شروع استفاده از هوش مصنوعی در فولاد خراسان

شروع استفاده از هوش مصنوعی در فولاد خراسان

گفتگو با بهروز ناصحی فر، مدیر خدمات فنی و پشتیبانی فولاد خراسان

استفاده از هوش مصنوعی در روند تولید فولاد یک نوآوری مهم است که برای نخستین بار در کارخانه فولاد خراسان در دست انجام است. در این مورد با آقای فریبرز ناصحی فر، مدیر خدمات فنی و پشتیبانی فولاد خراسان، گفتگو کردیم.

– کاربرد هوش مصنوعی در کدام بخش از تولید صورت گرفته است؟ 

• در واحد احیا، پیش بینی MD و درصد فلزی به دقت از طریق هوش مصنوعی سنجیده می‌شود. برای این منظور از آخرین نسخه چت جی‌پیتی چهار استفاده کردیم و خطایی که تا کنون در فرایند offline (برون‌خطی) به ما داده، زیر نیم درصد است. 
• از لجستیک هوشمند توانستید استفاده کنید؟ 
• خیر حمل و نقل ما هوشمند نیست، در فولاد مبارکه به این شکل است. در آنجا از شبکه 5G ایرانسل استفاده کرده‌اند. اما ما به اون صورت نیستیم، ولی در زمینه کاربرد هوش مصنوعی، فکر می‌کنم ما تنها شرکتی هستیم که کار کردیم و نتیجه گرفتیم.
• سیستم کنترل هوشمند و سنسورها به چه صورت هستند؟ 
• در کل، سیستم کنترل ما هوشمند است. از یک سیستم ژاپنی استفاده کرده ایم و در حدود ۲۰۰۰ سنسور، داده ها را دریافت می‌کنند. از این دو هزار سنسور، تقریبا صد سنسور را انتخاب کردیم که داده‌های آن را کنترل می‌کنیم. برای مثال، پرشر ترانسمیتر (Pressure Transmitter)، فلو ترانسمیتر (Flow Transmitter) و ترانسمیتر دما (Temperature Transmitter) که اینها را انتخاب و داده‌ها را وزن‌دهی کردیم و آن چیزی که بر MD تاثیر دارد وارد سیستم کنترل پیش‌بینی هوشمند می‌شود و MD را به ما می‌دهد و MD شش ساعت بعد را پیش بینی می‌کند 
• شفافیت داده‌ها در چه حد در بهره‌وری شما تاثیر گذاشته؟ 

– داده‌ها شفاف هستند. نیم درصد اختلاف دارد یعنی MD خروجی اگر 94 باشد، در نهایت، 5/93 تا 5/94 پیش بینی می‌شود. مرحله بعدی این است که ما داده‌ها را برخط (online) استخراج کنیم، الان داده‌ها offline (برون خط) است. ما سیستمی طراحی کرده ایم که بتواند داده‌ها را برخط بگیرد. در حال حاضر، داده‌های شش ماه را ذخیره کرده‌ایم. ما سیستمی داریم که داده‌ها را از ده سال قبل ذخیره کرده است. 

به‌زودی این سیستم به حالت آنلاین (Real-Time) انتقال خواهد یافت. با این تغییر، داده‌ها به‌صورت آنی وارد سیستم شده و پیش‌بینی‌ها بلافاصله انجام خواهند شد. این تغییر باعث افزایش دقت پیش‌بینی‌ها و سرعت فرآیندهای تولید خواهد شد. در حال حاضر، داده‌ها از شش ماه تا یک سال قبل جمع‌آوری و ذخیره شده و به‌طور دوره‌ای برای پیش‌بینی‌های آینده استفاده می‌شوند. 

استفاده از شبکه‌های عصبی برای بهبود پیش‌بینی‌ها

برای تحلیل داده‌ها و بهبود پیش‌بینی‌ها، از شبکه‌های عصبی عمیق (Deep Neural Networks) استفاده می‌شود. داده‌ها به‌صورت سری – زمانی وارد شبکه‌های عصبی شده و مدل‌های پیش‌بینی دقیق‌تری ساخته می‌شوند. این شبکه‌ها قادرند به‌طور خودکار داده‌های غیرضروری را شبیه‌سازی کرده و حذف کنند تا دقت پیش‌بینی‌ها افزایش یابد.

با توجه به این‌که شبکه‌های عصبی قادر به پردازش حجم زیادی از داده‌ها هستند، پیش‌بینی‌های دقیق‌تری برای مقدار متغیر (MD) در شش ساعت بعدی انجام می‌شود. هرچند که برای پیش‌بینی‌های دورتر از این زمان، دقت، کاهش می‌یابد، اما در حال حاضر پیش‌بینی شش ساعته با دقت بالا انجام می‌شود.

چالش‌ها و محدودیت‌ها

یکی از چالش‌های اصلی این پروژه، کمبود پارامترهای آنالیز و محدود بودن تعداد نمونه‌های آموزشی برای شبکه‌های عصبی بوده است. این مسئله باعث شده که دقت مدل‌های پیش‌بینی هنوز به‌طور کامل بهینه نباشد. با این حال، تلاش‌ها برای بهبود این مدل‌ها و افزایش تعداد داده‌های آموزشی ادامه دارد تا دقت پیش‌بینی‌ها بیشتر شود.

برای بهبود فرآیندهای تولید، گندله‌سازی و آهن اسفنجی یکی از مهم‌ترین بخش‌های واحدهای تولید فولاد است. در این واحدها، داده‌های فرآیند و خروجی‌های مختلف جمع‌آوری و پردازش می‌شوند تا به تحلیل و بهینه‌سازی تولید کمک کنند. مراحل مختلف این فرآیند شامل موارد زیر است:

✓خروجی واحد گلدله‌سازی و اسفنجی: داده‌های مربوط به این واحدها جمع‌آوری می‌شوند تا کارایی فرآیند بهبود یابد.

✓حذف داده‌های آلوده: در این مرحله، داده‌های مربوط به توقفات سیستم و داده‌های غیرمعتبر حذف می‌شوند تا تحلیل‌ها دقیق‌تر باشند.

✓جمع‌آوری اطلاعات از سیستم‌های میدرکس: اطلاعات به‌روز از مدل‌ها و ژورنال‌های روز دنیا جمع‌آوری شده و در اختیار کارشناسان تولید قرار می‌گیرد تا فرآیندها به‌روزرسانی شوند.

✓کاهش تعداد پارامترها: با استفاده از روش‌های آماری و ریاضی، تعداد پارامترهای سیستم کاهش می‌یابد، از پنج هزار پارامتر به 300 پارامتر، که این امر باعث دقت بالاتر و تسهیل در تحلیل‌ها می‌شود.

✓ آموزش مدل‌های مختلف: مدل‌های مختلف مبتنی بر روش‌های آماری و یادگیری ماشینی آموزش داده می‌شوند تا به بهینه‌سازی سیستم کمک کنند.

✓بهینه‌سازی مدل‌ها: پس از آموزش مدل‌ها، مراحل بهینه‌سازی انجام می‌شود تا بهترین عملکرد ممکن از سیستم استخراج شود.

با تشکر از بهروز ناصحی‌فر، مدیر خدمات فنی و پشتیبانی فولاد خراسان که در این مصاحبه با نشریه گزیده جهان فولاد شرکت کردند. 

گزیده جهان فولاد