Северсталь повышает надежность работы стана 5000 с помощью машинного обучения

На стане 5000 колпинской площадки Череповецкого металлургического комбината внедрили модель машинного обучения, которая помогает заранее отлавливать опасные режимы работы и тем самым снижать риск аварийных простоев из-за отказов электродвигателей. Решение разрабатывали совместно специалисты Северсталь Диджитал, «Северсталь-инфокома», технологи листопрокатного цеха и эксперты центра технологического развития трубного производства.

Сам процесс прокатки на стане идёт в горизонтальной реверсивной клети кварто «5000». За её работу отвечают два мощных электродвигателя, и для них критически важно правильно рассчитывать моментную нагрузку. Крутящий момент — это, по сути, мера того, какое вращательное усилие развивает двигатель и какую нагрузку он способен «прокрутить» при заданной скорости. Чем выше момент, тем тяжелее режим. Но у этого есть обратная сторона: при выходе на критические значения резко возрастает риск повреждения валопроводов главного привода, а это уже прямой путь к остановке клети и простою всего агрегата. Раньше настройки во многом зависели от опыта оператора, что не всегда давало оптимальный результат. Теперь расчёт момента силы берёт на себя алгоритм машинного обучения.

Схема работы выглядит так: перед началом прокатки оператор на пульте задаёт параметры деформационного режима и запускает расчёт. Программа определяет зазоры и обжатия по проходам, после чего эти данные вместе с параметрами режима передаются в модель. На выходе оператор видит прогноз среднего и максимального крутящего момента электродвигателей, выраженный в кН·м и подсвеченный цветом. Если расчётный момент приближается к опасной зоне, значение выделяется жёлтым или красным. Это сигнал, что текущий режим может привести к повреждению оборудования. В таком случае параметры деформации корректируются, либо применяются дополнительные меры для снижения нагрузок уже в реальной прокатке.

Для прогнозирования использовали модель градиентного бустинга, причём отдельно обучались модели под чистовые и черновые проходы. Обучение велось на массиве данных по фактическим прокатам, что позволило учесть реальные режимы работы оборудования, а не абстрактные расчётные сценарии.

По словам директора Северсталь Диджитал Светланы Потаповой, внедрённое решение гибко подстраивается под меняющиеся нагрузки, повышает энергоэффективность и снижает износ оборудования. Уже в первом полугодии использование модели позволило сократить аварийные простои стана 5000 на 3,9 часа, что дало экономический эффект в 4,53 млн рублей. При этом интерфейс системы сделан максимально привычным для операторов, без лишней «цифровой экзотики», что для промышленной эксплуатации не менее важно, чем сами алгоритмы.