Проблема
Операторы управляют подачей руды и воды в мельницу полусамоизмельчения на глаз, пытаясь удержать мощность и производительность в целевых пределах. Из-за инерционности процесса отклонения приводят к перерасходу энергии, нестабильной крупности пульпы и простоям последующих этапов обработки, снижая общую эффективность.
Решение
- Создан единый даталейк из АСУ ТП, включающий минутные данные мощности, расхода воды, подачи руды и вспомогательных сигналов.
- Проведена очистка, агрегация и синхронизация потоков данных, с расчётом лаговых факторов для учёта инерционных задержек при подаче руды и воды.
- Разработаны ML-модели на базе LightGBM с линейной коррекцией, прогнозирующие потребляемую мощность мельницы на горизонте 5 минут в зависимости от текущих уставок подачи воды и руды.
- Анализ чувствительности показал задержки изменения расхода руды около 4 минут, а воды — 1–2 минуты. На основе этого сформированы рекомендательные кривые «вода / руда → мощность».
- Подготовлен подробный отчёт с онлайн-подсказками для диспетчера и реализован API для интеграции рекомендаций в АСУ ТП.
Результат / точность
- Средняя абсолютная ошибка прогноза мощности составила менее 10 % на валидационных данных.
- Модели признаны готовыми для пилотного внедрения онлайн-рекомендаций.
- Ожидается сокращение энергопотребления до 3 % и прирост производительности на 1–2 %.
Дополнительные детали
- Технологический стек: Python, Pandas, LightGBM, MLFlow, Grafana.
- Команда: 1 DS Lead, 1 ML-инженер, 1 процесс-инженер. Продолжительность PoC — 2 месяца.
- Для дальнейшего повышения точности рекомендовано подключение онлайн-датчика гранулометрии сырья на питательных конвейерах.
