых однофакторных и двухфакторных статистических моделей, но без доступных сегодня продвинутых видов анализа и многофакторных регрессий.

Тем временем подтягивалась автоматизация и элементная база: на заводах появлялось всё больше сенсоров и датчиков. Сегодня инструменты Data Science применимы в 90% металлургического цикла для оптимизации разных участков в производственной цепочке.

С чего начинается сталь

Весь процесс производства стали — это сочетание ручных, автоматических, автоматизированных и цифровых операций. На плавке работает команда из трёх или четырёх человек: сталевар, помощник сталевара, начальник на линии и мастер. Один специалист обязательно сидит за компьютером, другой работает с металлом вместе с помощником.

Важнейшее звено в технологической схеме получения готовой стали — агрегат ковш-печь. В ковше мастера финализируют химию металла, добавляя легирующие материалы и ферросплавы в разных пропорциях. Это «тонкий» процесс: отдача основного объёма материалов осуществляется при помощи специальных бункеров, но часть элементов добавляют вручную. В первую очередь — дорогие ферросплавы, цена которых доходит до нескольких миллионов рублей за тонну, например ванадий.

Сталевары доверяют своему опыту. И не безосновательно: если человек за смену делает по 20 плавок на протяжении десятилетий, он знает процесс так хорошо, что может работать буквально с закрытыми глазами. Но работа с данными помогает обогатить накопленные знания и опыт, особенно молодым специалистам.

Чем помогает Data Science

Опираясь на большую совокупность данных, специальные программы предсказывают, каким должно быть значение по тому или иному химическому элементу. А затем рекомендуют, какой вес материалов и ферросплавов нужно отдать, чтобы получить минимум результирующей функции, в частности затраты на плавку.

На экране сталевар видит диапазон минимального и максимального содержания химических элементов, а также установленное целевое значение. Задача — наиболее точно в него попадать.

Интерфейс даёт работнику подсказки: сколько и каких ферросплавов отдать в печь-ковш. Сталевар решает, принимать или не принимать рекомендацию. После этого происходит автоматический доучёт ферросплавов, в процессе на ковше снимается химическая проба.

Команда McKinsey совместно с клиентом создала и запустила такую оптимизационную программу на крупном сталелитейном заводе. В её основе — сочетание теоретических моделей, статистической обработки больших данных и методов линейного программирования.

Как сделать производство ещё точнее

При создании моделей мы использовали подход predict-then-optimize — предсказать, а затем оптимизировать.

1: Предсказать

Работа началась с построения предиктивных моделей, в которых учитывались все параметры и ограничения, полностью характеризующие конкретную плавку, — например, материалы, отданные до и во время процесса, а также переменные: температура, кислород и другие химико-физические свойства.

За предсказание химии, которая должна получиться в итоге, отвечает прямая модель. Самая большая feature importance (важность переменной) при этом принадлежит чистому элементу, который определяет результирующую химию.

Например, если мы хотим попасть в конкретное значение по марганцу, значит, нам нужно отдать определённое количество килограммов этого марганца, который содержится в ряду материалов.

Однако связь между физико-химическими компонентами не всегда линейная. В зависимости от марки и технологического процесса для каждой отдельной плавки может отличаться даже взаимосвязь между отдачей одинаковых материалов и результирующей химией.

Мы можем отдать 100 кг марганца, но на двух, казалось бы, идентичных плавках химия по марганцу будет отличаться от целевого значения на 0,03 или на 0,07%. Этой разницы достаточно, чтобы повлиять на финальную пробу, попадание в ГОСТ или ТУ и, как следствие, объем затрат клиента.

Сергей Никулин
cтарший аналитик McKinsey

По этой причине необходимо использовать предиктивные модели, которые учитывают нелинейные связи переменных. Одной из таких моделей является модель градиентного бустинга. В нашей задаче она использует как статистические, так и термодинамические переменные и созависимости.

2: Оптимизировать

Следующий шаг — оптимизация, которая подскажет, какое количество каждого элемента нужно отдать, чтобы получить минимальную стоимость плавки и удовлетворить металлургов с точки зрения попадания в целевую химию. В модели оптимизации учитываются все компоненты и вычисляется влияние каждого материала на конкретный элемент.

В середине января мы приступили к проекту, в середине марта начали вручную тестировать модель. Проверяли ее работу на протяжении двух месяцев. К середине апреля появился бэкенд и фронтенд, который разрабатывался совместно с конечными пользователями — сталеварами.

На создание ядра модели и первый релиз проекта ушло два месяца, а на «базовый» релиз — три. Большую часть времени при этом заняли очистка данных и построение предиктивных моделей.

Игорь Высоцкий
руководитель проектов McKinsey

Предсказательная точность моделей подвергалась проверке ещё до того, как у программы появился полноценный фронтенд и бэкенд. Данные с компьютера в операторской сталевара переносились в Excel, затем запускался скрипт на Python и выдавал набор материалов и количество килограммов, которые нужно отдать в печь-ковш.

Рекомендации озвучивали сталевару. Он мог согласиться с ними или оспорить. Если сталевары говорили о проблемах с рекомендацией, модель дорабатывалась с учётом их пожеланий.

Это end-to-end-проект, в котором у нас вместе с клиентом получилось смоделировать всю «начинку» в части Data Science и пользовательскую часть предсказательной системы.

Здорово, что на производстве была хорошо развита компетенция по работе с большими данными — так бывает далеко не всегда. Когда присутствует поддержка изнутри, инициатива быстрее приживается. Приложение уже запущено, используется на каждой плавке и помогает экономить деньги.

Игорь Высоцкий
руководитель проектов McKinsey

Интересно, что эффект почти от любой цифровой инициативы на производстве проявляется ещё до написания первой строчки алгоритма. На многих заводах десятилетиями работают по одним и тем же процессам и даже не думают их пересматривать. Несмотря на то, что в этих изменениях кроется источник экономии.

Чтобы оценить потенциал и построить модели, нужно выходить в цех и общаться с непосредственными исполнителями. В результате такого общения работники смотрят на рутинные вещи, которые долгое время не менялись, под другим углом. Например, более внимательно расходуют материалы — и это ещё до того, как начинается непосредственная работа с данными. Так было и на этом проекте.

Программы для оптимизации отдачи ферросплавов пользуются на рынке высоким спросом и не являются чем-то необычным. Но вот их «приживаемость» часто невысокая. Если сталевары не доверяют алгоритмам, они вместо выгоды для бизнеса превращаются в неоправданную статью расходов.

Чтобы система гарантированно давала лучшие результаты в сравнении с текущей практикой на производстве, необходимо не просто создать модель, которая даёт точные рекомендации, но и научить людей с ней работать и правильно использовать данные.

Что в итоге

Сегодня программа полноценно работает на всех агрегатах печь-ковш в цехе, где за год выплавляется более 200 разных марок стали.

Благодаря тому, что сталевары следовали рекомендациям модели, за первые месяцы её использования получилось сэкономить несколько десятков килограмм ферросплавов на плавку. Это порядка 3-5 млн долларов в год. Значит, бизнес может ставить более высокие производственные цели.

Сейчас команда собирает с модели логи и смотрит, насколько отдача ферросплавов совпадала с рекомендациями алгоритмов по всем плавкам и сменам. Цифры и наглядность помогают вовлечь в работу с системой даже самых недоверчивых пользователей — когда они своими глазами видят пользу рекомендаций программы.

В ближайшее время модель ждут доработки и расширение набора функций. Это повысит скорость вычислений, предсказательную силу и точность. В систему будут добавляться данные, которые не собирались прежде, например вес плавок и другие переменные.

0
10 комментариев
Популярные
По порядку
Написать комментарий...

Задача не тривиальная. С одной стороны достаточно давно изученный процесс и наличие готовых математических моделей.
С другой если обучать модель на фактических данных, то самой сложной частью является не само моделирование, а подготовка данных.
Слишком много факторов и однородность данных и как следствие шум и переобучение.

1

Это ж консалтеры. Сегодня они уменьшают количество ферросплавов, экономя деньги. Завтра увеличивают количество ферросплавов, уменьшая брак/возвраты. В обоих случаях они собирают свою комиссию.

5

мне плевать. просто для меня интересный кейс. Производственные тех. процессы если бы образование позволяло, это одно из двух направлений DS, которое интересно бы было попробовать.

0

С другой если обучать модель на фактических данных, то самой сложной частью является не само моделирование, а подготовка данных.

как правило, подготовка данных является наиболее трудозатратной частью не только здесь, но и с изначально цифровыми данными. Но, конечно, согласен с тем, что в такой задаче это в разы более заметно

0

В пятиэтажках сгоны по 40 - 50 лет простояли, а ставим новые то 2 - 3 года стоят. Хороши новые технологии.

1

Спасибо за статью! По срокам вы написали, интересно из скольки человек состояла ваша команда, т.к. результаты были получены на мой взгляд очень быстро

0

Спасибо за вопрос! На подобных проектах команда обычно бывает до 10 человек.

1

Комментарий удален

о да, хорошая теперь сталь будет...

0

Последнее предложение убило статью, вес плавок - первый и базовый параметр, который должен был собираться.

0

Средний вес плавки был стандартный, колебался меньше чем на 1%, поэтому на нем модель даёт точные результаты в пределах допустимой погрешности . Получение фактического веса плавки на агрегате печь-ковше - это шаг from good to great, который запланирован в беклоге.

0
Читать все 10 комментариев
С уважением, команда интернет-магазина «Билайн»

Очень разочаровался, официальным интернет магазином Билайн. Обычный интернет магазин с радиорынка утер нос именитому коллеге!

АФК «Система» запустит в космос около 100 спутников в течение двух лет Статьи редакции

Компания планирует развивать сервис спутникового интернета.

Яндекс такси ну сколько можно обманывать людей???

Решили мы значит как юр.лицо, пересадить сотрудников на Яндекс Такси)

Взломан аккаунт VK и вместо помощи поддержки, получаешь от них блокировку

У меня нет аккаунта в VK, а у моей жены есть, точнее был. Обычный такой аккаунт , мамашки, где она админ 2 групп родкома в школе детей ( причем единственный админ и сейчас в эти группы никого не добавить и себя с нового аккаунта) и доступ в группы совместных закупок, аккаунт старый, причем аккаунт открыт только для друзей.

Глава СберМаркета Асан Курмангужин запустил подкаст Asan Talks в YouTube

В выпусках Асан берет интервью у топ-менеджеров крупных компаний и обсуждает вопросы саморазвития и лидерства

Как столярная мастерская из Рязани начала продавать товары по всему миру

И прошла путь от мебели ручной работы к деревянным игрушкам.

«Циан» запретил сдавать квартиры «только славянам»: теперь на сайте нельзя указывать расовые предпочтения Статьи редакции

Отредактировать объявления необходимо до 1 февраля 2022 года.

TikTok-блогер Yan Dilan снимет клип на песню «Детство»

Блогер, рэпер, продюсер, актер, сценарист, участник Высшей лиги КВН и сторителлер Артур Диланян, ставший популярным в социальных сетях под псевдонимом Yan Dilan, привлекает инвестиции на съемки видеоклипа на новую песню «Детство» с помощью инструмента краудлендинга.

Точка добавила вебхуки в API

Клиенты смогут получать моментальные уведомления о своём бизнесе.

OPS-инструкция для стартапа по доставке: как выжить и наладить операционку

В преддверии первой годовщины запуска сервиса гиперлокальной доставки Прямиком, который развивает наша компания, вспомнили с ребятами из операционного отдела, как всё начиналось. Андрей Резник, региональный менеджер Master Delivery, и Анатолий Голованец, старший менеджер по франчайзингу, собрали ТОП-5 советов для тех, кто сейчас в самом начале.

«СберПрайм» ввёл лимит на бесплатную доставку продуктов из «СберМаркета» — её называли выгодой для подписчиков Статьи редакции

Сервис сделал платным то, что обещал сохранить бесплатным: на сайте было указано, что подписка для пользователей «всегда бесплатная».

null