Санкт-Петербургский горный университет императрицы Екатерины II, Санкт-Петербург, Россия.

П. В. Иванов, доцент кафедры автоматизации технологических процессов и производств, канд. техн. наук, эл. почта: Ivanov_PV@pers.spmi.ru
Л. Н. Никитина, доцент кафедры автоматизации технологических процессов и производств, канд. техн. наук, эл. почта: nikitina_ln@spmi.ru
Н. В. Васильева, доцент кафедры автоматизации технологических процессов и производств, канд. техн. наук, эл. почта: vasileva_nv@pers.spmi.ru

Санкт-Петербургский государственный технологический институт (технический университет), Санкт-Петербург, Россия
Л. А. Русинов, заведующий кафедрой автоматизации процессов химической промышленности, докт. техн. наук, профессор

Рассмотрен подход к анализу большого массива данных оперативного контроля для разработки управляющей модели на примере технологического процесса плавки медно-никелевого сульфидного сырья в слое расплава, включающий фильтрацию данных; удаление выбросов и пропусков данных, «промахов» и прочих дефектов, не позволяющих использовать их в построении модели. На основе данных оперативного контроля за ходом технологического процесса разработаны две модели для оценки содержания цветных металлов в продуктах плавки: прогнозная модель множественной регрессии (средняя ошибка моделирования – 6 %), а также модель на основе алгоритма Random Forest (средняя ошибка моделирования – 1 %). При выборе наилучшей модели предпочтение отдано модели множественной регрессии. Определены оптимальные условия ведения процесса, которые могут быть рекомендованы оператору при управлении процессом. Применение подобных методов анализа данных оперативного контроля в режиме советчика позволит оператору технологического процесса стабилизировать содержание цветных металлов в штейне, что повысит технико-экономические показатели процесса плавки медно-никелевого сульфидного сырья и улучшит технологические параметры дальнейших пирометаллургических переделов. За счет ведения технологического процесса в режиме, близком к оптимальному, будет сокращен расход ресурсов. Следует отметить универсальность предложенного метода, что позволяет рекомендовать его и для других технологических процессов.

1. Aazam M., Zeadally S., Harras K. A. Deploying fog computing in industrial internet of things and Industry 4.0 // IEEE Tran sactions on Industrial Informatics. 2018. Vol. 14, Iss. 10. P. 4674–4682.
2. Господариков А. П., Ревин И. Е., Морозов К. В. Композитная модель анализа данных сейсмического мониторинга при ведении горных работ на примере Кукисвумчоррского месторождения АО «Апатит» // Записки Горного института. 2023. Т. 262. С. 571–580. DOI: 10.31897/PMI.2023.9
3. Акбердина В. В. Трансформация промышленного комплекса России в условиях цифровизации экономики // Известия Уральского государственного экономического университета. 2018. Т. 19, № 3. С. 82–99. DOI: 10.29141/2073-1019-2018-19-3-8
4. Litvinenko V. S., Tsvetkov P. S., Molodtsov K. V. The social and market mechanism of sustainable development of public companies in the mineral resource sector // Eurasian Mining. 2020. № 1. P. 36–41.
5. Bartel A., Ichniowski C., Shaw K. How does information technology affect productivity? Plant-level comparisons of product innovation, process improvement, and worker skills // The Quarterly Journal of Economics. 2007. Vol. 122, Iss. 4. P. 1721–1758.
6. Weng Y., Sun Y., Jiang D., Tao B. et al. Enhancement of realtime grasp detection by cascaded deep convolutional neural networks // Concurrency and Computation: Practice and Experience. 2021. Vol. 33, Iss. 5. 5976. DOI: 10.1002/cpe.5976
7. Matrokhina K. V., Makhovikov A. B., Trofimets E. N. Ensuring information security in corporate communication systems // E3S Web of Conferences. 2021. Vol. 266. 09001. DOI: 10.1051/e3sconf/202126609001
8. Ardanza A., Moreno A., SeguraÁ., de la Cruz M., Aguinaga D. Sustainable and flexible industrial human machine interfaces to support adaptable applications in the Industry 4.0 paradigm // International Journal of Production Research. 2019. Vol. 57, Iss. 12. P. 4045–4059.
9. Ivanov D., Tang C. S., Dolgui A., Battini D., Das A. Researchers’ perspectives on Industry 4.0: multi-disciplinary analysis and opportunities for operations management // International Journal of Production Research. 2021. Vol. 59, Iss. 7. P. 2055–2078.
10. Capo D., Levina A., Dubgorn A., Schöder K. Enterprise architecture concept for digital manufacturing // IOP Conference Series: Materials Science and Engineering. 2020. Vol. 1001. 012044. DOI: 10.1088/1757-899X/1001/1/012044
11. Шестаков А. К., Петров П. А., Николаев М. Ю. Автоматическая система обнаружения видимых выбросов в электролизном цехе алюминиевого завода на основе технического зрения и нейронной сети // Металлург. 2022. № 10. С. 105–112. DOI: 10.1007/s11015-023-01445-z
12. Castelo-Branco I., Cruz-Jesus F., Oliveira T. Assessing Industry 4.0 readiness in manufacturing: evidence for the European Union // Computers in Industry. 2019. Vol. 107. Р. 22–32.
13. Ghobakhloo M., Fathi M. Corporate survival in Industry 4.0 era: the enabling role of lean-digitized manufacturing // Journal of Manufacturing Technology Management. 2020. Vol. 31, Iss. 1. P. 1–30.
14. Мартынов С. А., Бажин В. Ю., Петров П. А. Цифровая система управления рудно-термической печью при производстве металлургического кремния // Цветные металлы. 2021. № 1. С. 70–76.
15. Ghobakhloo M. The future of manufacturing industry: a strategic roadmap toward Industry 4.0 // Journal of Manufacturing Technology Management. 2018. Vol. 29, Iss. 6. P. 910–936.
16. Heavin C., Power D. J. Challenges for digital transformation – towards a conceptual decision support guide for managers // Journal of Decision Systems. 2018. Vol. 27, Iss. sup1. P. 38–45.
17. Жуковский Ю. Л., Королев Н. А., Малькова Я. М. Мониторинг состояния измельчения в барабанных мельницах по результирующему моменту на валу // Записки Горного института. 2022. T. 256. C. 686–700. DOI: 10.31897/PMI.2022.91
18. Kolesnikov A. S. Kinetic investigations into the distillation of nonferrous metals during complex processing of waste of metallurgical industry // Russian Journal of Non-Ferrous Metals. 2015. Vol. 56. P. 1–5.
19. Boikov A., Payor V. The present issues of control automation for levitation metal melting // Symmetry. 2022. Vol. 14, Iss. 10.1968. DOI: 10.3390/sym14101968
20. Kokolek N., Jakovic B., Curlin T. Digital knowledge and skills – key factors for digital transformation // Proceedings of the 30th DAAAM International Symposium. 2019. P. 0046–0053. DOI: 10.2507/30th.daaam.proceedings.006
21. Koteleva N., Khokhlov S., Frenkel I. Digitalization in open-pit mining: a new approach in monitoring and control of rock fragmentation // Applied Sciences. 2021. Vol. 1, Iss. 22. 10848. DOI: 10.3390/app112210848
22. Levina A. I., Borremans A. D., Lepekhin A. A., Kalyazina S. E., Schröder K. M. The evolution of Enterprise Architecture in scopes of digital transformation // IOP Conference Series: Materials Science and Engineering. 2020. Vol. 940. 012019. DOI: 10.1088/1757-899X/940/1/012019
23. Litvinenko V. S. Digital Economy as a factor in the technological development of the mineral sector // Natural Resources Research. 2020. Vol. 29. P. 1521–1541.
24. Liere-Netheler K., Packmohr S., Vogelsang K. Drivers of digital transformation in manufacturing // Proceedings of the 51st Hawaii International Conference on System Sciences. 2018. P. 3925–3935. DOI: 10.24251/HICSS.2018.493
25. Mazakov E. B., Matrokhina K. V., Trofimets V. Y. Traffic management at the enterprises of the mineral industry // Advances in Raw Material Industries for Sustainable Development Goals. – CRC Press, 2020. P. 397–405. DOI: 10.1201/9781003164395-50
26. Луцкий Д. С., Игнатович А. С. Исследование гидрометаллургического извлечения меди и рения при переработке медных некондиционных концентратов // Записки Горного института. 2021. T. 251. C. 723–729. DOI: 10.31897/PMI.2021.5.11
27. Machado C. G., Winroth M., Carlsson D., Almström P. et al. Industry 4.0 readiness in manufacturing companies: challenges and enablers towards increased digitalization // Procedia CIRP. 2019. Vol. 81. P. 1113–1118.
28. Abdallah Z. S., Du L., Webb G. I. Data preparation // Encyclopedia of Machine Learning and Data Mining. – Springer US, 2017. Р. 318–327. DOI: 10.1007/978-1-4899-7687-1_62
29. Potapov A. I., Kulchitskii A. A., Smorodinskii Ya. G., Smirnov A. G. Evaluating the error of a system for monitoring the geometry of anode posts in electrolytic cells with self-baking anode // Russian Journal of Nondestructive Testing. 2020. Vol. 6. P. 268–274.
30. Vasilyeva N. V, Ivanov P. V. Development of a control subsystem to stabilize burden materials charging into a furnace // Journal of Physics: Conference Series. 2019. Vol. 1210. 012158. DOI: 10.1088/1742-6596/1210/1/012158

31. Sony M. Industry 4.0 and lean management: a proposed integration model and research propositions // Production & Manufacturing Research. 2018. Vol. 6, Iss. 1. P. 416–432.
32. Kong L. X., Hodgson P. D., Collinson D. C. Modelling the effect of carbon content on hot strength of steels using a modified artificial neural network // ISIJ International. 1998. Vol. 38, Iss. 10. P. 1121–1129.
33. Reddy N. S., Krishnaiah J., Hong S.-G., Lee J. S. Modeling medium carbon steels by using artificial neural networks // Materials Science and Engineering: A. 2009. Vol. 508, Iss. 1–2. 93–105.
34. Breiman L. Random forests // Machine Learning. 2001. Vol. 45, Iss. 1. P. 5–32.
35. Marchand D., Jain A., Glensk A., Curtin W. A. Machine learning for metallurgy I. A neural-network potential for Al – Cu // Physical Review Materials. 2020. Vol. 4. 103601. DOI: 10.1103/PhysRevMaterials.4.103601
36. Schonlau M., Zou R. Y. The random forest algorithm for statistical learning // The Stata Journal: Promoting Communications on Statistics and Stata. 2020. Vol. 20, Iss. 1. P. 3–29.
37. Ahmad M. W., Mourshed M., Rezgui Y. Trees vs neurons: comparison between random forest and ANN for high-resolution prediction of building energy consumption // Energy and Buildings. 2017. Vol. 147. P. 77–89.
38. Nguyen V. T., Pham T. V., Rogachev M. K., Korobov G. Y. et al. A comprehensive method for determining the dewaxing interval period in gas lift wells // Journal of Petroleum Exploration and Production Technology. 2023. Vol. 13. P. 1163–1179.
39. Duryagin V., Nguyen Van T., Onegov N., Shamsutdinova G. Investigation of the selectivity of the water shutoff technology // Energies. 2022. Vol. 16, Iss. 1. 366. DOI: 10.3390/en16010366