Рекомендательные системы на производствах минеральных удобрений

• Повышение производительности: Увеличение выработки целевого продукта (например, аммиака или калийного концентрата) на 1–3% без закупки нового оборудования.

• Снижение ресурсоемкости: Сокращение удельного расхода дорогостоящего сырья (природного газа), энергоресурсов (пара, электроэнергии) и реагентов на тонну готовой продукции.

• Стабилизация качества: Минимизация человеческого фактора, снижение вариативности ведения технологического режима и удержание параметров продукта в строгих границах ГОСТа/ТУ.

• Повышение безопасности: Раннее обнаружение аномалий и предотвращение аварийных остановок цехов.

2025

Внедрение рекомендательных систем позволило сократить время реагирования на технологические отклонения до считанных минут, что значительно уменьшило простой оборудования.

Это привело к росту выпуска продукции в среднем на 2% без дополнительных вложений и снижению расхода сырья (природного газа) в среднем на 1%, обеспечивая экономию в сотни миллионов рублей в год с одного агрегата. Также системы повысили операционную устойчивость и эффективность, снизив риски человеческого фактора.

За 3 года использования рекомендательных систем на производствах минеральных удобрений совокупный экономический эффект составил 1,5 млрд руб.

Ядро на базе машинного обучения и ИИ: Алгоритмы непрерывно анализируют сотни параметров (в ряде производств аммиака — более 1500 технологических показателей). Они сопоставляют текущие данные с историческими сценариями и выявляют скрытые зависимости.

Источники данных и оборудование:

• АСУ ТП и КИПиА: Потоковые данные с сотен датчиков (температура, давление, расход, вибрация, плотность пульпы).

• Базы данных реального времени (Historians): Системы класса OSIsoft PI System или аналоги для хранения временных рядов телеметрии.

• ЛИМС (Лабораторные системы): Данные ручных и автоматических экспресс-анализов качества сырья и полупродуктов.

В проекте не используются решения из каталога Global CIO

Реализация проекта столкнулась с тремя ключевыми вызовами:

1. Низкое качество исходных данных. Исторические данные с датчиков АСУ ТП содержали много шумов, пропусков, аномалий и требовали колоссальной предварительной очистки. Сложность добавляла рассинхронизация по времени: телеметрия поступает каждую секунду, а лабораторные анализы качества (ЛИМС) — раз в несколько часов.

2. Сложность математического моделирования. Химические процессы нелинейны и изменчивы во времени. Разработчикам пришлось строить сложные «цифровые двойники» агрегатов (например, печей риформинга или барабанов грануляции), которые должны учитывать сотни взаимосвязанных параметров и мгновенно адаптироваться к изменению качества сырья или износу оборудования.

3. Человеческий фактор (Adoption Rate). Опытные операторы ЦПУ изначально с недоверием относились к подсказкам ИИ, считая свой многолетний стаж надежнее алгоритмов. Компании пришлось внедрять вспомогательные системы аналитики смен, обучать персонал и дорабатывать интерфейсы.

Рекомендательные системы компании представляют собой интеллектуальные цифровые инструменты для оперативного управления крупнотоннажным производством. Промышленный ИИ в режиме реального времени обрабатывает телеметрию с сотен датчиков, собирает данные лабораторных анализов (ЛИМС) и учитывает внешние факторы, включая погодные условия.

Алгоритмы сопоставляют текущие показатели с историческими сценариями и находят скрытые математические закономерности. На основе этого анализа система формирует для операторов центрального пульта подсказки — оптимальные параметры и уставки технологического режима. Главная задача ИИ — выдерживать тонкий баланс между минимизацией затрат на ресурсы и максимизацией выработки.

Решения тиражированы на ключевых площадках:

• Производство аммиака: Цифровые советники внедрены во всех профильных цехах ЕвроХима в России. Они позволили существенно снизить удельный расход дорогостоящего сырья — природного газа, сократить внеплановые простои и поднять объемы выпуска.

• Минеральные и комплексные удобрения (NPK): На заводе «Невинномысский Азот» ИИ-оптимизатор управляет сложным процессом грануляции в БГС (барабанный гранулятор-сушилка). Только одна из таких систем обеспечила предприятию эффект в 270 млн рублей за год.

• Калийный сегмент: Алгоритмы Big Data успешно внедряются на обогатительных фабриках горно-обогатительных комбинатов. В официальном реестре программного обеспечения зафиксированы специализированные рекомендательные системы для узлов измельчения и сгущения шламов.

География проекта охватывает ключевые производственные регионы России, включая крупнейшие азотные, фосфорные и калийные предприятия холдинга. Проект реализуется по сквозному принципу: от добывающих комбинатов до заводов финального передела удобрений.