Алексей Сергеевич Леонтьев, аспирант кафедры прикладных информационных технологий и программирования
Россия, 654007, Кемеровская обл. – Кузбасс, Новокузнецк, ул. Кирова, 42
Aleksei S. Leont’ev, Postgraduate of the Chair of Applied Information Technologies and Programming
42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass 654007, Russian Federation
Инна Анатольевна Рыбенко, д.т.н., доцент, заведующий кафедрой прикладных информационных технологий и программирования
Россия, 654007, Кемеровская обл. – Кузбасс, Новокузнецк, ул. Кирова, 42
Inna A. Rybenko, Dr. Sci. (Eng.), Assist. Prof., Head of the Chair of Applied Information Technologies and Programming
42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass 654007, Russian Federation
В 2020 г. на АО «ЕВРАЗ Объединенный Западно-Сибирский металлургический комбинат» (АО «ЕВРАЗ ЗСМК») была завершена работа по созданию системы математического моделирования для всех переделов металлургического комбината. В процессе тестирования системы была обнаружена высокая погрешность существующей факторной модели прогнозирования производства агломерата, которая разрабатывалась с учетом удельной скорости спекания отдельных концентратов. В работе предлагается использование линейной регрессии для прогнозирования производительности агломашин, которая в отличие от нелинейных методов оптимальна для встраивания в высокопроизводительные системы оптимизации. Особенностью работы является прогнозирование с учетом долей шихты агломерации. Модель была опробована на АО «ЕВРАЗ ЗСМК» и показала достаточную точность (R2 > 90). От модели ожидается большой экономический эффект. Отдельно проведено исследование существующих систем прогнозирования качества агломерата. Методы машинного обучения (ML) в последнее время внесли большой вклад в развитие моделей прогнозирования, используемых для оценки качества агломерата. Это связано с тем, что процесс спекания ‒ очень сложная динамика с нелинейностью и большим запаздыванием. Физико-химические явления, вовлеченные в этот процесс, сложны и многочисленны. Нейронная сеть может постоянно корректировать параметры модели, чтобы отразить изменение системных причин. Для прогнозирования качества агломерата используется линейный метод. Из-за низкого качества полученной линейной модели применяется метод машинного обучения «случайный лес». В настоящее время модель эксплуатируется в составе программы комплексной оптимизации всего комбината СММ «Прогноз». Для удобства пользователя при внедрении модуля была добавлена визуализация качества модели с использованием исторических данных, а также полученные статистические метрики.
In 2020, EVRAZ United West Siberian Metallurgical Combine JSC (EVRAZ ZSMK JSC) completed work on the creation of a mathematical modeling system for all processing units of the metallurgical plant. During testing of the system, a high error was found in the existing factor model for predicting agglomerate production, which was developed taking into account the specific sintering rate of individual concentrates. The paper proposes the use of linear regression to predict the productivity of sintering machines, which, unlike nonlinear methods, is optimal for integration into high-performance optimization systems. A feature of the work is forecasting, taking into account the proportion of the agglomeration charge. The model was tested at EVRAZ ZSMK JSC and showed sufficient accuracy (R2 > 90). A large economic effect is expected from the model. A separate study of existing agglomerate quality forecasting systems was conducted. Machine learning (ML) methods have recently made a great contribution to the development of forecasting models used to assess the quality of the agglomerate. This is due to the fact that the sintering process is a very complex dynamic with non‒linearity and a large delay. The physico-chemical phenomena involved in this process are complex and numerous. The neural network can constantly adjust the parameters of the model to reflect changes in systemic causes. A linear method was also studied to predict the agglomerate quality. Due to the poor quality of the resulting linear model, the “random forest” machine learning method was applied. Currently, the model is being operated as part of the integrated optimization program SMM Prognoz for the entire plant. For the convenience of the user, when implementing the module, visualization of the model quality using historical data was added, as well as the statistical metrics obtained.
The authors declare that there are no conflicts of interest present.