Подсказчик для металлурга
«Евраз» решил комплексно внедрять продвинутую аналитику на производстве. Промежуточные результаты обнадеживают
Цифровой трансформацией «Евраз» системно занялся в 2017 году. К нынешнему году объем данных, накопленных в процессе автоматизации производственных активов компании, стал достаточным, чтобы использовать методы Big Data для повышения эффективности технологических процессов и роста безопасности производства. Компания остановилась на пяти приоритетных технологиях, которые рекомендуется использовать в новых проектах. Это продвинутая аналитика (ПА), экспертные системы, мобильные решения, безбумажный документооборот и видеоаналитика. В 2020 году в фокусе усилий по цифровизации оказалась ПА. На рынке нет готовых «коробочных» решений, поскольку инструменты всегда разрабатываются под конкретную бизнес-задачу или проблему и требуют особенных компетенций, в том числе в области Data Science. Партнером «Евраза» по внедрению ПА стала компания The Boston Consulting Group (BCG).
Продвинутая аналитика (ПА) — это направление в цифровизации, заключающееся во внедрении решений, основанных на машинном обучении и других элементах искусственного интеллекта. Снятые с работающего оборудования данные анализируются на основе статистических моделей, на основе чего вырабатываются рекомендации по «тонкой настройке» технологических процессов с целью повышения производительности и снижения уровня брака.
ПА зарекомендовала себя как технология с хорошим и быстрым возвратом инвестиций — со сроками до одного года. К тому же она позволяет запускать проекты разного масштаба: от одного цеха или небольшого передела до всей производственной цепочки.
В рамках первой волны программы реализуется шесть проектов в трех дивизионах «Евраза». Системы-подсказчики на основе ПА будут внедряться на двух железорудных и одной угольной обогатительной фабрике, на угольном разрезе (в периметре пилота — экскаваторы, самосвалы, бульдозеры), а также в электросталеплавильном и коксохимическом производстве. В последнем случае, например, основная задача — снижение брака. Общее количество параметров, которые рассматривались для включения в инструмент цифрового подсказчика, первоначально превышало 500. После проверки статистической значимости оставили 80 параметров, которые значимо влияют на брак. Среди параметров — интенсивность продувки, температура розлива на машину непрерывного литья заготовок, вязкость и основность шлака, сульфидная емкость шлака. Отслеживать их, анализировать в режиме реального времени и подсказывать операторам оптимальные решения по настройке технологического процесса — вот задача ПА.
Каждый оператор установки управляет технологическими процессами по-своему, на основании не только нормативов, но и накопленного опыта. Единый подход отсутствует, да и вряд ли он в принципе возможен. Это, с одной стороны, открывает потенциал для творчества, но с другой — ставит эффективность производства в сильную зависимость от экспертизы сотрудников. Здесь может быть очень много вариативности и потерь.
Использование больших данных и продвинутой аналитики для управления такими процессами — это способ сократить потери. При этом право на финальное решение — соглашаться с рекомендациями системы или нет, остается за операторами. Полностью передоверить настройку технологии ИИ пока невозможно, прежде всего по причине относительно невысокого качества данных. А во-вторых, и это более важно, машинные решения плохо реагируют на нестандартные ситуации, которых раньше не было, а также на смену режимов работы оборудования.
Конечно, функционирование системы «человек—машина» сопряжено с конфликтами. У операторов неизбежно возникает вопрос: почему система может управлять процессом лучше, чем сталевар? Преодоление недоверия и скепсиса требует значительных усилий по управлению изменениями.
В среднем внедрение подобных решений в основных производственных процессах может давать от 0,5% до нескольких процентов повышения эффективности (рост производительности, рост извлечений, снижение затрат) на конкретных переделах и приносить компаниям от миллионов (в черной металлургии) до нескольких десятков миллионов долларов (в цветной металлургии). В отдельных случаях эффект от решений может доходить до десяти процентов. Но реализация этих эффектов зачастую невозможна без изменения бизнес-процессов вокруг разработанных решений.
Важно также отметить, что с ростом качества данных эффект от подобных систем повышается, что само по себе является драйвером базовой автоматизации предприятий. Кроме того, подобные решения в области коммерческой деятельности и управления цепочками поставок могут давать сопоставимый или значительно больший эффект, чем в основном производстве.
Спринты в Agile
Сейчас в «Евразе» идет «первая волна» программы. Кросс-функциональные команды, в состав которых вошли руководители и сотрудники компании и BCG, разработали и в июне этого года запустили шесть пилотных решений ПА: по два в каждом из трех ключевых дивизионов «Евраза» — «Урал», «Сибирь» и «Уголь» (см. «Кейсы»).
Agile — набор методов и практик для гибкого управления проектами. Логика agile подразумевает быстрое создание прототипа решения и итеративное достраивание функциональности и интерфейса до готового продукта. Любая разработка в Agile разбивается на короткие промежутки времени (в нашем случае две недели), называемые спринтами. Результатом каждого спринта становится видимое улучшение продукта.
Мы построили работу проектных команд в логике Agile в формате двухнедельных спринтов с конкретными результатами и улучшениями решений на каждом из них. Сама разработка состояла из трех фаз — подтверждение целесообразности, разработка пилотов, или MVP (minimum viable product — минимальной жизнеспособный продукт), и промышленных испытаний. Задача финального этапа — в условиях реального производства подтвердить работоспособность инструмента, удобство для пользователя и эффективность. Физически испытания проходили в формате выдачи инструментом рекомендаций операторам, принятия или отклонения оператором подсказки инструмента с последующим разбором, почему рекомендация была отклонена. Это позволяет дорабатывать решение в реальных производственных условиях.
Образно говоря, мы собрали машину, поставили ее на старт и начали гонку. У нее лучше двигатель, лучше обтекаемость — она должна улучшить время круга, но насколько оправдываются наши расчеты, мы поймем только после нескольких первых кругов. Ожидаемый ежегодный эффект от работы решений оценивается в сумму около 12 млн долларов.
Управление изменениями
Успешность внедрения цифровых решений лишь на 30% завязана на технологии, данные и алгоритмы, а остальные 70% зависят от людей и совершенствования бизнес-процессов. Поэтому большая часть изначальных «тонких мест» была связана с вопросами, как воспримут программу сотрудники подразделений, где внедряются пилоты, и как они будут взаимодействовать с участниками проектных команд.
Несмотря на все опасения, с самого начала программы руководители цехов оказали проектным командам большую поддержку. В предлагаемых продуктах руководство увидело возможность решения целого ряда производственных задач. Если поначалу продуктовые команды работали обособленно, то по мере продвижения к фазе промышленных испытаний увеличилось вовлечение и рядовых сотрудников. Плотная работа разработчиков с пользователями и учет их пожеланий способствовали постепенному принятию «систем-советчиков».
Программа получила мощную поддержку со стороны вице-президентов дивизионов и президента компании. Это также стало важнейшим фактором успеха.
Очень эффективными инструментами оказались демо и стендапы с участием вице-президентов. Качественная поддержка, коммуникации, внимание к проекту и вовлеченность старших руководителей привели к тому, что проектные команды работали слаженно, интенсивно и дали результат за короткий срок: в феврале мы начали отбор проектов, а в конце июня уже запустили пилоты/MVP.
Вторым крупным вызовом было развитие компетенций и обучение членов проектных команд в рамках «цифрового института». До старта проекта были разработаны целевые модели компетенций для ключевых ролей проектных команд, по которым проводилась стартовая оценка сотрудников и разрабатывались индивидуальные планы развития. На основании анализа оценки компетенций был разработан план необходимых тренингов «цифрового института», который включал в себя обучение «хард»-навыкам и развитие «софт»-навыков. Стартовой точкой было обучение команд методике Agile и технологии Data Science. Это дало разработчикам и пользователям единый язык общения. Далее была проведена серия тренингов — от экономического анализа и создания презентаций до эффективных коммуникаций в команде и структурированного мышления для решения проблем. По ходу проекта у членов команд возникал интерес и к дополнительным темам, таким как технологии self-service-аналитики, IT-инфраструктура решений. Аналитики данных прошли специально разработанный для них курс из восьми последовательных тренингов по глубинному изучению технологии Data Science; математическая статистика тоже стала не лишней. В общей сложности члены проектных команд прошли от 20 до 44 часов обучения с прохождением финального тестирования для оценки усвоения материалов.
Тренинги не единственный инструмент развития компетенций. К каждому члену команды был прикреплен ментор со стороны BCG, который осуществлял on the job training и регулярную давал обратную связь. А для ряда сотрудников были организованы серии индивидуальных сессий с профессиональным коучем. Результат не заставил себя ждать: с каждым спринтом команды чувствовали себя все более комфортно (на основании результатов еженедельного «барометра вовлеченности»), а повторная оценка компетенций показала положительную динамику по всем «западающим» на старте компетенциям.
Третьим вызовом стала разразившаяся в марте пандемия COVID-19. Нам пришлось переводить работу команд на удаленный режим. Казалось, невозможно делать все дистанционно с учетом производственной специфики проектов, однако здесь как раз очень сильно помог подход Agile, подразумевающий высокую итеративность взаимодействия. Все практики Agile были перенесены в виртуальное пространство без потери качества взаимодействия. Помогло и то, что сотрудники BCG успели провести диагностику объектов до введения ограничений и члены команд успели очно познакомиться друг с другом.
От продвинутой аналитики к масштабной программе цифровизации
Проекты «первой волны» ПА были реализованы на тех участках, где можно было быстро достичь максимального экономического эффекта, где была высокая оснащенность данными и максимальная поддержка со стороны руководства цехов.
При этом ПА — это один из возможных цифровых инструментов повышения эффективности, но не единственный. Есть и другой цифровой инструментарий. Например, «базовая аналитика» (БА), суть которой заключается в обеспечении прозрачности, правильной визуализации данных в режиме реального времени для руководителей и специалистов на разных уровнях, что позволяет резко повысить эффективность управления и качество принимаемых решений — даже если не будут задействованы системы на основе машинного обучения, математических моделей и других сложных алгоритмов. Собственно, проект создания дашбордов на разрезе «Распадский», по сути, относится к базовой аналитике, при этом он дает и непосредственный экономический эффект, поскольку позволяет в режиме реального времени выявлять отклонения и оперативно реагировать на них.
В «Евразе» думают над тем, чтобы расширить рамки программы и задействовать более широкий цифровой инструментарий. При этом компания планирует очень быстро двигаться в этом процессе, и основным вызовом, безусловно, станет увеличение масштаба цифровой трансформации и амбициозная цель в достижении экономического эффекта. Для этого потребуется обучение большого количества сотрудников цифровым навыкам и их знакомство с миром цифровых технологий в сжатые сроки. Но в компании нет сомнений, что и с этим вызовом удастся справиться.
Продвинутая аналитика (ПА) — это направление в цифровизации, заключающееся во внедрении решений, основанных на машинном обучении и других элементах искусственного интеллекта. Снятые с работающего оборудования данные анализируются на основе статистических моделей, на основе чего вырабатываются рекомендации по «тонкой настройке» технологических процессов с целью повышения производительности и снижения уровня брака.
Agile — набор методов и практик для гибкого управления проектами. Логика agile подразумевает быстрое создание прототипа решения и итеративном достраивании функциональности и интерфейса до готового продукта. Любая разработка в Agile разбивается на короткие промежутки времени (в нашем случае две недели), называемые спринтами. Результатом каждого спринта становится видимое улучшение продукта.
Кейсы
Дивизион «Урал»
Динамическое управление обогащением на Евраз КГОКе. Проект реализуется в цехе обогащения Качканарского ГОКа. Цель внедрения цифрового решения — стабилизация качества готовой продукции комбината (железорудного концентрата) и максимизация производительности. Цифровая система собирает данные о характеристиках поступающих с разных карьеров руд и определяет оптимальные пропорции смешивания и параметры работы обогатительной фабрики. Система развернута во всех пультах управления фабрикой. Команда рассчитывает поднять производительность секций на 3%.
Система оптимизации шихтования на коксохимическом производстве Евраз Нижнетагильского металлургического комбината. У Евраз НТМК накоплен значительный опыт подбора компонентов угольных шихт (смеси угольных концентратов различных марок, используемых при плавке металла). Но до сих пор используются довольно простые механизмы расчета шихтовочных листов с минимальным использованием информационных технологий: расчет характеристик шихты проводится вручную в формате Excel. В результате принятие решения основывается в большей степени на экспертном мнении технолога и ограниченном объеме расчетных показателей качества, без прямого учета цен на угли для управления себестоимостью.
Разработанная система поможет лучше использовать собственные угли «Евраза», поскольку комбинат целенаправленно увеличивает их долю в шихте (с 48% на середину 2018 года до 90% к концу апреля 2020-го). Система позволяет на основании данных за последние три года формировать шихту с максимальной долей собственных углей при сохранении качественных характеристик кокса.
Дивизион «Сибирь»
Оптимизация режимов внепечной обработки и разливки стали в электросталеплавильном цехе Евраз ЗСМК. Электросталеплавильный цех Западно-Сибирского металлургического комбината в Новокузнецке производит стальные заготовки для рельсового проката, в том числе для 100-метровых рельсов, которые «Евраз» начал производить первым в России. Снижение уровня неметаллических включений в стали — сложная, давно изучаемая металлургами задача. Всего было выявлено около 80 параметров процесса, влияющих на брак. Цифровая система, учитывая взаимосвязи между этими параметрами, дает подсказки по основным управленческим воздействиям на двух основных переделах электросталеплавильного производства — агрегате комплексной обработки стали и вакууматоре. Речь идет о соблюдении определенных параметров сырья и температурного режима для процессов.
Получилась комбинация из трех советчиков. По сути, мы обрабатываем данные с нескольких агрегатов и анализируем всю цепочку до создания конечного продукта, поскольку проблемы, которые проявляются в конце, могут возникнуть на одном из предыдущих этапов. Например, проблема может быть в недостаточном вакуумировании стали, а не в настройках МНЛЗ, которая задействована на последнем этапе выпуска рельсовой заготовки
Динамическое управление обогащением на Абагурской обогатительной фабрике. Цель проекта — без существенных инвестиций увеличить объемы производства. Пилотный проект нацелен на увеличение объема выпуска вторичного концентрата за счет сокращения потерь в хвостах обогащения — для этого нужно оптимизировать процесс работы шаровых мельниц на фабрике. Система подсказывает аппаратчикам мельниц оптимальные управляющие воздействия. Уже на текущем этапе получено значительное сокращение потерь железа в хвостах обогащения за счет применения подсказчика.
Дивизион «Уголь»
Динамическое управление обогащением на ОФ «Распадская». Позволяет оперативно получать информацию об отклонениях в технологическом процессе и быстро реагировать на них. На втором этапе система будет подсказывать, какие управляющие воздействия помогут повысить выход и качество продукции.
Продвинутая аналитика для центра управления операциями разреза «Распадский». Существующая на разрезе система диспетчеризации «АСД-карьер» позволяет получать оперативные данные о производстве: объемы вскрыши, перевозимый груз, расстояние от экскаватора до отвала. С ее помощью горный диспетчер отслеживает потери, организует производственный процесс, подключает ответственных сотрудников. Однако система не позволяет отображать все ключевые параметры для управления разрезом и управлять многими потерями в режиме реального времени.
Пилотный проект ПА на разрезе заключается в создании информационных панелей, или дашбордов, которые позволяют за счет качественной аналитики и удобного представления информации принимать решения в режиме реального времени для сокращения потерь в производственном процессе. В результате за счет использования системы удалось уменьшить простои, увеличить коэффициент использования оборудования.
Передовики ПА в горно-металлургической индустрии
Горно-металлургическая промышленность во всем мире делает лишь первые шаги в области продвинутой аналитики. Однако уже сейчас на глобальном уровне есть ряд компаний, которые занимаются ПА системно со значительными результатами.
Так, международная горнодобывающая компания Rio Tinto сделала ставку на извлечение ценности из данных, создала достаточно крупное подразделение по разработке решений ПА и сейчас активно развивает это направление. Работа с данными, с применением средств как продвинутой, так и базовой аналитики лежит в основе функционирования удаленного центра управления операциями в компании.
Сталелитейная компания Tata Steel сделала решения ПА частью комплексной операционной трансформации. Сейчас в компании функционирует большое количество решений ПА по всей цепочке. При этом в азиатских подразделениях компании ставка была сделана на решения для производственных процессов, в то время как в Европе компания сделала упор на внедрение таких решений в цепочке поставок. К 2018 году программа трансформации принесла не менее 1,2 млрд долларов чистой прибыли (в реальном выражении, по данным годовых отчетов), а итоговые показатели программы цифровизации превзошли изначально поставленную цель на 20%. В июле компания объявила о планах запустить новую волну цифровизации до 2025 года с ожидаемым эффектом 2 млрд долларов чистой прибыли.
Канадская горно-металлургическая компания Teck Resources активно внедряет комплекс решений ПА в горной добыче, реализуя принципы геометаллургии (повышение эффективности обогатительных процессов на основании глубокого понимания характеристик руды). В компании внедряются системы, помогающие оптимизировать различные этапы процесса, такие как оптимизация буровзрывных работ, транспортировка руды, складирование, дробление, измельчение и флотация.
* Вице-президент «Евраза» по ИТ.
** Партнер, управляющий директор The Boston Consulting Group в России.
Хочешь стать одним из более 100 000 пользователей, кто регулярно использует kiozk для получения новых знаний?
Не упусти главного с нашим telegram-каналом: https://kiozk.ru/s/voyrl