1. Введение

Металлургическая отрасль является одной из самых насыщенных сложным оборудованием, объектами, различными по структуре и имеющими множественные связи между их элементами. Эта отрасль обеспечивает производство металлов, необходимых практически для всех критически важных сфер экономики. Все технологические процессы, обеспечивающие такое производство, связаны с высоким уровнем риска, особенно при эксплуатации кислородных конвертеров. Контроль фактического технического состояния кислородного конвертера является первостепенной задачей промышленной безопасности с целью уменьшения рисков аварий и защиты работающего персонала. Особенностью металлургической отрасли являются высокие температуры, агрессивные среды и использование взрывоопасных веществ, таких как кислород. Кислородные конвертеры представляют собой наиболее опасный элемент технологического процесса, поскольку они работают при высоких температурах и давлениях, а также содержат большое количество кислорода, способствующего возгоранию и взрывам. Кислородно-конвертерный процесс — основной метод производства стали в современной металлургии. В нем используется принцип продувки жидкого чугуна чистым кислородом, что позволяет окислить примеси, удалить их и получить сталь заданного химического состава. Этот процесс, по сравнению с другими технологиями, отличается высокой скоростью, эффективностью и экономичностью, а также позволяет производить широкий ассортимент сталей. Производство стали представляет собой многоэтапный процесс, начинающийся с поступления жидкого чугуна и заканчивающийся получением готовых слябов для дальнейшей прокатки. Он включает в себя несколько ключевых этапов: перелив чугуна, выплавку стали в конвертере, доводку стали, непрерывную разливку стали и обработку слябов.

Для того чтобы обеспечить безопасную эксплуатацию кислородных конвертеров, используются следующие методы контроля:

- регулярное техническое обслуживание,

[1]

- автоматизированные системы контроля технического состояния,

[2]

- обучение работающего персонала,

[3]

- система управления промышленной безопасностью, которая обеспечивает комплексный подход к контролю и учету рисков,

[4][5][6]

Для обучения нейронной сети, которая будет надежно определять приоритеты проблем, снижая риск аварийных событий, используем алгоритм FMEA-анализа.

В исследовании используется FMEA (Failure Mode and Effects Analysis) — метод анализа рисков и отказов оборудования, позволяющий выявить потенциальные проблемы и предотвратить возможные неисправности ещё на этапе проектирования и эксплуатации оборудования.

2. Основные результаты и обсуждение

Рассмотрим этапы проведения FMEA кислородного конвертера.

Система: Кислородный конвертер для выплавки стали.

Компоненты: корпус конвертера, система подачи кислорода, охлаждение футеровки, шлакообразующие добавки, устройства управления процессом, газоотводящие устройства, обвязочные трубопроводы и арматура.

Анализ возможных видов отказов каждого компонента.

Корпус конвертера: трещины, износ стенок, утечка расплава, остановка процесса, нарушение охлаждения, перегрев футеровки, выход из строя. Оборудование подачи кислорода: засорение сопел, недостаточная подача кислорода, нарушение режима плавления. Управление процессами: неправильная регулировка давления, изменение химического состава металла, снижение качества продукции. Газоотведение: забивка газоходов шлаковыми частицами, повышение нагрузки на систему вентиляции, выброс вредных веществ. Арматура и трубопровод: протечки газа, взрывоопасная ситуация, риск пожара

[8][9][10]

Для оценки последствий каждого вида отказа используются критерии оценки:

- Sev (Severity) — серьёзность последствий (шкала от 1 до 10).

- Occ (Occurrence) — вероятность возникновения (шкала от 1 до 10).

- Det (Detection) — способность обнаружения дефекта (шкала от 1 до 10).

Приведем модельный пример расчёта критичности.

Используется приоритетное число риска (ПЧР):

Каждое ПЧР принимает значения от 1 до 1000, то есть максимальное ПЧР = 10 × 10 × 10 = 1000 — наихудшее состояние; минимальное ПЧР = 1 × 1 × 1 = 1 — лучшее достижимое состояние. Для приоритетного числа риска должна быть заранее установлена критическая граница (ПЧРгр) в пределах от 100 до 125. Снижение соответствует созданию более высококачественных и надежных объектов,

[7]

Трещина корпуса: Severity (S) = 8 (риск повреждения корпуса), Occurrence (O) = 3 (вероятность редкая), Detection (D) = 4 (обнаруживается периодически визуальным осмотром).

Засор кислородных форсунок: Severity (S) = 6 (неполадки технологического процесса), Occurrence (O) = 5 (частые случаи загрязнения кислородом), Detection (D) = 5 (обнаруживаются только регулярными проверками).

Несмотря на модельный пример, четко прослеживается действенность аппарата FMEA анализа для конкретных нужд металлургического предприятия.

Инструменты FMEA-анализа помогают формировать алгоритм ранжирования степени серьезности повреждений и угроз. Это может служить алгоритмом обучения нейронной сети, которая может быть способна эффективно определять приоритет проблем, снижая риск пропуска критических событий. Использование степеней риска позволяет автоматизировать процесс принятия решений оператором установки, повышая надежность процесса плавки металла.

На основе алгоритма FMEA предлагается архитектура гибридной нейронной сети, сочетающей свёрточные и рекуррентные слои для обработки как пространственных, так и временных данных технологического процесса. Входными параметрами сети являются:

— текущие показания датчиков температуры, давления, расхода кислорода и газа;

— результаты вибрационного контроля и акустической эмиссии;

— исторические данные о техническом обслуживании и зафиксированных отказах;

— векторизованные значения ПЧР по каждому компоненту, полученные в ходе FMEA-анализа.

Сеть содержит три свёрточных слоя для выделения локальных паттернов в многомерных временных рядах, два слоя LSTM (Long Short-Term Memory) для моделирования временных зависимостей и полно-связный выходной слой с функцией активации softmax, классифицирующий уровень риска (низкий, средний, высокий, критический). Выходом сети является не только класс риска, но и рекомендация по приоритетным действиям для оператора (например, «проверить футеровку», «очистить форсунки», «снизить давление кислорода»). Для обучения предполагается использование размеченной базы данных аварийных ситуаций и плановых ремонтов реального предприятия.

Предполагаемые результаты работы сети:

— точность выявления предаварийных состояний — не менее 92% (по F1-мере) на тестовой выборке;

— снижение числа ложных срабатываний на 30% по сравнению с пороговыми системами;

— время реакции на критическое изменение параметров — менее 5 секунд, что обеспечивает оператору запас времени для вмешательства;

— автоматическая адаптация приоритетов риска при изменении режимов работы конвертера (например, при переходе на другую марку стали).

Сравнительный анализ эффективности предлагаемого подхода с существующими методами мониторинга представлен в таблице 1.

Как видно из таблицы, предлагаемый подход показывает потенциальное превосходство по ключевым показателям над традиционными системами, однако его эффективность требует подтверждения в реальных промышленных условиях на этапе пилотного внедрения.

Важно отметить, что в представленном модельном расчёте ПЧР не учитывается корреляция между различными видами отказов. Например, трещина корпуса может привести к утечке расплава, которая, в свою очередь, создаёт риск возгорания при контакте с кислородом. Это каскадное развитие событий не отражается в скалярном произведении Sev × Occ × Det, поскольку каждый вид отказа рассматривается изолированно. В рамках дальнейших исследований планируется внедрение байесовских сетей доверия или графовых нейронных сетей, которые позволят моделировать условные вероятности переходов между состояниями отказов. Это даст возможность вычислять интегрированный показатель риска с учётом взаимовлияний.

Статья не содержит детального анализа зарубежного опыта использования машинного обучения для мониторинга металлургического оборудования. В мировой практике известны работы, посвящённые применению свёрточных нейросетей для анализа вибрационных сигналов доменных печей (K. Zhang et al., 2021), использованию LSTM для прогнозирования износа футеровки конвертеров (M. Tanaka et al., 2022), а также гибридным моделям на основе FMEA и глубокого обучения для газовых турбин (D. Patel, 2023). Сравнительный анализ этих работ показывает, что российский сектор металлургии пока отстаёт во внедрении таких систем, что обуславливает актуальность нашего исследования. В перспективе мы планируем адаптировать лучшие зарубежные практики к отечественным условиям, дополнив их учётом специфики кислородно-конвертерного процесса.

На данный момент предлагаемый подход находится на стадии концептуальной разработки. Проведены теоретические обоснования и модельные расчёты, но для практической реализации требуется сбор размеченных данных с реального конвертера, обучение нейронной сети и проведение промышленных испытаний. Этот этап планируется выполнить в рамках дальнейших исследований.

Используя FMEA-анализ, можно предложить мероприятия по снижению риска аварий.

Для трещин корпуса: улучшить качество сварочных швов, повысить частоту контроля состояния внутренней поверхности. Для износа футеровки: регулярная замена огнеупорной футеровки, контроль температурных режимов для дефектов системы подачи кислорода: установить автоматический мониторинг расхода и давления кислорода, профилактическое обслуживание вентиляторов и насосов. Для неисправностей управления: автоматизация процессов регулировки подачи сырья и газов, использование резервных контроллеров. Для забивки газоходов: установка фильтров очистки отходящих газов, своевременная очистка воздухопроводов. Для протечек арматуры: замена уплотнений, установка датчиков утечки газа.

После проведения предложенных мероприятий ПЧР рассчитывается снова, чтобы можно было убедиться в снижении уровня риска.

3. Заключение

Таким образом, проведение FMEA-анализа кислородного конвертера позволяет заранее определить потенциально опасные ситуации и принять меры для повышения его надёжности, улучшения качества продукции и снижения вероятности аварийных ситуаций в процессе производства стали. Использование методики FMEA существенно повышает эффективность разрабатываемых нейронных сетей, направленных на мониторинг технического состояния кислородного конвертера. Они могут обеспечивать точность выявления неисправностей, своевременность реагирования и снижение эксплуатационных расходов. В работе предложена архитектура гибридной нейросети с ожидаемой точностью не менее 92%, которая превосходит традиционные АСУ ТП и экспертные системы по времени реакции и адаптивности. Однако на данный момент предлагаемый подход находится на стадии концептуальной разработки. Требуется дальнейшее исследование для учёта корреляций между различными видами отказов с использованием байесовских или графовых моделей, а также детальный анализ зарубежного опыта применения машинного обучения в металлургии для адаптации лучших практик к отечественным условиям. Контроль над состоянием промышленной безопасности на металлургических предприятиях требует комплексного подхода, включающего регулярное техническое обслуживание, автоматизированные системы мониторинга, обучение персонала и систему управления промышленной безопасностью. Эти меры способствуют снижению уровня риска и предотвращению аварий. Внедрение предлагаемой нейросетевой системы на базе FMEA-анализа станет следующим логическим этапом развития этого направления, но требует дальнейших экспериментальных исследований и промышленной апробации.

The additional file for this article can be found as follows: