EVRAZ implementa rede neural para aquecimento de aço e redução do consumo de gás no laminador

EVRAZ рассказал, как в горячем прокате НТМК заменил ручную настройку печей рекомендательной системой на базе математической модели и нейросети. Цель была не в автоматизации ради отчёта, а в снижении перерасхода газа при нагреве заготовок без потери качества проката.

Почему уходил газ В горячем прокате заготовки перед подачей на стан

проходят через нагревательные печи, и на бумаге этот этап выглядит стандартно. На практике каждая печь ведёт себя по-своему: отличается конструкция, состояние горелок, износ футеровки и даже путь заготовки до первой клети. На результат также влияют марка стали, сечение, температура перед посадом, плановые перевалки и внеплановые остановы.

Для цеха с широкой номенклатурой это означает, что один и тот же режим почти никогда не подходит всем сериям подряд. Раньше операторы регулировали температуру, время нагрева и расход газа вручную, опираясь на инструкцию, опыт и текущее состояние оборудования. Формально правила были общими для всех, но в реальной смене их приходилось постоянно адаптировать под ситуацию.

Из-за этого разные бригады показывали разный расход топлива, а при переходе между сортаментами перерасход почти становился нормой. В EVRAZ прямо описывают проблему через разрыв между документом и реальным цехом.

«Следовать технологической инструкции».

Из чего собрали модель Команда быстро поняла, что чистая ML-модель здесь не спасёт.

Температуру заготовки измеряют только на входе и на выходе из печи, а данных о том, как металл прогревается внутри цикла, почти нет. Поэтому основу решения сделали физической: численную модель нагрева по закону теплопроводности, которая учитывает тепло от горелок, конвекцию, радиационный и контактный теплообмен, а также свойства металла при разных температурах. Отдельно в модели учли образование окалины, которая фактически создаёт теплоизолирующий слой на поверхности заготовки.

Чтобы система работала в реальном цехе, модель пришлось подгонять под конкретные печи и реальные режимы производства. На этапе настройки всплыли детали, которые редко видны в абстрактных схемах: подсос воздуха из цеха, влияние шага раскладки заготовок, заранее известные простои при перевалках и даже сложности с интерпретацией данных пирометра после обжимной клети. Поэтому система учитывает не только теорию, но и набор факторов, которые обычно теряются в типовых инструкциях: различия в геометрии печей и расположении горелок подсос воздуха из цеха в атмосферу печи шаг раскладки заготовок и зазоры между ними заранее известные простои при перевалках стана * особенности десятков марок стали и разных форм сечения После этого результаты численного моделирования упаковали в нейросеть.

Её обучали на данных расчёта десятков тысяч сценариев нагрева, извлечённых из исторического архива за несколько лет. Такой гибридный подход дал системе сразу две вещи: физическую осмысленность и скорость, достаточную для мягкого реального времени. В итоге получился цифровой двойник процесса нагрева, который не просто прогнозирует температуру, а подсказывает операторам, как настроить зоны печи и горелки под конкретную серию заготовок.

Проверка на производстве Перед внедрением модель проверяли по двум главным критериям.

Во-первых, сравнивали расчётную температуру заготовки с данными пирометра у самой выдачи печи, а не после обжимной клети, где картина уже искажается последующим охлаждением. Во-вторых, использовали архивные испытания термометрированных заготовок с датчиками внутри металла. Даже несмотря на то, что с момента этих испытаний печь успела пройти капитальный ремонт, данные помогли подтвердить, что модель корректно отражает реальный профиль нагрева.

Отдельно EVRAZ оценивал, насколько точно система рассчитывает потребный расход энергоресурсов во времени. Для этого сравнивали фактические и модельные значения и использовали коэффициент детерминации R². Компания сообщает, что добилась значения 0,75 — этого хватило, чтобы показать производству и менеджменту адекватность модели.

После технической части сделали рабочий интерфейс: операторы видят схему печи по зонам и рекомендации по настройке горелок. Пилот в одном цехе признали успешным, точные цифры экономии не раскрывают, но систему уже готовят к масштабированию на другие печи предприятия.

Что это значит Этот кейс хорошо показывает, куда реально движется промышленный ИИ.

Самый полезный эффект здесь дал не универсальный чат-бот, а связка цифрового двойника, исторических данных и понятных оператору подсказок. Если такие системы начнут тиражироваться, металлургия сможет экономить энергию не за счёт жёстких ограничений, а за счёт более точной настройки процесса под каждую конкретную партию.