ЗФ ПАО «ГМК «Норильский никель», Норильск, Россия
Глибовец М. В., главный инженер – директор Дирекции сопровождения производства, эл. почта: GlibovetsMV@nornik.ru
Боциев Р. М., главный инженер Талнахской обогатительной фабрики, эл. почта: BotsievRM@nornik.ru
Миллер А. А., ведущий инженер-технолог лаборатории инженерного сопровождения производства Талнахской обогатительной фабрики Центра инженерного сопровождения производства, эл. почта: MillerALA@nornik.ru
ООО «Норникель Спутник», Норильск, Россия
Запорожцев И. Ф., главный менеджер по внутренней разработке и привлечению внешних подрядчиков минерально-сырьевого комплекса, эл. почта: ZaporozhtsevIF@nornik.ru
Цифровизация промышленных площадок на современном этапе развития включает не только оснащение датчиками и единый интерфейс уп равления через SCADA-системы, но и унификацию процессов (согласно методологии Data Governance — управления качеством данных). Стремления к повышению объемов и качества готовой продукции, снижению издержек неизбежно приводят к экспериментальным режимам технологических процессов, которые не закладывали на этапе проектирования. Накопленная статистика изменения физико-химических признаков в таких условиях является бесценным источником для сравнения алгоритмов управления. Обобщение результатов средствами машинного обучения позволяет выявить и программно реализовывать наиболее эффективные из них с учетом многоцелевых, многокритериальных задач оптимизации — получить сервисы автоуправления, цифровые двойники операторов. Рассмотрен методологический и практический опыт создания системы оптимизации производства, обеспечивающей повышение извлечения металлов и качества продукции на Талнахской обогатительной фабрике Заполярного филиала ПАО «ГМК «Нориль ский никель». Представлен подход к формализации управ ления в условиях фабрики: классификация наблюдаемых физико-химических пока зателей для идентификации состояний (Сondition-Based Maintenance), гибридный формат моделирования с сов ме щением результатов упрощенных физико-математических моделей и машинного обучения, управление по данным прогноза (Model Predictive Control), разделение масштабов управления на диспетчерский и операторный уровни, разработка и обновление сервисов в предметно-ориен тированной парадигме (Domain-Driven Design) и с учетом потока заявок технологов, которые ведут реальный процесс обогащения, используя сервисы автоуправления. Результатом этой работы по итогам 2024 г. является повышение сквозного извлечения никеля (на 0,36 % (отн.)) и меди (на 0,16 % (отн.)) в коллективный концентрат, и стабилизация процессов флотации в условиях изменчивости руды. Также достигнут технический эффект за счет более оптимального распределения металлов в профильные концентраты: увеличение извлечения Ni в никелевые концентраты на 0,5 % (отн.) и снижение извлечения Ni в медный концентрат на 0,5 % (отн.) при фиксированном сквозном извлечении (эффект за счет отсутствия потерь на Медном заводе).
В работе принимали участие специалисты ПАО «ГМК «Норильский никель»: Д. И. Ивашечкин, А. Н. Сисина, М. С. Дациев, Д. О. Мидюков, А. Г. Арыштаев, Е. В. Насвищук, В. Ю. Иванов, Е. М. Стрелецкая и др.
1. Абраров А. Д., Дациев М. С., Чикильдин Д. Е., Федотов Д. Н. Система оптимизации процесса коллективной флотации Талнахской обогатительной фабрики на основе алгоритмов машинного обучения // Цветные металлы. 2022. № 2. С. 87–93.
2. Klokov A., Abrarov A., Danilov P. Flotation froth monitoring using unsupervised multiple object tracking methods // Journal of Mineral and Material Science. 2023. Vol. 4, Iss. 1. P. 1–4.
3. Wang Xu et al. An unsupervised method for extracting semantic features of flotation froth images // Minerals Engineering. 2022. Vol. 176. P. 24–32.
4. Chen Y., Xu D., Wan K. A froth velocity measurement method based on improved U-Net++ semantic segmentation in flotation process // International Journal of Minerals, Metallurgy and Materials. 2024. Vol. 31. P. 1816–1827.
5. Prasad A. Introduction to data governance for machine learning systems: fundamental principles, critical practices, and future trends. — California : Apress Media, 2024. — 984 p.
6. Rudolph M., Kurz S., Rakitsch B. Hybrid modeling design patterns // Journal of Mathematics in Industry. 2024. Vol. 4. 3.
7. Осипова Н. В. Обзор проектов и решений по цифровым двойникам для обогатительных фабрик // Автоматизация в промышленности. 2023. № 7. С. 37–42.
8. Мелехина К. А., Ананьев П. П., Плотникова А. В., Шестак С. А. Математическая модель процесса усреднения свойств сыпучих материалов при их истечении // Моделирование, оптимизация и информационные технологии. 2020. Т. 8. 14 с.
9. «Евроцемент» и GlowByte внедрили цифрового помощника для производства цемента. — URL: https://glowbyteconsulting.com/yevrotsement_i_glowbyte_vnedrili_tsifrovogo_pomoshchnica (дата обращения: 20.05.2025).
10. Bu X. et al. Kinetics of flotation. Order of process, rate constant distribution and ultimate recovery // Physicochemical Problems of Mineral Processing. 2017. Vol. 53, Iss. 1. P. 342–365.
11. Oosthuizen D., Williams B., Van der Spuy D. Barriers to integrated flotation control solutions: lessons from an industrial implementation // Proceedings of Internationsl Federation of Automatic Control Conference. 2023. Vol 56. P. 2335–2340.
12. Marek P. Fundamentals of flotation // ChemTexts. 2022. Vol. 8. 19.
13. Mavros P., Matis K. A. Innovations in flotation technology. Vol. 208. — Dordrecht : Springer, 1991. — 533 p.
14. Wang P., Yvon M., Parkes S., Galvin K. Improving flotation hydrodynamics to maximize nickel recovery from tailings // Minerals Engineering. 2024. Vol. 216. P. 214–230.
15. Клемятов А. А., Магаев М. А., Шориков А. П., Битюгин И. В. Прогнозирование показателей и анализ работы обогатительной фабрики КГМК с использованием простых зависимостей // Цветные металлы. 2024. № 7. С. 8–14.