ПАО «ГМК «Норильский никель», Москва, Россия:

А. Д. Абраров, руководитель проектов Центра инновационного развития, эл. почта: Abrarovad@nornik.ru

ЗФ ПАО «ГМК «Норильский никель», Норильск, Россия:
М. С. Дациев, начальник Научно-технического управления, эл. почта: DatsievMS@nornik.ru
Д. Е. Чикильдин, заместитель главного инженера – начальник технического отдела, эл. почта: ChikildinDE@nornik.ru

ООО «Норникель — Общий центр обслуживания», Москва, Россия:
Д. Н. Федотов, старший менеджер, эл. почта: FedotovDN@nornik.ru

В последние несколько лет в России отмечено активное развитие проектов по цифровизации промышленных площадок, что обусловлено общим повышением качества данных, установкой большого числа датчиков («полевых» приборов контроля), наличием достаточного объема исторической ин формации о технологических процессах и появлением узко специализированной экспертизы на стыке технологии производственных процессов и современных инструментов анализа данных, например машинного обучения. С конца 2018 г. на Талнахской обогатительной фабрике ЗФ ПАО «ГМК «Норильский никель» реализуют ряд проектов с использованием технологий искусственного интеллекта. Эта программа получила название «Цифровая фабрика». Ее про- екты делятся на несколько категорий: цифровые двойники оператора, датчики машинного зрения на основе видеоаналитики и цифровые двойники производственного агрегата. Цифровые двойники оператора представляют собой помощник для управления технологическим процессом, датчики машинного зрения на основе видеоаналитики дают возможность в режиме реального времени получать информацию о технологическом процессе (например, размеры кусков руды на конвейере), а цифровые двойники производственного агрегата позволяют оценивать поведение материала в местах, недоступных для человеческого глаза (например, измельчение руды в мельнице). Приведен процесс реализации одного из проектов «Цифровой фабрики», на примере участка коллективной флотации Талнахской обогатительной фабрики был создан цифровой двойник оператора — система, имитирующая действия оператора и разгружающая его внимание, стабилизирующая флотационный процесс и самостоятельно совершающая управляющие действия в режиме реального времени. В результате стабилизации работы флотационного процесса улучшаются производственные показатели фабрики, после внедрения алгоритма на одном участке (из десяти) уже можно отметить экономический эффект в виде прироста к извлечению никеля и меди в коллективный концентрат 0,1 и 0,04 % соответственно.

1. Maldonado M., Araya R., Finch J. An overview of optimizing strategies for flotation banks // Minerals. 2012. Vol. 2, Iss. 4. P. 258–271.
2. Maldonado M., Araya R., Finch J. Optimizing flotation bank performance by recovery profiling // Minerals Engineering. 2011. Vol. 24, Iss. 8. P. 939–943.
3. Harris A., Venkatesan L., Greyling M. A practical approach to plant-scale flotation optimization // The Journal of The Southern African Institute of Mining and Metallurgy. 2013. Vol. 113. P. 263–272.
4. Smith C., Hadler K., Cilliers J. Flotation control using froth stability: past, present and future // 14th AusIMM Mill Operators’ Conference, Brisbane. 2018.
5. Jin Zhang, Zhaohui Tanga, Yongfang Xie, Mingxi Ai, Guoyong Zhang, Weihua Gui. Data-driven adaptive modeling method for industrial processes and its application in flotation reagent control // ISA Transactions. 2021. Vol. 108. P. 305–316.
6. Oosthuizen D. J., Craig I. K. Predicting optimal operating points by modelling different flotation mechanisms // IFAC-PapersOnLine. 2019. Vol. 52, Iss. 14. P. 60–65.
7. Kejonen I., Haavisto O., Martikainen J., Suontaka V., Musuku B. Improving grade control efficiency with rapid on-line elemental analysis // Minerals Engineering. 2018. Vol. 124. P. 68–73.
8. Базоев Х. А. История создания и развития Талнахской обогатительной фабрики // Цветные металлы. 2006. № 8. С. 29–33.
9. Головина Ю. С., Смирнов Г. Н., Смирнов А. Н. Этапы реализации проекта реконструкции Талнахской обогатительной фабрики // Обогащение руд. 2012. № 1. С. 43–47.
10. Цымбал А. С., Волянский И. В., Лесникова Л. С., Арабаджи Я. Н. Этапы развития и наращивания мощностей переработки минерального сырья на Талнахской обогатительной фабрике // Цветные металлы. 2015. № 6. С. 17–19. DOI: 10.17580/tsm.2015.06.03.
11. Волянский И. В., Лихачева Т. А., Курчуков А. М., Миллер А. А. Реконструкция и модернизация Талнахской обогатительной фабрики. Основные аспекты // Цветные металлы. 2020. № 6. С. 6–10. DOI: 10.17580/tsm.2020.06.01.
12. Couture G., Dubé J.-F. Implementation of a flotation expert control system at the raglan mine // 47th Annual Canadian Mineral Processors Operators Conference, Ontario. 2015. P. 165–172.
13. Bergh L., Yianatos J., Carrasco C. Operation of rougher flotation circuits aided by industrial simulator // 18^th IFAC World Congress Milano, Italy. 2011. P. 9917–9922.
14. Александрова Т. Н., Арустамян К. М., Романенко С. А. Применение математических методов анализа при оценке мировой практики селективной флотации медно-цинковых и колчеданно-полиметаллических руд // Обогащение руд. 2017. № 5. С. 21–27. DOI: 10.17580/or.2017.05.04.
15. Бериашвили А. Т., Пикулина В. М. Новый подход к решению проблемы вариабельности извлечения меди на примере Жезказганского рудного поля // Обогащение руд. 2018. № 5. С. 40–44. DOI: 10.17580/or.2018.05.07.
16. Арустамян А. М., Санакулов К. С. Применение методологии гармонического разложения случайных функций для исследования флотационных процессов // Горный журнал. 2017. № 10. С. 33–40. DOI: 10.17580/gzh.2017.10.07.
17. Арустамян А. М., Романенко С. А. Разработка математической модели флотации медных колчеданных руд // Новые исследования в обогащении полезных ископаемых и техносферной безопасности: Материалы конференции молодых ученых и специалистов с международным участием. 2018. С. 11–17.
18. Pua Y., Szmigiel А., Chen J., Apel D. B. FlotationNet: a hierarchical deep learning network for froth flotation recovery prediction // Powder Technology. 2020. Vol. 375. P. 317–326.
19. Курчуков А. М. Автоматизированная система управления процессом флотации медно-никелевых руд на основе оптимизации параметров ионного состава и пенообразования: дис. … канд. техн. наук. — СПб., 2011. — 10 c.
20. Мелкумова Л. Э., Шатских С. Я. Сравнение методов Риджрегрессии и LASSO в задачах обработки данных // Сборник трудов III Международной конференции и молодежной школы «Информационные технологии и нанотехнологии». — Самара : Новая техника, 2017. С. 1748–1755.