Украинские промышленники пока с опаской смотрят на диджитализацию. Тем не менее, в стране есть успешные кейсы внедрения машинного обучения.
О том, что ожидает украинскую промышленность в ближайшие годы, как её изменят новые технологии и как научить машины «правильно думать», журналисты InternetUA поговорили с директором департамента предоставления ИТ-услуг компании Metinvest Digital, Сергеем Федчуном.
– Как вы считаете, насколько украинская промышленность сегодня зависит от ІТ-специалистов?
– Если речь идет о тяжелой промышленности – пока мало, но с каждым годом эта зависимость возрастает. Наметилась устойчивая тенденция, и все больше предприятий начинают понимать выгоду ИТ для бизнеса. Когда мы говорим о диджитализации производства, некоторые производственники пока опасаются потери рабочих мест и не представляют своё будущее в совместной работе с коллегами-роботами. Однако такие опасения совершенно беспочвенны, тем более для предприятий Украины.
Считаю, что основной, системной проблемой предприятий Украины является частичная автоматизация и эксплуатация локальных средств автоматизации, которые не используют единую интеграционную платформу. Эти системы охватывают минимум технологических параметров и разобщены, как итог — предприятия не получают возможный синергетический эффект от интеграции систем и использования новейших технологий.
Автоматизация производствa позволяет нашей компании облегчить труд горняков и металлургов и сделать его более интеллектуальным и безопасным. Возможности цифровой трансформации могут стать для металлургов такой точкой роста, когда классические инструменты эффективности себя практически исчерпали. Основными факторами этого роста являются: внедрение интегрированных платформ, удаленный контроль и управление оборудованием, роботизация, глубокая аналитика данных и предиктивные инструменты.
– Как вы считаете, насколько украинская промышленность нуждается во внедрении технологий Интернета вещей?
– Нуждается. Особенно те компании, которые строят современные технологические объекты. IоT – новый подход в построении систем автоматизации. Этот подход является новым прежде всего в отношении к сбору и использованию информации: теперь данные используются не только для управления технологическим процессом, а ещё и для аналитики и последующего прогнозирования. Благодаря Интернету вещей организации могут значительно улучшить эффективность, экономя при этом время и ресурсы – это мы испытали и на своей компании, начав пользоваться инструментами машинного обучения.
Например, устанавливая датчики на промышленное оборудование, можно получать достоверную и актуальную информацию об их работе, используя ее для прогноза аварий, контроля и планирования ремонтов. При помощи таких устройств на производстве можно предотвратить сбои и спрогнозировать повышенные нагрузки, особенно, с учетом изношенности оборудования большинства предприятий на постсоветском пространстве. Затраты на внедрение Интернета вещей – долгосрочные стратегические инвестиции для бизнеса.
– Оцените темпы внедрения Интернета вещей в украинскую промышленность.
– Сегодня на предприятиях во всем мире активно внедряются технологии интернета вещей (IoT), но в Украине дела обстоят немного иначе. Согласно исследованию Microsoft, в Украине только 2% компаний используют технологию IoT, а 47% до сих пор не внедрили ее в свое производство. Более половины предприятий (51%) не знают о такой технологии.
– Вас знают как эксперта в области машинного обучения. Каким образом машинное обучение применяется в украинской металлургии?
– Сейчас мы переживаем "революцию данных", драйвером которой стало машинное обучение. Эта технология влияет на нашу работу больше, чем любая другая со времен появления Интернета.
Цель машинного обучения — предсказать результат по входным данным. Чем полнее и достовернее входные данные, тем проще машине найти закономерности и тем точнее результат. С машинного обучения начинается искусственный интеллект. Научить машины думать правильно и с пользой для бизнеса – цель машинного обучения. И решают эту задачу люди. Путём анализа, подготовки и составления правильных алгоритмов, зависимостей, а потом, и подготовки точных моделей прогноза. Мы пока учимся строить свои модели, используя для этого, в том числе опыт наших партнёров и анализируя накопленные за долгие годы данные.
– Поделитесь практическим кейсом о том, как машинное обучение и Интернет вещей помогает промышленности работать лучше и эффективней.
Прогнозирование потребления газа на комбинате Запорожсталь с применение алгоритмов машинного обучения
Сервис прогнозирования потребления газа на печах отжига металла «Эбнер» (цех холодного проката №1) и сталеплавильных печах.
Металлургические заводы Группы Метинвест являются крупными потребителями природного газа. В марте 2019 года вступают в силу изменения в Кодексе газотранспортной системы Украины, обязывающие предприятия планировать свое газопотребление на ежесуточной основе с целью сокращения своих издержек по плате за суточный небаланс, то есть разницы заказанного объема подачи природного газа в ГТС и его отбора из ГТС. При низком качестве планирования (перебора или недобора объема свыше 10%) предприятия Группы могут нести дополнительные затраты в виде наценок на закупаемый объем газа и снижение цены на продаваемый неиспользованный объем газа.
Планирование газопотребления осуществляется ежедневно специалистами Службы Главных энергетиков заводов на основе методик потребления природного газа цехами, основанными на нормативных (плановых) расходных коэффициентах и объемах производства.
Комбинат Запорожсталь в среднем потребляет 450 тыс.м3 в сутки природного газа.
Для комбината Запорожсталь более 85% всего газопотребления формируется сталеплавильным цехом и цехом холодного проката №1. При этом, если сфокусироваться на самых крупных типах установок по этим цехам – сталеплавильным печам и печам термической обработки металла (газовые и Эбнер), то будет спрогнозировано более 67% всего газопотребления предприятия. Создание качественных моделей по этим двум цехам значительно улучшает общую точность прогнозирования по предприятию.
Для решения задачи по увеличению точности прогнозирования Метинвест Диджитал применил алгоритмы машинного обучения, которые на основе исторических данных формируют математические модели, способные прогнозировать целевой показатель (потребление природного газа) на основе динамики изменения производственных показателей с фокусом на самых крупных цехах и установках, влияющих на прогноз газопотребления в целом на комбинате.
Алгоритмы Data Science позволили обработать большое количество данных, найти зависимости между параметрами и выдать удовлетворительные результаты прогнозирования. В данном случае решалась задача регрессии — прогнозирование количественного признака объекта на основании прочих его признаков. Один из примененных алгоритмов — деревья решений, который позволяет аппроксимировать зависимость в данных кусочно-постоянной функцией. Для обучения использовался Градиентный Бустинг — добавление (бустинг) слабых алгоритмов, наращивая ансамбль постепенными улучшениями тех участков данных, где предыдущие модели "не доработали".
Для достижения максимальной точности проводились Data Science эксперименты с использованием данных о плавках/отжигах.
В результате мы получили прогнозное значение потребления газа на следующие расчетные сутки с точностью выше 95%.
Модели машинного обучения показывают результаты двукратно точнее и стабильней стандартных аналитических моделей. Последующее накопление данных постепенно улучшает модель и позволяет применять дополнительные алгоритмы.
