Помогли создать цифрового советчика для металлургических предприятий
Цифровой советчик — система, которая анализирует на металлургических предприятиях ряд данных, а затем на их основе советует, какое количество и каких ферросплавов нужно добавить в сплав, чтобы тот соответствовал ГОСТу и был экономически эффективным. Создан для компании Datana. Разработан на Kotlin Multiplatform.
7 месяцев разработки
8 сервисов в системе
5 дашбордов для мониторинга
Задача
Заказчик обратился за помощью в разработке цифрового советчика для металлургических предприятий.
Советчик должен анализировать химический состав сплава, температуру и степень окисления стали и состав исходного сырья. На основе полученных данных он должен подсказывать, какое минимальное количество дорогостоящих ферросплавов нужно добавить для получения эффективного в экономическом плане сплава по стандартам ГОСТа.
Необходимо создать интерфейс для взаимодействия с другими сервисами и систему мониторинга процесса.
Решение
Интегрировали модуль цифрового советчика, который вычисляет минимально необходимое количество ферросплавов в соответствии с ГОСТом, с другими системами заказчика при помощи микросервисной архитектуры. Советчик следит за данными в реальном времени и выводит их на экран в течение секунды.
Советчик помогает снизить расход добавок, процент брака, а также расход газов и электроэнергии. В результате производство стали становится экономически более выгодным.
Настроили систему бизнес-мониторинга, которая оценивает эффективность работы советчика после завершения плавки.
Процесс разработки
Бизнес-логика. На стороне заказчика находится специальная модель, базирующаяся на технологии машинного обучения, которая в процессе плавки дает рекомендации на основании собранных данных: температуры и степени окисления стали, состава исходного сырья. Мы интегрировали советчик с этой моделью, чтобы он получал вычисления, рассчитывал, какое количество ферросплавов нужно добавить в сплав, и выводил нужные данные на экран. В основе советчика также лежит гибкая модель технологического процесса, которая адаптируется к плавке во время самой плавки и использует предыдущие показатели для следующих итераций доводки. Это позволяет прогнозировать итоговый химический состав.
Обычно металлург определяет количество ферросплава исходя из своего опыта. В случае ошибки приходится дольше поддерживать температуру в печи, на что тратится электроэнергия, и увеличивается риск перерасхода ферросплавов. Цифровой советчик позволяет ускорить процесс, сэкономить на энергии, избегая нежелательных ошибок, и сделать процесс плавки более предсказуемым.
Аналитика. Мы проанализировали технологический процесс того, как плавка последовательно переходит из печи-ковша в кислородный конвертер. Затем создали цифровую модель этого процесса и на ее основе писали требования для системы: сценарии, транспортные модели, формулы расчетов, средства интеграции.
Собрали большую документальную базу по работе продукта на основе данных проведенной аналитики.
Как проходила разработка. Над проектом сначала работал один специалист, и постепенно мы наращивали количество людей. Работа проходила следующим образом: мы брали двухнедельные спринты и задачи на эти спринты. После сверялись с общим планом разработки и брали задачи в работу. В результате каждого спринта мы проводили демо со всей командой проекта.
Микросервисная архитектура. Система состоит из множества микросервисов, где каждый микросервис выполняет свою задачу, например получение, передачу или валидацию данных.
Мониторинг. Система мониторинга получала данные о стадии плавки и химическом составе сплава и выдавала их на экран. Необходимо было оптимизировать многочисленные вычисления, чтобы отображаемая информация оставалась актуальной.
Тестирование. Данные для тестирования предоставляли различные заводы. Иногда мы моделировали ситуации для крайностей. Основная часть тестирования проводилась на стороне заказчика.
Что было самым сложным
Сложнее всего оказался бизнес-мониторинг. Нам нужно было получить большой объем данных и переработать его внутри системы в кратчайшие сроки. Потом получить коэффициенты сравнения качества отработки плавок за определенный период или в целом. И, наконец, вывести актуальные данные на экран для дальнейшей работы специалиста.
Как мы решили эту задачу
Перестроили транспортные модели системы и оптимизировали процессы во всем продуктовом комплексе на нашей стороне.
Еще один компонент решения — статусные модели, в которых есть набор статусов плавки и переходов между этими статусами. Они позволили синхронизировать реальный процесс на производстве стали с его «цифровым двойником» в нашей системе.
Технологический стек
Backend на Kotlin
Spring Boot
Kotlin Coroutines
OpenApi
PostgreSQL
Apache Kafka
LiquibaseРезультат
Цифровой советчик получает информацию о сплаве: его текущий химический состав, исходный состав сырья, температуру и степень окисления стали — и проводит вычисления. После вычислений система мониторинга выдает на экран информацию: необходимое для текущего этапа плавки количество ферросплавов.
Используются для интеграции со сторонними системами. Данные с оборудования собираются в системе (АСУ ТП) заказчика. Каждый адаптер принимает данные из нее и конвертирует их в стандартный вид, который используется внутри нашей системы. Одна внешняя интеграция — один адаптер. Такой подход позволяет безболезненно для всей остальной системы подключать внешнее оборудование и настраивать взаимодействие с ним.
Используются для интеграции со сторонними системами. Данные с оборудования собираются в системе (АСУ ТП) заказчика. Каждый адаптер принимает данные из нее и конвертирует их в стандартный вид, который используется внутри нашей системы. Одна внешняя интеграция — один адаптер. Такой подход позволяет безболезненно для всей остальной системы подключать внешнее оборудование и настраивать взаимодействие с ним.
