У крупнейших металлургических холдингов страны — «Северстали», НЛМК, ММК, ЕВРАЗа — давно есть собственные команды по работе с данными, а счёт моделей в промышленной эксплуатации идёт на десятки. Это не эксперименты «для галочки»: непрерывное производство с тысячами датчиков и дорогой ценой ошибки — идеальная среда для машинного обучения.
Почему металлургия впереди других отраслей
Металлургический передел устроен так, что эффект от оптимизации легко посчитать. Плавка, прокат, термообработка — процессы непрерывные, оснащённые датчиками и жёстко регламентированные. Если модель помогает сократить расход дорогих добавок или снизить долю брака хотя бы на доли процента, при объёмах комбината это превращается в ощутимые деньги. Именно поэтому металлурги одними из первых в России перешли от пилотов к тиражированию ИИ.
Какие задачи решает ИИ на комбинате
- Машинное зрение на прокате. Камеры и нейросети находят дефекты поверхности листа и заготовки на скорости, недоступной человеку, и классифицируют их по типам.
- Оптимизация дорогих добавок. Модели рекомендуют дозировку ферросплавов при выплавке стали так, чтобы попасть в марку с минимальным запасом «на всякий случай».
- Прогноз параметров процесса. Химия чугуна и стали прогнозируется до получения лабораторных проб — оператор корректирует режим заранее, а не постфактум.
- Предиктивное обслуживание. Анализ вибрации, токов и температуры подсказывает, какой узел прокатного стана выйдет из строя, до аварийной остановки.
- Советчики оператора. Рекомендательные системы подсказывают технологу оптимальный режим на основе истории тысяч плавок.
Магнитогорский металлургический комбинат одним из первых в отрасли внедрил ML-сервис, который рекомендует дозировку ферросплавов при выплавке стали. Модель учитывает состав шихты и целевую марку — и позволяет не «перезакладывать» дорогие добавки. Кейс публично описан и стал хрестоматийным примером промышленного ИИ в России.
На площадках ЕВРАЗа машинное обучение применяли для прогноза содержания кремния в чугуне — параметра, от которого зависит стабильность доменного процесса. Прогноз позволяет корректировать режим печи заранее.
«Северсталь» развивает собственное направление data science: модели управления качеством проката, рекомендательные системы для операторов и предиктивная аналитика оборудования на Череповецком комбинате.
Барьеры внедрения
Главные сложности — не в алгоритмах. Это интеграция с устаревшими АСУ ТП, качество и разметка исторических данных, а также доверие технологов: советчик, которому не верят операторы, не приносит эффекта. Поэтому рабочие проекты начинаются с одного узкого процесса, где эффект измерим, а не с «цифровизации всего завода».
Что ещё здесь может сделать ИИ: оценка потенциала
Помимо того, что уже работает, мы оценили направления, где металлургический комбинат мог бы получить эффект от ИИ в ближайшие годы. Шкала — пятибалльная: балл отражает зрелость технологии и типичную отдачу для отрасли.
Советчик режима плавки и проката
потенциал 5/5История тысяч плавок уже лежит в АСУ ТП — на ней обучается модель, которая рекомендует дозировки добавок и температурные режимы. Эффект считается по каждой плавке, поэтому такие проекты проще всего обосновать экономически.
Машинное зрение дефектов поверхности
потенциал 5/5Камеры на линии видят дефекты на скорости, недоступной контролёру, и не устают к концу смены. Ранняя отбраковка означает, что дефектный металл не проходит дорогие последующие переделы.
Предиктивное обслуживание станов
потенциал 4/5Вибрация, токи и температуры подшипников и редукторов накапливаются годами — модель превращает их в прогноз отказа и перечень узлов для ближайшего планового окна вместо аварийной остановки.
Оптимизация энергопотребления печей
потенциал 4/5Модель теплового баланса подсказывает режим нагрева под конкретный сортамент: печи — один из главных потребителей энергии комбината, и даже проценты экономии здесь ощутимы.
Важная оговорка: выше — экспертная оценка потенциала, а не перечень внедрённых систем. Баллы отражают сочетание зрелости технологии и типичного эффекта в отрасли; реальный приоритет для конкретного предприятия определяется состоянием данных, экономикой передела и готовностью команды. Но каждое направление опирается на подходы, уже доказавшие себя на российских производствах.
Интересный расчёт
Сколько стоит брак — и что даст его снижение
// интерактивный модельный расчёт — подставьте свои цифры
Расчёт иллюстрирует порядок величин и не является обещанием эффекта: реальный результат зависит от данных и процесса конкретного предприятия.
Частые вопросы
Заменит ли ИИ технолога или оператора?
Нет. Практически все промышленные модели работают в рекомендательном контуре: решение остаётся за человеком. ИИ убирает рутинный перебор вариантов и даёт прогноз раньше, чем придут данные лаборатории.
С чего начать заводу, у которого нет data-команды?
С одного процесса, где есть данные и измеримая цель: расход добавок, доля брака, простои конкретного агрегата. Такой пилот можно сделать с внешней командой — важно лишь назначить внутреннего владельца процесса.
Сколько данных нужно для первой модели?
Обычно достаточно истории процесса за несколько месяцев или лет из существующих систем (АСУ ТП, MES, LIMS). Отдельно «копить данные годами» перед стартом чаще всего не требуется.