Как цифровизация повышает эффективность в горнорудной промышленности: опыт ВГК10.06.2021 09:18

Современное горнорудное предприятие трудно представить без широко набора цифровых решений. Однако их внедрение требует от руководителей максимально экспертного подхода: применение настолько сложных технологий невозможно без понимания не только ИТ и геологии, но глубокой специфики производственных процессов, методик обогащения полезных ископаемых, логистики и мотивации персонала. Вознаграждением за это становится качественный скачок, которому способствуют полученные с помощью новых ИТ-инструментов данные, позволяющие построить предиктивную форму управления производством. В России такой уникальный подход удалось реализовать в «Восточной горнорудной компании» (ВГК). О том, какие технологии для этого использовались и какие сложности могут подстерегать в решении столь амбициозной задачи, в эксклюзивном авторском материале для CNews рассказали заместитель генерального директора по эффективности бизнеса Станислав Площенко и заместитель генерального директора по ИТ и цифровым технологиям Руслан Каримов.

У горнорудных предприятий с открытым методом разработки месторождений — достаточно простая, на первый взгляд, цепочка производственного процесса. Однако каждое ее звено должно быть насыщено современными цифровыми решениями. Это позволяет повысить эффективность предприятия и снизить себестоимость всех затрат, включая капитальные. Ниже приведена схема основных производственных процессов «Восточной горнорудной компании» с примерами сопровождающих их цифровых решений.

Схема основных производственных процессов «Восточной горнорудной компании»

Разберем основные звенья производственного процесса.

Планирование горных работ неразрывно связано с построением 3D-моделей разреза. ВГК давно и успешно использует специализированное программное обеспечение Micromine, позволяющее проектировать и оптимизировать горные работы на основе 3D-моделей и алгоритмов математического моделирования.

Буровзрывные работы закладывают качественную основу для последующей разборки забоя и являются очень важным звеном, определяющим себестоимость угля. Основные проблемы, которые негативно сказываются на качестве взрыва, — неверные сетка бурения и глубина скважин, некорректное определение обводненности и применение несоответствующего задаче заряда. При этом очень важно учитывать изменение плотности породы на обуриваемом блоке.

Станислав Площенко, заместитель генерального директора по эффективности бизнеса ВГК, отмечает, что цепочка производственного процесса горнорудного предприятия должна быть насыщена современными цифровыми решениями

Одно из широко известных решений — Measurement While Drilling компании Blast Maker, способное составить профиль плотности породы на глубину бурения каждого шурфа. Качество взрыва определяется гранулярным составом взорванной горной массы, для чего можно применять уже другое решение — Motion Metrics.

Взорванная горная масса (вскрыша и уголь) должна быть перемещена (вскрыша — на отвал, уголь — на дробление и сортировку, а потом на обогащение). Здесь пригодятся цифровые помощники маркшейдерии, которые, например, ведут съемка блоков с коптеров. Полученные таким образом данные более точны, чем традиционные инструменты вычислений объема горной массы, и это существенно сокращает временные затраты на маркшейдерскую оценку.

Непосредственно горные работы являются основной составляющей в определении будущей себестоимости. И здесь спектр цифровых продуктов увеличивается геометрически. При этом можно выделить несколько основных направлений, вокруг которых эти решения можно сгруппировать.

Первое — диспетчеризация горнотранспортных комплексов (ГТК). Это достаточно сложная задача и при всем обилии решений (Modular, Wenco, АСУ ГТК «Карьер») до недавнего времени никому не удавалось синхронизировать циклы движения самосвалов, что позволило бы, с одной стороны, снизить время простоя экскаваторов, а с другой — минимизировать простои самосвалов в ожидании погрузки.

По мнению Руслана Каримова, заместителя генерального директора ВГК по ИТ и цифровым технологиям, диспетчеризация горнотранспортных комплексов является одним из наиболее емких направлений с точки зрения цифровизации

ВГК потратила больше двух лет на внедрение АСУ ГТК «Карьер», произведенного компанией «Цифра», на своем разрезе. В итоге этот продукт на сегодняшний день состоит, скорее, из доработок, связанных со спецификой требований разреза, чем из того, что можно считать коробочной версией. Большая часть этих доработок связана с модулем оперативного управления (МОУ), который генерирует директивы самосвалам, к какому экскаватору направляться, чтобы минимизировать простои ГТК. Это позволило добиться достаточно высокого показателя точности прогнозирования прибытия самосвалов — до 2 минут, а это — чуть менее половины цикла погрузки одной машины. Этот показатель примечателен еще и по той причине, что прогноз отталкивается от предполагаемой скорости движения самосвала, на которую влияет огромное количество факторов: от выбранной оператором скорости движения до состояния дорог и уклонов.

Прогноз отталкивается от предполагаемой скорости движения самосвала, на которую влияет огромное количество факторов

Последний аспект также стал простором для внедрения цифровых решений. Горнодобывающим компаниям чрезвычайно важен контроль качества дорог, поскольку любое отклонение от заданной скорости движения самосвала не только сбивает цикл ГТК и увеличивает его простои, но и создает «узкое горлышко», резко уменьшающее эффективность всего разреза. Примером такой ситуации может быть проблема на магистральном участке дороги, которая задерживает сразу большое количество самосвалов и способна парализовать весь разрез на некоторое время. Избежать подобных сценариев помогают решения с визуализацией, использующие данные с акселерометров. Они помогают идентифицировать на дороге точки аномального ускорения (положительного или отрицательного). ВГК использует в этих целях модуль контроля качества дорог компании «Цифра». В ближайших планах — интеграция данных этого модуля в АСУ ГТК для учета фактора изменения дорожных условий в прогнозировании прибытия самосвалов под экскаватор и соответствующей корректировки директив операторам машин.

В качестве примера собственной подобной разработки можно привести EMCO-UBER — модуль планирования и оптимизации перевозок угля с Солнцевского угольного разреза в порт Шахтерск, который применяет принцип уберизации. Решение помогает планировать на складах в порту конечное качество угля, который поступает в определенной пропорции с различных угольных пластов, подготавливающихся на нескольких дробильно-сортировочных комплексах (ДСК). Так называемая «формула смешивания», задаваемая ежесменно, распределяет машины перевозчиков по ДСК и затем выдает директивы следовать на определенные склады в порту (а иногда и к определенным бункерам погрузки на одном и том же складе), для получения идеального качества угля в порту перед отгрузкой потребителю.

Кроме этого, EMCO-UBER планирует оптимальное количество необходимого автотранспорта в зависимости от наличия угля определенного качества на каждом ДСК и от текущей формулы смешивания. Также решение отслеживает режим движения каждой сцепки от разреза в порт и обратно, что важно для соблюдения оптимального ритма перевозок и для фиксации причин снижения оборачиваемости автопарка. Иными словами, диспетчер видит на экране положение каждой машины и получает своевременную информацию о том, что с ней происходит (остановка, съезд с маршрута), на основании чего прямо влияет на интенсификацию перевозок как математическими методами, так и дисциплинарными.

Диспетчер видит на экране положение каждой машины и получает своевременную информацию о том, что с ней происходит

Второе направление цифровизации горных работ — накопление больших данных и создание цифровых двойников. При этом нужно понимать, что цифровой двойник — это не единая система, которая описывает все аспекты процессов и технологий, а инструмент решения точечных задач: оптимизации расхода топлива, увеличения производительности комплексов и отдельных агрегатов, предиктивный анализ технического состояния. Даже если в компании нет понимания того, как использовать большой массив данных прямо сейчас, в будущем им может быть найдено применение.

Кроме того, есть массив данных внешних тестов, например, масляная лаборатория на основе Microlab 40. Она позволяет получить подробный отчет сразу после проведения анализа пробы благодаря встроенной интеллектуальной системе экспертной оценки. Данные, полученные в результате анализа, сопоставляются с эталонной пробой, сохраненной в памяти системы. После этого автоматически создается отчет и составляются подробные рекомендации по дальнейшим действиям. Вся процедура полностью автоматизирована, за счет чего достигается высокая точность полученных результатов. Весь процесс с момента начала анализа и до получения отчета занимает не более 15 минут.

Накопление массива данных из масляной лаборатории и больших данных с техники позволяет решать задачи поиска статистической взаимосвязи между состоянием техники и результатами анализов. На основе машинного обучения можно спрогнозировать вероятный износ узлов и агрегатов и вовремя произвести ремонтные работы, снизив долю аварийных и дорогостоящих, увеличить межсервисный пробег и время на проведение технического осмотра, сократить потребление масла и расходы на его утилизацию. Все эти мероприятия позволяют создать «цифрового двойника» надежности техники.

Первого «двойника» в ВГК разработали и внедрили для 220-тонных «Белазов». И результат уже дал о себе знать: решение предупредил о существенных проблемах с машиной за 20 дней до того, как проблему обнаружили на плановом техническом осмотре. В 2021 г. планируется подключить к цифровой платформе всю оставшуюся технику на разрезе и в порту, в том числе и флот. Также в платформу войдет и строящийся угольный конвейер. Таким образом, ВГК сможет оцифровывать всю производственную цепочку и объединить управление в рамках единой системы диспетчеризации.

Второе направление для машинного обучения — построение паттернов работы отдельных процессов или даже операторов, создание цифровых советчиков для оптимизации их деятельности и оценки через выставление КПЭ. Например, соблюдение норматива времени цикла погрузки экскаватором самосвала или оптимальный скоростной режим, акселерация и торможение для наименьшего расхода топлива.

С другой стороны, машинное обучение может предлагать оптимальные циклы оборачиваемости самосвалов на маршруте «забой-отвал», позволяя сэкономить на простоях. ВГК только начала идти по этому пути, внедрив цифровую платформы группы компаний «Цифра» для хранения больших данных, и приступил к разработке цифровых двойников. Также важно отметить, что архитектура хранения больших данных позволяет быстро подключать к ним через защищенный доступ внешние команды, которые могут генерировать свои идеи.

Говоря об операционной деятельности и разработке цифровых двойников, нельзя не упомянуть внутреннюю разработку ВГК — автоматизированную систему PULSE. «Восточная горнорудная компания» столкнулась с тем, что даже с использованием АСУ ГТК «Карьер» — российского аналога Modular и Wenco — диспетчеры не в состоянии сконцентрироваться на ключевых факторах, влияющих на производительность смены, при одновременной работе 30 экскаваторов и 120 самосвалов. Выходом стала разработка прикладных сервисов, «ведущих» смену по каждому комплексу «Экскаватор — Самосвалы». Ежеминутно PULSE сравнивает фактическое положение дел, анализирует производительность комплексов, простоев, разбивает проблемы по категориям и подсказывает диспетчеру, на какие отклонения необходимо реагировать. Сам сотрудник в любой момент времени видит текущую картину по каждому экскаватору и ее прямое влияние на выполнение плана, а также получает рекомендации о том, какие шаги можно предпринять для устранения проблем. Это существенно упрощает управление сменой и позволяет практически моментально реагировать на возникающие простои.

На сегодняшний день эту разработку можно считать уникальной в области оперативного управления сменой. Особую ценность ей придает «открытый контур»: возможность не только дополнять свой внутрисменный аналитический функционал, но и служить базой для сбора статистики для последующего анализа в разрезе любой техники на любых временных отрезках.

На сегодняшний день эту разработку можно считать уникальной в области оперативного управления сменой

Практика показывает, что приступая к процессу цифровизации, большинство компаний начинают сверху вниз, первоначально автоматизируя руководящие бизнес-процессы. ВГК начала с конечных производственных операций, и этот подход продемонстрировал отличные результаты. Цифровизация позволила трансформировать компанию и принимать управленческие решения, опираясь на реальные данные. Таким образом, сформирована новая культура управления процессом, в которой «цифра» становится одним из инструментов повышения операционной эффективности.

Безусловно, нужно понимать, что цифровая трансформация — не ИТ-проект. Ее успешность во многом зависит от активной позиции собственника и менеджмента компании, ведь трансформация предполагает изменение бизнес-процессов и методов принятия решений. Менеджмент должен изменить и себя, и компанию, понять, что зрелость цифровой трансформации и результаты операционной эффектности — уже не отдельные направления, а единый инструмент.

Полный текст статьи читайте на CNews