Кейсы, ранее реализованные командой Mechanica AI, позволяющие увидеть реальный эффект от внедрения решения. Предсказываем и улучшаем результаты важных производственных процессов.

Оптимизация расхода сырья при производстве стали

Задача

  • Сократить расход ферросплавов при производстве стали в кислородно-конвертерном цехе без потери качества.

Данные

  • Исторические данные о более 200000 плавок, включая:
    • Технические параметры конвертерного этапа и этапа внепечной обработки
    • Результаты химических анализов
  • Требования к химическому составу готовой стали;
  • Справочники стали и ферросплавов.

Результат

Создан программный модуль, выдающий рекомендации по оптимальному количеству ферросплавов на каждом этапе производства, что обеспечивает среднее снижение  расходов ферросплавов на

 

5%


Виртуальное измерение состава входного газа при газофракционировании

Задача

  • Виртуально измерять состав входного сырья, чтобы своевременно подстраивать режимы работы установки;
  • В реальном времени получать данные, которые сейчас не доступны (замеры лаборатории проводятся 2 раза/день).

Данные

  • Исторические данные за 2 года работы установки, включая
    • Параметры входящего потока газа
    • Данные замеров хроматографов
    • Данные лаборатории
    • Параметры работы установки
    • Параметры выходящего продукта
  • Требования к качеству и технологические ограничения.

Результат

Разработан виртуальный сенсор, измеряющий состав газа на входе в установку. Средняя ошибка (при определении концентрации одиночных компонентов на входной колонне), по сравнению
с лабораторией, составляла

 

2-6%


Предсказание дефектов проката стали

Задача

  • Выявить слябы с наибольшей долей дефектной массы на ранних этапах производства.

Данные

  • Исторические данные о 17 000 ранее изготовленных слябов, включая:

    • Химический состав
    • Геометрические параметры
    • Вес
    • Известные дефекты

Результат

Создан программный модуль, определяющий слябы, которые после обработки дадут значимый дефект в прокате.

 

48%

всех дефективных слябов находятся уже в первых 10% всех слябов, ранжированных моделью.


Оптимизация процесса термообработки труб

Задача

  • Повысить скорость работы цеха за счет оптимального выбора параметров термообработки для каждой партии.

Данные

  • Исторические данные о процессе термообработки:

    • Параметры плавки (марка стали, химические анализы и пр.)
    • Параметры термообработки (режимы печей, температура, скорость)
    • Данные контроля качества
  • Справочные данные (требования к качеству).

Результат

Программный модуль, рекомендующий оптимальные параметры термообработки для каждой партии. Ожидаемый рост производительности цеха

 

 

3-5%


Прогнозирование влажности готовой продукции

Задача

  • Предсказать ожидаемый уровень влажности продукции в конкретной партии для выбора оптимальных настроек работы сушильного аппарата.

Данные

  • Исторические данные о процессе производства:

    • Данные о сырье
    • Параметры работы установки
    • Данные контроля качества
  • Справочные данные (требования к качеству, марки продукции)

Результат

Создан программный модуль, прогнозирующий ожидаемую влажность для конкретной партии. Улучшение прогноза по сравнению с текущей моделью

 

+32,7%