Мороз, вагоны и математика: как новый цифровой сервис экономит нам до 4 млн кубов газа в год

Привет, Меня зовут Никита Кретов, я бригадир рудного двора на липецкой площадке Группы НЛМК. И хотя сейчас у нас теплая золотая осень, мы вовсю готовимся к морозам. Расскажу, зачем зимой мы нагреваем вагоны с сырьем — не просто нагреваем, но еще и целыми вагонами опрокидываем.

Опрокидываем мы круглогодично, в вот нагреваем только в холодное время года (как раз сейчас оно, увы, не за горами), и мы кое-что придумали, чтобы делать это эффективнее.

Нагревай и опрокидывай Думаю, всем понятно, что перед тем, как завод выдаст сталь, необходимо доставить на него сырье — например, железорудный концентрат. В нашем случае доставка происходит по железной дороге. На склад агломерационного цеха Липецкой площадки приходят вагоны с железорудным сырьем и другими составляющими, которые формируют штабель и впоследствии становятся агломерационной шихтой, а она, в свою очередь, после спекания на аглофабрике становится агломератом – сырьем для производства чугуна в доменных печах. Железорудное сырье на складе под открытым небом складывают в штабель. Может показаться, что это просто хаотичные насыпи, однако сырье укладывается специальными слоями — горизонтально, а забирается вертикально. За счет этого происходит усреднение состава. Такой штабель «живет» не более 2х недель – от его укладки до отправки в производство на аглофабрику. В среднем «составе» от 64 до 68 вагонов однотипного сырья. По прибытии вагоны нужно разгрузить. Как вы думаете это делают? Элементарно, методом опрокидывания. Существует специальный агрегат, который переворачивает вагоны и высыпает содержимое. Он так просто и называется – вагоноопрокидыватель.

В теплое время года никаких проблем не возникает. Однако зимой, пока состав едет по заснеженным полям в -20, сырье напрочь утрачивает свою «сыпучесть» — примерзает к стенкам вагонов, а также смерзается в здоровенные «глыбы». Теперь просто опрокинуть и высыпать уже не получится – замершее сырье нужно разморозить. Соответственно, перед высыпанием надо как следует прогреть каждый вагон. Это делается в специальных гаражах, где температуру воздуха нагревают от 90 до 110°С. В зависимости от типа сырья и температуры окружающего воздуха для разморозки предусмотрены нормативы по температуре и времени. В среднем процесс может занимать от 2-х до 4-х часов или даже больше. Воздух в размораживающих гаражах прогревается с помощью природного газа, что весьма дорого.

Так вот — одним морозным утром я дал команду на прекращение разморозки на полчаса раньше нормативного срока. Опыт подсказывал, что сырье уже достаточно хорошо прогрелось и вагоны готовы к опрокидыванию. Все-таки режимные карты, согласно которым рассчитывалось время разморозки, были созданы достаточно давно, когда вопрос оптимизации затрат, возможно, не был в фокусе внимания технологов. Многолетняя практика не подвела: расчетный срок разморозки и вправду оказался избыточным. Так и родилась идея цифрового сервиса, который мог бы на основании математической модели, учитывающей физико-химические свойства сырья и другие вводные данные определять оптимальные время его размораживания.

Куда нести идею Со своим предложением я выступил на конкурсе «Молодой лидер НЛМК». Сформулировал идею просто: расход газа для разморозки вагонов напрямую влияет на себестоимость агломерата в зимнее время, следовательно, внедрение подобного сервиса может принести предприятию существенную экономию. Кратко поясню, как это все проходило: Непосредственно конкурс длился с марта по декабрь 2020-го. Все это время длились различные этапы конкурса, начиная с отбора, заканчивая защитой проектов. Проекты, которые прошли в финал и понравились жюри, перешли в стадию реализации. На разработку было отведено около двух месяцев — все нужно было сделать в максимально сжатые сроки. Финал «Молодого лидера НЛМК» из-за пандемии пришлось провести онлайн. На заключительном этапе конкурса мы представляли свои проекты топ-менеджерам НЛМК — рассказывали, что это, зачем и что нам даст. Я презентовал концепцию цифрового сервиса и получил положительные оценки.

Прошлись по гипотезам Далее, я как владелец будущего цифрового продукта, привлек к работе команду дирекции по цифровой трансформации, и мы вместе начали прорабатывать гипотезу. Выяснилось, что реализация сервиса даже проще, чем я себе представлял. Изначально мы хотели акцентироваться на влажности, температуре самого груза — ставить тепловизоры, снимать температуру датчиками перед тем, как сырье попадет в гараж для разморозки. Потом концепция поменялась. Мы обратились к нескольким поставщикам услуг по предоставлению погодных данных, выбрали самый оптимальный и начали по API получать на свой внутренний сервер информацию о погоде, которая используется для математических расчетов.

Но это не всё. Первая и основная трудность, с которой мы столкнулись — ограниченный набор входных данных. Далеко не все желаемые параметры мы могли измерить «здесь и сейчас». Первая гипотеза предполагала экономию 20% топлива на основе информации о том, насколько сырье прогрето при въезде в гараж. Как я уже говорил, мы планировали установить тепловизор и построить математическую модель на основе его показаний. Но любая гипотеза не статична. Дабы удостовериться, что мы извлекаем из гипотезы максимум пользы, за помощью в расчете потенциального эффекта мы обратились к одному известному математику, члену Российской Академии Наук. Произведенные им расчеты прогнозировали до 50% экономии при наличии точных данных о влажности сырья, температуре по пути следования и многом другом. К сожалению, многие ключевые параметры пока что не измеряются. Первую версию сервиса мы построили с учетом текущих ресурсов — и уже получили экономию в 30%.

Как сейчас работает сервис Ранее в режимных картах использовались слишком широкие диапазоны температуры — 0, -10, -20, -30, -35°С. Это вызывало перерасход газа — например, сырье температурой -5°С разогревалось в гараже столько же, сколько сырье температурой -10°С. Мы сградировали карты с шагом в один градус, при этом разница во времени нахождения в гараже размораживания между каждым шагом составляет около 20 минут. Погодные данные мы получаем из точек на железнодорожном маршруте с дискретностью в 3 часа. Дальше в ход идет наша логистическая программа для мониторинга движения вагонов на дорожной сети НЛМК. Оттуда сервис получает три параметра: дату отправления груза от поставщика; дату прибытия груза на станцию; дату постановки на разогрев. Когда мы нажимаем кнопку «Поставить на разогрев», программа определяет, при какой температуре в среднем находился груз, и высчитывает рекомендуемое время его разморозки в гараже, согласно новой сградированной таблице.

Полученные результаты Стороннему наблюдателю наш проект может показаться «экономией на спичках». Вот цифры: На Липецкой площадке работают 3 гаража размораживания разной вместимости. За месяц через них проходят 15-17 тысяч вагонов. Гараж 1 состоит из 3-х секций по 14 вагонов в каждой, гараж 2 — из 3 секций по 10 вагонов в каждой и гараж 3 — из 6 секции по 15 вагонов в каждой. Поезда, которые приходят на станцию Новолипецк, могут содержать от 64 до 68 вагонов – всегда с одним грузом. Вагоноопрокидыватель рассчитан на 18 вагонов. Соответственно, чтобы обогреть такие большие площади, каждую секунду тратятся десятки кубометров газа. Цифровой продукт позволяет сократить время разморозки сырья до минимально эффективного.

Заявленный экономический эффект рассчитан на примере работы гаражей размораживания с 1 ноября 2018 года по 31 марта 2019 год и является приблизительным. Сервис стартовал в стадии MVP (минимально жизнеспособный продукт) и постоянно совершенствуется на основании внедрения новых параметров и гипотез. Сейчас мы оборудуем рабочие места операторов — газовщиков отделения усреднения руды. Именно они управляют процессом размораживания непосредственно на территории гаражей (разумеется, за пределами залов, где температура поднимается до 130°С!). Сервис помогает им быстро принимать решения, руководствуясь удобным UI цифрового советчика, который дает однозначный и самый оптимальный расчет времени, а не столбцами в электронных таблицах, как раньше.

А ещё мы «открыли», что смерзается не само сырье, а имеющаяся в нем влага. Здесь можно посмеяться над нашей недальновидностью, однако фокус на воду позволил нам в корне пересмотреть систему разморозки. Ранее сервис ориентировался на температуру воздуха по пути следования состава, время в пути, состав груза и подобные, подчас избыточные цифры. Теперь же мы сосредоточились на общей массе и удельной влажности сырья: этот параметр доступен нам из сертификатов качества. Зная, сколько тонн воды нам нужно разморозить, мы легко можем посчитать, сколько энергии требуется отдать составу. Разумеется, мы не отказались от сбора остальных данных, но сместили акцент. Перестроив модель, мы получили максимально точную информацию о минимальном времени, необходимом для разморозки. Что касается внедрения новых способов разморозки — увы, пока что здесь прорывов не намечается. Как известно, единственная технология, способная оказывать воздействие только на воду в сырье — это микроволны, но это не наш случай. Поэтому при расчете нагревающего воздействия математическая модель учитывает теплообмен между железорудным сырьем и водой и то, сколько тепла забирает твердая фракция. Сегодня сервис помогает быстро принимать решения, глядя не в столбцы таблицы, а в интерфейс цифрового советчика, который дает однозначный и самый оптимальный расчет времени. Экономия выходит существенная — приблизительно 11%, то есть 3,64 миллиона кубометров природного газа в год.

Раньше вместо этого интерфейса были рекомендательные таблицы — долго и неудобно, а сервис — быстро и оптимально Решением заинтересовались наши коллеги из «Алтай-Кокса» и коксохимического цеха, поэтому сейчас мы думаем над тиражированием сервиса с учетом их специфики. Также сейчас специалисты НЛМК рассматривают перспективы развития сервиса, в частности, внедрение автоматической передачи сигнала на снижение расхода газа.

Хабы: Блог компании Группа НЛМКАнализ и проектирование систем Промышленное программирование