Алексей Валерьевич Зимин, д.т.н., доцент, заведующий кафедрой автоматизации и информационных систем
Россия, 654007, Кемеровская область – Кузбасс, Новокузнецк, ул. Кирова, 42
Aleksei V. Zimin, Dr. Sci. (Eng.), Assist. Prof., Head of the Chair of Automation and Information Systems
42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass 654007, Russian Federation
Мария Евгеньевна Корнет, старший преподаватель кафедры инженерной кибернетики
Россия, 119049, Москва, Ленинский пр., 4
Maria E. Kornet, Senior Lecturer of the Chair of Engineering Cybernetics
4 Leninskyii Ave., Moscow 119049, Russian Federation
Ирина Владимировна Буркова, д.т.н., доцент, ведущий научный сотрудник
Россия, 117997, Москва, ул. Профсоюзная, 65
Irina V. Burkova, Dr. Sci. (Eng.), Assist. Prof., Leading Researcher
65 Profsoyuznaya Str., Moscow 117997, Russian Federation
Валерий Викторович Зимин, д.т.н., профессор кафедры автоматизации и информационных систем
Россия, 654007, Кемеровская область – Кузбасс, Новокузнецк, ул. Кирова, 42
Valerii V. Zimin, Dr. Sci. (Eng.), Prof. of the Chair of Automation and Information Systems
42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass 654007, Russian Federation
На примере формализованного описания работы конвертерного производства АО «ЕВРАЗ Объединенный Западно-Сибирский металлургический комбинат» в составе двух конвертерных цехов с двумя и тремя агрегатами показано, что вопросы планирования объемов производства и ремонтов металлургических агрегатов, построения сквозных графиков работы агрегатов являются сложными и многофакторными задачами, которые характеризуются дискретностью и нелинейностью описывающих их функционалов. Формализация задач оптимизации производственных процессов с заданными ограничениями и критериями показала, что особенности исследуемого процесса функционирования конвертерного производства делают практически невозможными построение и использование аналитических решений. Выбранный авторами подход к решению (с учетом указанных обстоятельств) базируется на использовании цифровой дискретно-событийной имитационной модели. Такая имитационная модель представляет собой цифровую копию исследуемого процесса функционирования конвертерного производства, отражает его структуру, производительность, техническое состояние и такие параметры, как длительность кампании конвертеров, длительность ремонтных периодов и др. Модель использует различные механизмы управления для решения задач распределения входного потока чугуна между конвертерными цехами, формирования календарных графиков работы отдельных конвертеров и их ремонтов; накапливает информацию в ходе производственного процесса для целей оптимизации и прогнозирования результатов процесса функционирования; позволяет собирать данные о процессе функционирования конвертерного производства и использовать инструменты предиктивной аналитики для планирования ремонтов; предоставляет данные, которые невозможно получить непосредственно на физическом объекте и которые могут быть использованы для оптимизации параметров системы; формирует наборы данных для визуализации отдельных результатов процесса функционирования.
Using the example of formalized description of the converter production at JSC EVRAZ United West Siberian Metallurgical Plant consisting of two converter shops with two and three units, it is shown that the issues of planning production volumes and repairs of metallurgical units, building end-to-end schedules of units are complex and multifactorial tasks characterized by the discreteness and non-linearity of the functions describing them. The formalization of the tasks of optimizing production processes with specified constraints and criteria showed that features of the studied process of converter production make it almost impossible to build and use analytical solutions. The approach chosen by the authors to the solution (taking into account these circumstances) is based on the use of a digital discrete event simulation model. Such a model is a digital copy of the investigated process of converter production, reflects its structure, performance, technical condition and parameters: duration of converter campaign, duration of repair periods, etc. The model uses various control mechanisms to solve the problems of distributing the input flow of cast iron between converter shops, forming schedules for the operation of individual converters and their repairs, accumulates information as it functions for the purpose of optimizing and predicting the results of the operation process. It allows one to collect data on the operation of converter production and use predictive analytics tools to plan repairs, provides data that cannot be obtained directly on a physical object and which can be used to optimize system parameters, and generates datasets for visualizing individual results of the operation process.
The authors declare that there are no conflicts of interest present.