ПАО «ГМК «Норильский никель», Москва, Россия

Матюшин К. Р., вице-президент по экономике, канд. экон. наук, эл. почта: MatyushinKR@nornik.ru

ЗФ ПАО «ГМК «Норильский никель», Норильск, Россия¹ ; ФГБОУ ВО «Заполярный государственный университет имени Н. М. Федоровского», Норильск, Россия²
Батралиев Р. Ш., и.о. директора Департамента инноваций¹, научный сотрудник², эл. почта: BatralievRSh@nornik.ru

ЗФ ПАО «ГМК «Норильский никель», Норильск, Россия
Арыштаев А. Г., директор Талнахской обогатительной фабрики, эл. почта: aryshtaevag@nornik.ru
Боциев Р. М., главный инженер Талнахской обогатительной фабрики, эл. почта: botsievrm@nornik.ru

Рассмотрено применение промышленного искусственного интеллекта (ИИ) в металлургическом и обогатительном производстве Заполярного филиала ПАО «ГМК «Норильский никель». Приведен опыт команды по внедрению решений на основе ИИ для оптимизации процессов и повышения эффективности производства. Представлены различные аспекты использования ИИ, в том числе автоматизация управления технологическими процессами, оптимизация работы оборудования и повышение качества продукции. Также выполнен анализ проблем, с которыми столкнулась команда при внедрении решений на основе ИИ, и предложены возможные пути их решения с учетом существующего опыта ПАО «ГМК «Норильский никель». Проведено сравнение промышленного искусственного интеллекта с традиционными решениями автоматического управления. Рассмотрены преимущества и недостатки каждого подхода, а также потенциал применения промышленного искусственного интеллекта в горно-металлургическом производстве, приведены примеры успешного внедрения решений на основе ИИ в металлургическом и обогатительном производствах Заполярного филиала ПАО «ГМК «Норильский никель» с примером полного жизненного цикла бизнес-кейса, визуализацией интерфейса программного обеспечения и с примерами алгоритмов управления. Описаны возможные препятствия и ограничения, с которыми могут столкнуться предприятия при внедрении таких решений. В заключение отмечена значимость использования ИИ в горно-металлургическом производстве для повышения конкурентоспособности предприятий и улучшения экономических показателей. Также отмечены большой потенциал применения промышленного ИИ в горно-металлургическом производстве и необходимость его дальнейшего изучения и развития.

1. Искусственный интеллект в России-2023: тренды и перспективы. — URL: https://yakovpartners.ru/upload/iblock/c5e/c8t1wrkdne5y9a4nqlicderalwny7xh4/20231218_AI_future.pdf (дата обращения: 04.06.2025)
2. Крупнов Л. В., Мидюков Д. О., Дациев М. С., Ильин В. Б. Изменение ресурсной базы производства тяжелых цветных металлов на примере меди и никеля // Горный журнал. 2024. № 3. С. 10–16.
3. Крупнов Л. В., Мидюков Д. О., Малахов П. В. Направления поддержания сырьевой базы медно-никелевой подотрасли // Обогащение руд. 2022. № 2. С. 37–41.
4. Крупнов Л. В., Пахомов Р. А., Талалов В. А., Малахов П. В. Варианты изменения конструкции печей взвешенной плавки для улучшения динамики газового потока // Металлургия цветных, редких и благородных металлов : сборник тезисов докладов XIV Международной конференции, посвященной 40-летию Института химии и химической технологии Сибирского отделения РАН, Красноярск, 06–09 сентября 2021 года / Институт химии и химической технологии Сибирского отделения РАН. — Красноярск : Научно-инновационный центр, 2021. С. 70–72.
5. Крупнов Л. В., Цымбулов Л. Б., Малахов П. В., Озеров С. С. Работа автогенных агрегатов в Заполярном филиале компании «Норникель» при переработке сырья с пониженным энергетическим потенциалом // Цветные металлы. 2022. № 2. С. 40–48.
6. Крупнов Л. В., Малахов П. В., Озеров С. С., Мидюков Д. О. Обоснование выбора технологии переработки низкоэнергетического сырья // Металлургия цветных, редких и благородных металлов : сборник докладов XV Международной конференции имени члена-корреспондента РАН Геннадия Леонидовича Пашкова, Красноярск, 06–08 сентября 2022 года. — Красноярск : Общество с ограниченной ответственностью «Научно-инновационный центр», 2022. С. 237–242.
7. Крупнов Л. В., Малахов П. В., Озеров С. С., Пахомов Р. А. Анализ металлургии кобальта в России и подходы к повышению извлечения металла в готовую продукцию // Цветные металлы. 2023. № 7. С. 25–33.
8. Малахов П. В., Крупнов Л. В., Пахомов Р. А. и др. Повышение извлечения кобальта при конвертировании на медно-никелевый файнштейн // Металлургия цветных, редких и благородных металлов : сборник докладов XVI Международной конференции имени члена-корреспондента РАН Геннадия Леонидовича Пашкова, Красноярск, 05–08 сентября 2023 года. — Красноярск : Общественное учреждение «Красноярский краевой Дом науки и техники Российского союза научных и инженерных общественных объединений», 2023. С. 301–317. DOI: 10.47813/sfu.mnfrpm.2023.301-317
9. Крупнов Л. В., Пахомов Р. А., Старых Р. В., Таланов В. А. Изменение динамики газопылевого потока в печи взвешеннной плавки Надеждинского металлургического завода при установке защитного козырька. Часть 1. Модельные расчеты // Цветные металлы. 2021. № 10. С. 63–71.
10. Крупнов Л. В., Румянцев Д. В., Попов В. А. и др. Технические решения по улучшению условий эксплуатации печей Ванюкова при переработке техногенного сырья // Металлург. 2024. № 4. С. 106–111. DOI: 10.52351/ 00260827_2024_4_106
11. Pakhomov R. A., Malakhov P. V., Krupnov L. V., Dymov I. M. Improving cobalt extraction through oxidative blowing of coppernickel matte // 12th International Conference of Molten Slags, Fluxes and Salts (MOLTEN 2024) Proceedings, June 19, 2024. P. 1187–1193. DOI: 10.62053/zfvs9836
12. Домингос П. Верховный алгоритм. Как машинное обучение изменит наш мир. — М. : Манн, Иванов и Фербер, 2016. — 190 с.
13. Vermesan O., Pétrot F., Coppola M., Schneider M. et al. Industrial AI technologies for next-generation autonomous operations with sustainable performance. — URL: https://www.riverpublishers.com/pdf/ebook/chapter/RP_9788770226103C1.pdf (дата обращения: 05.04.2025)
14. Агеев А. И., Радина В. А. Методика цифровой экономики в части управления и контрольной деятельности в реальном секторе экономики // Экономические стратегии. 2019. Т. 21, № 3(161). С. 44–56. DOI: 10.33917/es-3.161.2019.44-56
15. Мюллер А. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными : монография. — М. : Альфа-книга, 2017. — 697 с.
16. An Jianqi, She Jinhua, Chen Huicong, Wu Min. Applications of evolutionary computation and artificial intelligence // Metallurgical Industry. 2019. P. 77–87. DOI: 10.1007/978-981-13-6936-0_9
17. Девочкин А. И., Крупнов Л. В. и др. Атлас минерального сырья, технологических промышленных продуктов и товарной продукции ЗФ ПАО «ГМК «Норильский никель» / под общей редакцией члена-корреспондента РАЕН, д.т.н., профессора Л. Б. Цымбулова. — СПб. : Политех-пресс, 2021. — 398 с.
18. Jiang G. Z., Li G. F., Kong J. Y., Xie L. X. Coke oven heatingmodel of fuzzy intelligent control system // Sens. Transducers. 2012. Vol. 16, Iss. SPEC. 1. P. 75–83.
19. Барский А. Б. Логические нейронные сети. — М. : Бином. Лаборатория знаний / Интернет-Университет Информационных Технологий (ИНТУИТ), 2017. — 336 с.
20. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. — М. : Горячая линия — Телеком; Издание 2-е, стер., 2002. — 382 с.

21. Muntin A. V., Zhikharev P. Yu., Ziniagin A. G., Brayko D. A. Artificial intelligence and machine learning in metallurgy. Part 1. Methods and algorithms. 2023. Vol. 67. P. 886–894. DOI: 10.1007/s11015-023-01576-3
22. Мунтин А. В., Шамшин М. Н., Зинягин А. Г., Хлыбов О. С. и др. Цифровизация — важнейший инструмент совершенствования металлургических технологий // Металлург. 2022. № 9. С. 31–43. DOI: 10.52351/00260827_2022_09_31
23. Raj S., Bikash S., Hiranmay S., Suvobrata S. et al. Scope of machine learning applications for addressing the challenges in next-generation wireless networks // CAAI Transactions on Intelligence Technology. 2022. Vol. 7, Iss. 3. P. 395–418. DOI: 10.1049/cit2.12114
24. Yiwei Ch. Study of route optimization algorithms, improvements  with metaheuristics and machine-learning models, and an industrial case study with AmeriGas. 2022. DOI: 10.13140/RG.2.2.20355.72480