Цифровая "угольная" модель помогла ММК сэкономить свыше полумиллиарда

Фото: управление информации и общественных связей ПАО "ММК"

За прошлый год.

Магнитогорский металлургический комбинат в 2018 году сэкономил более 500 миллионов рублей, используя математическую модель оптимизации закупки и потребления угольного сырья. Экономического эффекта удалось достичь за счет улучшения структуры угольной шихты и качества кокса.

Как сообщили "Уралинформбюро" в управлении информации и общественных связей ПАО "ММК", математическая модель - часть масштабной стратегии цифровизации ММК. За основу программы взята комплексная многоуровневая модель аглококсодоменного производства. Она призвана оптимизировать производственные процессы первого передела.

Модель оптимизации привоза и потребления угольного сырья в ПАО "ММК" эксплуатируется с февраля 2017 года. Собственная разработка меткомбината опирается на изучение работы коксохимического и доменного производств с 2011 года. Созданием, внедрением и развитием модели занимается группа математического моделирования и системно-аналитических исследований НТЦ ПАО "ММК". Модель позволяет оптимизировать процесс как на уровне технолога, так и на уровне специалиста по закупкам, и получить требуемое качество кокса при минимальных затратах.

Сегодня она используется при закупке угольных концентратов, интегрируя знания и требования всех служб ПАО "ММК", в том числе управления категорийных закупок (владелец модели), научно-технического центра, коксохимического производства, управления экономики. Ежемесячные расчеты в рамках бизнес-процесса закупки угольных концентратов выполняются в многопользовательском веб-интерфейсе АИС "Модель оптимизации привоза и потребления угольного сырья".

Это не первый успешный проект матмоделирования оптимизации производственных процессов первого передела, вклад котрого в себестоимость продукции составляет около 80%. Разработана и модель оптимизации доставки и потребления железорудного сырья, создана АИС "Оптимальный чугун". При этом были использованы технологии Big Data и искусственных нейронных сетей, также применялись традиционные физико-химические модели, в частности, позволяющие учитывать динамические характеристики доменного процесса.