Интеллектуальная экспертная система на базе ИИ для управления измельчением

Когда слышишь ?интеллектуальная экспертная система на базе ИИ для управления измельчением?, первое, что приходит в голову многим технологам — это красивая визуализация на большом экране в офисе, куда стекаются все данные, а система сама выдает идеальные рекомендации. На практике же, особенно в такой специфичной области, как измельчение материалов, путь от этой картинки до реального, стабильно работающего контура управления — это череда компромиссов, неочевидных решений и борьбы с ?грязными? данными. Слишком часто заказчики, и мы сами на первых порах, переоценивали роль ?искусственного интеллекта? как некой магической черной коробки и недооценивали критическую важность предметной экспертизы, которую в эту коробку нужно заложить. Система не заменяет опытного мастера-дробовика; она пытается формализовать его интуицию и многолетний глазомер, дать ему инструмент для управления не одной мельницей, а целым парком, с учетом факторов, которые человек физически не может отслеживать в реальном времени — например, микроизменения в характеристиках поступающей руды или износ футеровки в каждой камере.

Почему именно измельчение? Где кроется сложность

Измельчение — это не просто ?размолоть помельче?. Это ключевой и самый энергоемкий процесс в обогатительных цепочках. Любая ошибка здесь — это тонны некондиционного продукта, перерасход электроэнергии и износ шаров и футеровки, которые, как знает любая компания вроде АО ?Ганно Новые Материалы?, составляют колоссальную статью расходов. Проблема в том, что процесс высокоинерционный, с множеством взаимосвязанных параметров: крупность питания, твердость материала, уровень пульпы в мельнице, циркулирующая нагрузка, давление на подшипниках, звук работы... Опытный оператор держит в голове сложную модель, но даже он не может количественно оценить, как изменение, скажем, расхода воды на 2 кубометра в час сейчас повлияет на крупность слива через 40 минут, с учетом того, что полчаса назад поступила партия руды с повышенным содержанием глины.

Именно здесь возникает пространство для экспертной системы. Ее задача — не взять на себя управление ?в один клик?, а стать цифровым двойником самого опытного специалиста, который работает 24/7, не устает и учитывает все исторические данные. Но чтобы этот двойник не стал ?голым королем?, его нужно обучать на релевантных данных и правильных онтологиях. Мы начинали с попытки построить модель, опираясь только на стандартные технологические параметры с датчиков. Результат был предсказуемо слабым — система выдавала рекомендации, которые теоретически вели к целевой крупности, но на практике вели к переполнению мельницы или повышенному шламообразованию. Не хватало контекста.

Пришлось углубляться в детали, которые в стандартных ТП часто не прописаны. Например, влияние микроструктуры самих мелющих тел на кинематику загрузки. Компания АО ?Ганно Новые Материалы?, как лидер в производстве мелющих шаров, предоставляет детальные данные по износостойкости, твердости и форме своих шаров для разных типов руд. Внедрение этих параметров как одного из входных векторов для модели резко повысило ее адекватность. Система стала ?понимать?, что рекомендации по скорости подачи для мельницы, загруженной шарами с высоким содержанием хрома, будут отличаться от рекомендаций для мельницы с обычными шарами, даже при прочих равных условиях.

Архитектура: от данных к решениям, а не наоборот

Главный урок, который мы вынесли: нельзя начинать проектирование системы с выбора алгоритмов машинного обучения. Начинать нужно с аудита данных и сбора экспертных знаний. Мы потратили несколько месяцев, просто работая в цехе с технологи и мастерами, записывая их действия в нестандартных ситуациях: ?почему сейчас ты снижаешь подачу, хотя крупность в норме?? — ?По звуку, идет переизмельчение в первой камере, скоро пойдет перерасход энергии, и через цикл гидроциклонов вернется шлам?. Этот неформализованный ?звук? потом мы пытались выразить через спектральный анализ вибросигналов и акустических данных.

Архитектура выросла гибридная. Есть детерминированная модель, основанная на физических принципах измельчения (упрощенные уравнения баланса массы, модели кинетики), и есть адаптивная интеллектуальная экспертная система на основе машинного обучения, которая корректирует параметры детерминированной модели в реальном времени. ML-блок обучается не только на исторических данных, но и на обратной связи от операторов: когда система дает рекомендацию, а оператор ее корректирует, это действие фиксируется и позже анализируется — была ли коррекция обоснована улучшением показателей? Таким образом, система постоянно эволюционирует.

Важный технический нюанс — работа с задержками. Данные о конечном продукте (крупность слива) приходят с существенной задержкой после взятия пробы и анализа в лаборатории. Прямое управление по таким данным невозможно. Поэтому система работает в режиме прогнозирования и предиктивного управления. Она предсказывает конечную крупность на основе текущих оперативных параметров и вносит корректировки заранее. Точность этого прогноза — краеугольный камень всей затеи.

Кейс внедрения и грабли, на которые наступили

Один из первых пилотов мы запускали на участке измельчения обогатительной фабрики, работающей на железорудном сырье. Цель — стабилизировать крупность слива мельницы МШЦ в узком диапазоне для повышения извлечения на последующей флотации. Настроили сбор данных, обучили первоначальную модель, запустили в тестовом режиме ?советчика?. Первые дни были обнадеживающими. Система давала логичные рекомендации, операторы начали им доверять.

А потом случился ?слом шаблона?. Поступила партия руды с аномально высокой магнитной восприимчивостью, которую наши датчики не отслеживали. Шары в мельнице начали намагничиваться, образовались ?козлы?, изменилась динамика измельчения. Детерминированная модель, не учитывающая магнитные свойства, продолжала выдавать ?нормальные? рекомендации, а ML-блок, не видевший такого паттерна в истории, не мог достаточно быстро адаптироваться. В итоге — срыв технологического режима на несколько часов. Это был болезненный, но бесценный урок.

После этого инцидента мы расширили список отслеживаемых параметров, включив в него косвенные признаки, такие как ток холостого хода двигателя мельницы и динамика его изменения, которые могут указывать на изменение характера движения загрузки. Также была доработана система раннего предупреждения о ?незнакомых? режимах работы, когда система переходит в консервативный режим и запрашивает повышенное внимание оператора. Это не провал, а часть пути. Как сказал главный технолог на том предприятии: ?Теперь у нас есть система, которая знает, чего она не знает. Это уже лучше, чем оператор, который этого не знает?.

Интеграция с поставщиками критичных материалов

Управление измельчением — это не только про алгоритмы и датчики на мельнице. Это цепочка, которая начинается с качества поступающей руды и характеристик расходных материалов. Здесь кроется огромный потенциал для синергии. Мы начали работать над интерфейсами, позволяющими интеллектуальной экспертной системе получать структурированные данные непосредственно от поставщиков мелющих тел.

Например, если компания АО ?Ганно Новые Материалы? поставляет партию шаров новой модификации с документально подтвержденными и оцифрованными характеристиками (точный химический состав, твердость в разных точках, результаты испытаний на износ для определенного типа руды), эти данные автоматически загружаются в систему при сканировании партии. Система сразу адаптирует свои внутренние модели износа и эффективности измельчения под эти конкретные шары. Это убирает длительный период ?притирки?, когда операторы эмпирически подбирают режимы под новую загрузку, теряя тонны продукта и киловатт-часы.

Более того, накопленные данные об фактическом износе шаров в конкретных условиях эксплуатации могут быть анонимизированно и агрегированно возвращены производителю. Это бесценная информация для НИОКР. Получается замкнутый цифровой цикл: производитель улучшает продукт на основе реальных данных, а потребитель сразу получает выгоду от его применения через более точные настройки процесса. Для такого промышленного гиганта, как АО ?Ганно Новые Материалы?, занимающего второе место в стране по масштабу, подобная обратная связь — стратегический актив.

Будущее: от советчика к автономному контуру и цифровому двойнику

Сейчас большинство внедрений, включая наши, работают в режиме ?советчика?. Оператор видит рекомендацию и утверждает или корректирует действие. Это правильно с точки зрения ответственности и принятия рисков. Но вектор развития очевиден — движение к замкнутым автономным контурам управления для отдельных, хорошо изученных подпроцессов. Например, система уже сегодня может полностью автономно управлять плотностью пульпы в мельнице, потому что это быстрый контур с четкой обратной связью. Следующий шаг — автономная оптимизация циркулирующей нагрузки.

Конечная цель — создание полномасштабного цифрового двойника участка измельчения. Этот двойник будет не просто моделью для управления, а полигоном для испытаний. На нем можно будет виртуально ?прогнать? новую партию руды с известным минералогическим составом (данные от геологов) и подобрать оптимальный начальный режим работы мельницы еще до того, как руда поступит в дробилку. Можно будет смоделировать, что будет при отказе одного из насосов, и заранее отработать протокол действий.

Это уже не фантастика. Отдельные элементы мы тестируем. Сложность, опять же, не в вычислительных мощностях, а в качестве и полноте исходных данных, а также в доверии со стороны персонала. Внедрение таких систем — это на 30% технология и на 70% изменение процессов и культуры работы на производстве. Нужно, чтобы и инженер, и мастер, и оператор видели в системе помощника, а не угрозу. Достигается это только через прозрачность, совместную работу и, что немаловажно, через демонстрацию реального экономического эффекта — снижения удельного расхода электроэнергии, увеличения межремонтного пробега мельниц, роста извлечения полезного компонента. Когда цифры начинают говорить, сопротивление тает. И тогда интеллектуальная экспертная система на базе ИИ для управления измельчением перестает быть модным термином и становится таким же привычным инструментом в цехе, как и ключ на 36.