Obszary działalności - KGHM CA

Obszary działalności

Cyfrowy bliźniak

CYFROWE BLIŹNIAKI – DIGITAL TWINS

Cyfrowe bliźniaki (Digital Twins) to wirtualna reprezentacja świata fizycznego w postaci cyfrowej. Stanowią one symulacje i modele 3D, które pozwalają na optymalizację procesów i zarządzanie nimi, predykcję zachowań, analitykę w czasie rzeczywistym, konstrukcję urządzeń, czy wspomaganie przy projektowaniu technicznym. Digital Twins wykorzystują nowoczesne interfejsy użytkownika (User Interfaces, UI) i zaawansowane wizualizacje, aby pomóc operatorowi zrozumieć, co dzieje się np. w piecu hutniczym.
Dane, które wykorzystują Digital Twins pochodzą z Internetu Rzeczy (IoT) opartym na łączności w całej operacji wydobywczej. Czujniki zbierają dane o stanie w czasie rzeczywistym, warunkach pracy lub pozycji w systemie fizycznym. Są one połączone z systemami opartymi na chmurze, często za pomocą technologii takich jak Edge Computing.

Potencjalne obszary zastosowania:

  • Huty – modele dla Pieca Zawiesinowego, Pieca Elektrycznego, IPKCu.
  • Kopalnie – modele odstawy urobku, modele produkcji górniczej.
  • Zakład Wzbogacania Rudy – modele układów mielenia, klasyfikacji
  • Zakład Hydrotechniczny – odwzorowanie całości systemu
Uczenie maszynowe

Sztuczna inteligencja i uczenie maszynowe

Sztuczna Inteligencja (Artificial Intelligence) oraz Uczenie Maszynowe (Machine Learning) pozwalają na automatyczną optymalizację pracy urządzeń w czasie rzeczywistym przy zadawaniu im konkretnych celów do osiągnięcia. Przykładowo można analizować pracę systemu dziesiątek pomp jednocześnie tak nimi sterując, aby efektywność energetyczna całego systemu była jak najwyższa. Danych zbieranych jednocześnie z całego systemu jest zbyt wiele, aby człowiek mógł automatyzować poszczególne sterowniki w czasie rzeczywistym.

Sztuczna Inteligencja (Artificial Intelligence, AI) odnosi się do zbioru technik, które pozwalają na automatyzację zadań przez maszyny. Wykorzystuje duże ilości danych i moc obliczeniową do stosowania statystyki i modelowania matematycznego na wysokim poziomie. Dane wyjściowe projektów z zakresu sztucznej inteligencji (AI), uczenia maszynowego (ML) i głębokiego uczenia (DL) to oprogramowanie, które automatyzuje określone zadanie.

Potencjalne obszary zastosowania:

  • Kopalnie – pompownie
  • Zakład Hydrotechniczny – optymalizacja funkcjonowania sieci wodno – szlamowej oraz systemów pomp
  • Opracowywanie algorytmów do automatyzacji procesów produkcyjnych
  • DCS – systemy decyzyjne w procesach technologicznych KGHM
  • Back Office – analityka kontraktów, umów, dokumentów.
konserwacja predykcyjna

Konserwacja predykcyjna

Konserwacja predykcyjna (Predictive Maintenance) – polega na zbieraniu danych pochodzących z maszyn wykorzystujących technologię Internetu Rzeczy (Internet of Things) w czasie rzeczywistym. Następnie dane podlegają analizie wykorzystując uczenie maszynowe (Machine Learning), aby z dużą dokładnością przewidzieć ryzyko wystąpienia awarii. Dodatkowo, na podstawie historycznych danych i bieżącej analizy występujących awarii, stworzone modele są nieustannie usprawniane, aby skutecznie przewidywać awarie. Dzięki temu w znacznym stopniu przyczynia się to do obniżenia kosztów związanych z serwisowaniem maszyn oraz kosztów wynikających z przestojów w produkcji.

Korzyści z wykorzystania konserwacji predykcyjnej:

  • zmniejszenie liczby awarii
  • zmniejszenie czasu przestojów produkcyjnych
  • ograniczenie liczby nadgodzin spowodowanych awariami
  • ograniczenie kosztów związanych ze stratą materiału w wyniku awarii maszyny
  • ograniczenie kosztów związanych z nieterminową realizacją zleceń (kary umowne)
  • skrócenie czasu napraw i przeglądów
  • ograniczenie kosztów magazynowania części zamiennych
  • zmniejszenie liczby zdarzeń wypadkowych

Potencjalne rozwiązania:

  • Kopalnie – utrzymanie maszyn górniczych
  • Huty – utrzymanie infrastruktury hutniczej
  • Zakład Wzbogacania Rudy – utrzymanie infrastruktury przeróbczej
  • Pompownie i wodociągi