Разработка модуля прогнозирования температуры стали в агрегате «ковш-печь» на предприятии ООО «ТМК - ЯМЗ» для АО «ДИАЙПИ»
Аннотация
Цель ВКР - разработка модуля прогнозирования температуры стали на агрегате «ковш-печь»
Задачи:
1) Изучить теорию о процессе выплавки стали и замерах температуры на АКП,
2) Проконсультироваться со специалистами на предприятии с целью выявить зависимости температуры стали от других показателей,
3) Собрать необходимые для работы данные,
4) Провести первичный анализ данных, с целью удаления из них аномалий – выбросов и пропусков, а также нахождения закономерностей для последующего создания модели,
5) Преобразовать данные с целью использования их в обучении,
6) Обучить модель и оценить качество её работы,
7) Предоставить решение заказчику и внедрить его в сервис «Помощник сталевара».
Методы: анализ, обработка, математическое моделирование, эксперименты, оценка и сравнение, наблюдение, разработка, тестирование, интервью.
Результаты:
1) Изучена теория в предметной области о замерах температуры металла на агрегате «ковш-печь» и о процессе производства металла в целом, благодаря этому было сформировано понимание о решаемой задаче и целях проекта;
2) Проведено консультирование со специалистами на предприятии, благодаря чему знания в предметной области и понимание дальнейших работ были углублены. Так же при консультирование были сформированы конкретные цели работы и план работ. Благодаря общению с заказчиком так же были выявлены и обговорены важные для решения задачи нюансы;
3) Собраны необходимые для реализации проекта данные из базы данных предприятия;
4) Проведен первичный анализ данных, по итогам которого в данных были найдены различные аномалии и недостающая информация, при дальнейшей работе эти недостатки в данных были проанализированы и устранены, были найдены различные закономерности и зависимости в данных;
5) Преобразованы и агрегированы данные, для последующего использования их для реализации модели машинного обучения, на этом этапе первоначальное данные были объединены в одну таблицу;
6) Была выбрана наилучшая для задачи архитектура модели машинного обучения – градиентный бустинг, подобраны несколько моделей, выбраны подходящие метрики для сравнения, произведен подбор гиперпараметров и итоговое сравнение моделей, модель, показавшая наилучший результат, была улучшена, добавлением новых признаков, это дало возможность добиться точности, заявленной заказчиком;
7) продемонстрирована работа модели заказчику и получено согласие на внедрение её в «Помощник сталевара», для этого был разработан и протестирован модуль предсказания температуры, который был внедрен в веб-интерфейс.
Задачи:
1) Изучить теорию о процессе выплавки стали и замерах температуры на АКП,
2) Проконсультироваться со специалистами на предприятии с целью выявить зависимости температуры стали от других показателей,
3) Собрать необходимые для работы данные,
4) Провести первичный анализ данных, с целью удаления из них аномалий – выбросов и пропусков, а также нахождения закономерностей для последующего создания модели,
5) Преобразовать данные с целью использования их в обучении,
6) Обучить модель и оценить качество её работы,
7) Предоставить решение заказчику и внедрить его в сервис «Помощник сталевара».
Методы: анализ, обработка, математическое моделирование, эксперименты, оценка и сравнение, наблюдение, разработка, тестирование, интервью.
Результаты:
1) Изучена теория в предметной области о замерах температуры металла на агрегате «ковш-печь» и о процессе производства металла в целом, благодаря этому было сформировано понимание о решаемой задаче и целях проекта;
2) Проведено консультирование со специалистами на предприятии, благодаря чему знания в предметной области и понимание дальнейших работ были углублены. Так же при консультирование были сформированы конкретные цели работы и план работ. Благодаря общению с заказчиком так же были выявлены и обговорены важные для решения задачи нюансы;
3) Собраны необходимые для реализации проекта данные из базы данных предприятия;
4) Проведен первичный анализ данных, по итогам которого в данных были найдены различные аномалии и недостающая информация, при дальнейшей работе эти недостатки в данных были проанализированы и устранены, были найдены различные закономерности и зависимости в данных;
5) Преобразованы и агрегированы данные, для последующего использования их для реализации модели машинного обучения, на этом этапе первоначальное данные были объединены в одну таблицу;
6) Была выбрана наилучшая для задачи архитектура модели машинного обучения – градиентный бустинг, подобраны несколько моделей, выбраны подходящие метрики для сравнения, произведен подбор гиперпараметров и итоговое сравнение моделей, модель, показавшая наилучший результат, была улучшена, добавлением новых признаков, это дало возможность добиться точности, заявленной заказчиком;
7) продемонстрирована работа модели заказчику и получено согласие на внедрение её в «Помощник сталевара», для этого был разработан и протестирован модуль предсказания температуры, который был внедрен в веб-интерфейс.