ПОСУТОЧНОЕ ПЛАНИРОВАНИЕ И ОПТИМИЗАЦИЯ ПОТОКОВ СЫРЬЯ В ЧЕРНОЙ МЕТАЛЛУРГИИ

На АО «ЕВРАЗ Объединенный Западно-Сибирский металлургический комбинат» (АО «ЕВРАЗ ЗСМК») с 2017 г. разрабатывается и эксплуатируется математическая модель СММ «Прогноз», охватывающая все переделы (от добычи руды до конечной продукции). Она применятся для расчетов технических кейсов, планов, паритетных цен по железорудному сырью и углю. Ее использование принесло за 2020 г. более 200 млн руб. экономического эффекта. Использование универсальной математической модели позволило в 2023 г. начать разработку модуля посуточной оптимизации работы агломерационной фабрики и доменного производства. Рассмотрен опыт АО «ЕВРАЗ ЗСМК» по разработке и внедрению системы посуточного планирования на базе модели СММ «Прогноз», которая изначально была предназначена для сквозного сценарного расчета основных сырьевых переделов от руды и углей до готовой продукции в объемном месячном планировании. Система использует оптимизационные алгоритмы поиска глобальной целевой функции по максимизации маржинального дохода в заданных ограничениях. Математическая модель переделов использует нормы и технологию, заданные на предприятии нормативными документами. При этом модель является универсальной. Перевод алгоритмов с помесячного на посуточный режим был осуществлен с минимальными доработками. Рассмотрены возникшие трудности и методы решения этих проблем. Первой проблемой, с которой столкнулись разработчики, была низкая скорость оптимизации модели в посуточной динамике из-за сильного усложнения оптимизационной нагрузки. Время расчета существенно возросло, для решения проблемы потребовались оптимизация скорости решения уравнений, задание границ переменных, определение стартовых точек, в результате чего скорость расчета для 30 дней снизилась до 40 мин. Второй проблемой была необходимость разработки сложного алгоритма управления поставками сырья. Важным аспектом стало сохранение удобства использования системы на прежнем уровне для конечного пользователя. Результатом реализации предложенных решений является рабочий инструмент, приносящий дополнительный доход для предприятия.

1. Лисиенко В.Г., Соловьева Н.В., Трофимова О.Г. Альтернативная металлургия: проблема легирования, модельные оценки эффективности. Москва: Изд-во Теплотехник, 2007:440.

2. Протопопов Е.В., Калиногорский А.Н., Ганзер А.А. Сталеплавильное производство: современное состояние и направления развития. В кн.: «Металлургия: технологии, инновации, качество: тр. XX междунар. науч.-практ. конф. Ч. 1 / Под ред. Е.В. Про-топопова. Новокузнецк: ИЦ СибГИУ. 2019:9–14. EDN: MAPRGL.

3. Johansen S.T. Mathematical modeling of metallurgical processes. In: Third International Conference on CFD in the Minerals and Process Industries CSIRO, Melbourne, Australia 10–12 December 2003. Norway. 2003.

4. Svatos J., Gargulak Z. Set of Models for Planning Iron and Steel Production. IFAC Proceedings Volumes. 1983;16(15):55–62.

5. https://doi.org/10.1016/S1474-6670(17)64256-3

6.

7.

8. Рис. 6. Матрица наполнения штабелей

9. Fig. 6. Stack filling matrix

10.

11. Mitterlehner J., Loeffler G., Winter F., Hofbauer H., Schmid H., Zwittag E., Buergler T.H., Pammer O., Stiasny H. Modeling and Simulation of Heat Front Propagation in the Iron Ore Sintering Process. ISIJ International. 2004;44(11):11–20. https://doi.org/10.2355/isijinternational.44.11

12. Yang W., Changkook R., Choi S., Lee D., Huh W. Modeling of Combustion and Heat Transfer in an Iron Ore Sintering Bed with Considerations of Multiple Solid. ISIJ International. 2004;44(3):492–499. https://doi.org/10.2355/isijinternational.44.492

13. Fernández-González D., Martín-Duarte R., Ruiz-Bustinza Í., Mochón J., González-Gasca C., Verdeja L.F. Optimization of Sinter Plant Operating Conditions Using Advanced Multivariate Statistics: Intelligent Data Processing. The Minerals, Metals & Materials Society. 2016;68(8):2089–2095. https://doi.org/10.1007/s11837-016-2002-2

14. Shi Z., Lv W., & Mei G. A novel soft sensing modelling approach for sulphur content estimation in hot metal pretreatment process. Ironmaking & Steelmaking: Processes, Products and Applications. 2024;51.

15. http://dx.doi.org/10.1051/metal/2023073

16. Shao H., Yi Z., Chen Z., Zhou Z., Deng Z. Application of artificial neural networks for prediction of sinter quality based on process parameters control. Transactions of the Institute of Measurement and Control. 2019:42(3):1–18. https://doi.org/10.1177/0142331219883501

17. Mallicka A., Dhara S., Rath S. Application of machine learning algorithms for prediction of sinter machine productivity. Machine Learning with Applications. 2021;6:100186

18. http://dx.doi.org/10.1016/j.mlwa.2021.100186

19. Song L., Qing L., Xiaojie L., Yanqin S. Syn-thetically predicting the quality index of sinter using machine learning model. Ironmaking & Steelmaking Processes, Products and Applications. 2020;47(7):828–836.

20. https://doi.org/10.1080/03019233.2019.1617573

21. Mohanan S., Mohapatra P., Kumar A. C., Adepu R. K., Koranne V.M., Prasad Y. G.S., Reddy A.S., Ramna R.V. Prediction and Optimization of Internal Return Fines Generation in Iron Ore Sintering Using Machine Learning. Advances in Materials. 2021;10(3):42–46. https://doi.org/10.11648/j.am.20211003.12

22. Metzger M., Sieber A., Stirmer U. Mathematical model for a metallurgical plant, and method for optimizing the operation of a metallurgical plant using a model. Pat. US 7,720,653 B2 USA Patent. 2010.

23. Lian X., Wu D., Lu S., Liu C., Wang H., Wang J. Optimal scheduling of multi-energy medium in steel enterprises based on improved genetic simulated annealing algorithm. Proceedings of the 2024 Chinese Control and Decision Conference (CCDC). 2024:2632‒2637.

24. https://doi.org/10.1109/CCDC62350.2024.10587574

25. Liu Q., Shao X., Yang J.–P., Zhang J.–S.Multiscale modeling and collaborative manufacturing for steelmaking plants. Chinese Journal of Engineering. 2012;12:1698–1712. https://doi.org/10.13374/j.issn2095-9389.2021.09.27.010

26. Zhang J., Liu Y., Liu Q. Metallurgical Process Simulation and Optimization Metallurgical Process Simulation and Optimization. Materials. 2022;15(23):8421.

27. https://doi.org/10.3390/ma15238421

28. Леонтьев А. С., Рыбенко И. А. Опыт разработки и применения системы математического моделирования на «ЕВРАЗ ЗСМК». В кн.: Моделирование и наукоемкие информационные технологии в технических и социально-экономических системах: труды V Международной научно-практической конференции с международным участием / под общ. ред. И.А. Рыбенко, Т.В. Киселевой. Новокузнецк: ИЦ СибГИУ. 2021:250–255. EDN: ATSSJP.

29. Леонтьев А.С., Рыбенко И.А. Опыт использования и повышения юзабилити системы математического моделирования производства на металлургическом предприятии. Известия вузов. Черная металлургия. 2023;66(1):119–126. https://doi.org/10.17073/0368-0797-2023-1-119-126

30. Леонтьев А.С., Рыбенко И.А. Опыт внедрения машинного обучения для расчета качества и производства агломерата на «ЕВРАЗ ЗСМК». В кн.: Металлургия: технологии, инновации, качество: тр. XXII междунар. науч.-практ. конф. Ч. 1 / Под ред. А.Б. Юрьева. – Сиб. гос. индустр. ун-т. Новокузнецк: ИЦ СибГИУ. 2021:82 – 87. EDN: HRRSAU.

31. Информация о АО «ЕВРАЗ ЗСМК»// Газета Коммерсант. – URL: https://www.kommersant.ru/doc/3502550 (дата обращения 16.09.2024).

32. Аналитическая платформа прогноз плат-форм//Сайт компании Форсайт. – URL: https://www.fsight.ru/ (дата обращения 16.09.2024).

33. GAMS. – URL: https://www.gams.com/latest/ docs/UG_ExecErrPerformance.html (дата обращения: 19.10.2023).