Урок 1: AI во флотации — как Норникель Талнах поднял извлечение на 0.7-1%

Чему вы научитесь

• Понимать, из каких слоёв состоит AI-решение для флотации: видео, soft sensors, рекомендация по реагентам и интеграция с контуром управления
• Различать, где во флотации работает компьютерное зрение, а где без процессных данных и химии модель бесполезна
• Читать кейс Норникеля не как красивую цифру, а как воспроизводимую архитектуру
• Собирать минимальный пилот по флотации без иллюзии, что модель перенесётся на другой тип руды без дообучения
• Отделять хороший advisory-контур от опасной идеи «сразу доверим реагенты нейросети»

В p.1/05 флотация у «Норникеля» уже была показана как обзорный кейс с эффектом. Здесь важнее другое: как именно такое решение устроено. Во флотации деньги делает не «умная камера», а связка из трёх слоёв — изображение пены, технологические параметры и контур принятия решения по реагентам.

Что реально оптимизирует AI во флотации

Как выглядела архитектура у Норникеля

По словам директора Центра развития цифровых технологий «Норникеля», в основе производственных AI-решений компании лежат исторические данные за три года, а на флотации анализируются объём и качество поступающей руды, количество воды, воздуха, реагентов и выходные показатели. На этой базе построили предиктивную модель, которая дала прирост извлечения металлов на 0,7–1%, а после добавления компьютерного зрения по цвету и уровню пены получили ещё 0,3–0,5% дополнительного прироста (Science.mail.ru, 19.06.2025). В том же интервью компания упомянула прирост извлечения от AI во флотации. По данным других источников «Норникеля», общий эффект от AI-решений в производстве за 2024 год оценивается примерно в 2% к EBITDA (TBF, 11.02.2025).

Это и есть правильная постановка задачи. Не «распознаём пену ради распознавания», а сначала строим модель процесса, затем добавляем визуальную модальность туда, где человек действительно видит полезный сигнал.

flowchart LR
    A[Камеры над флотационными машинами] --> B[CV-модель пены]
    C[Historian / MES / лаборатория] --> D[Soft sensor по извлечению и качеству]
    B --> D
    D --> E[Рекомендательная модель по реагентам и режиму]
    E --> F{Технолог подтверждает?}
    F -->|Да| G[Передача уставки в MES / APC]
    F -->|Нет| H[Ручная корректировка]
    G --> I[Фиксация эффекта по сменам и партиям руды]
    H --> I

Почему одной камеры недостаточно

Классическая ошибка пилота — ставить камеру над пеной и ждать, что по изображению сразу станет понятен металл в концентрате. Академические работы по flotation froth recognition прямо показывают, что изображение содержит полезную информацию для управления процессом, но точность таких систем резко падает в нестабильном режиме.

В статье Machine Learning Technique for Recognition of Flotation Froth Images in a Nonstable Flotation Process авторы получили точность классификации 75,11% для стабильного процесса и 69,62% для нестабильного, а сами выводы формулируют как руководство к построению AI-контура, а не как аргумент «одна камера всё решит» (MDPI Minerals, 20.08.2022).

Ещё полезнее работа с видеопотоком, а не с одиночными кадрами. В статье Artificial intelligence for enhanced flotation monitoring in the mining industry: A ConvLSTM-based approach авторы показывают soft sensor по видеоданным флотационной пены и химическим компонентам с MAE 4,52 для реального промышленного контура (ScienceDirect, 2023). Для металлурга это важный вывод: временная динамика пены так же важна, как отдельный кадр.

Какие данные нужны до первой модели

Где здесь место soft sensors

Soft sensor — это не отдельная игрушка data scientist, а способ оценить то, что нельзя или дорого мерить напрямую в онлайне. В металлургии и обогащении это давно нормальная практика. Обзор A Survey of Data-Driven Soft Sensing in Ironmaking System показывает, что в тяжёлых процессах soft sensors становятся рабочим способом оценивать скрытые параметры через косвенные измерения и историю процесса (ACS Omega, 06.06.2024). Для флотации логика та же, даже если предмет измерения другой.

На языке фабрики это значит следующее.

• CV по пене даёт быстрый визуальный сигнал.
• Soft sensor склеивает этот сигнал с расходами, химией и историей процесса.
• Рекомендательная модель уже работает не с «картинкой», а с оценкой вероятного технологического результата.

Если soft sensor нет, то камера превращается в красивый монитор для оператора. Польза будет, но это ещё не AI-контур, который можно масштабировать.

Как повторять такой кейс на другом ГОКе

1. Начните не с модели, а с передела. Выберите конкретный участок флотации, где цена ошибки понятна: извлечение, расход реагента, нестабильность качества концентрата, частые ручные корректировки.

2. Соберите общую временную шкалу. Камеры, historian, лаборатория и сменные журналы должны жить в одной оси времени. Без этого вы будете обучать модель на каше из несинхронных данных.

3. Сделайте baseline без CV. Сначала постройте soft sensor только на технологических параметрах. Это покажет, сколько сигнала уже есть в данных процесса.

4. Потом добавьте визуальную модальность. Если после подключения камеры прогноз или рекомендация стали лучше, значит CV действительно приносит информацию, а не просто повышает сложность контура.

5. Оставьте первый контур advisory. На пилоте система должна советовать, а не напрямую менять режим. Автоматизацию уставок имеет смысл обсуждать только после нескольких месяцев устойчивой работы и прозрачной валидации.

6. Фиксируйте эффект по типу руды. Если смешать разные рудные кампании в одну цифру, вы быстро получите ложное ощущение универсальности.

Что из open-source стека здесь реально полезно

За камерный и CV-слой отвечает тот же стек, который уже разобран в p.9/03 про CV-конвейер для ОТК: CVAT или Label Studio для разметки, Detectron2 или MMDetection для supervised-детекции, а при дефиците размеченных дефектов — anomaly-подходы из Anomalib. Для временных рядов и сигналов полезны не LLM, а специализированные модели из p.2/07: классические регрессии, boosting, seq-to-seq и другие time-series подходы.

LLM здесь не ядро, а вспомогательный слой: объяснить технологу рекомендации, собрать отчёт по смене, оформить разбор отклонения. Если вы пытаетесь «решить флотацию через чат-бот», вы начали не с того конца.

Где кейс ломается при переносе

Флотация плохо переносится между активами один к одному. Цвет и структура пены зависят от минералогии, реагентов, водного режима, освещённости, состояния камеры и даже привычек смены. Поэтому «модель Норникеля» нельзя взять как коробку и поставить на другой ГОК.

Это не недостаток AI. Это нормальная физика процесса.

Что делать дальше

Если вам нужен стек для камер, разметки и edge-инференса, идите в p.9/03. Если надо понять, почему здесь важны специализированные модели, а не LLM, перечитайте p.2/07. Если задача уже дошла до защиты бюджета перед директором фабрики, переходите к p.4/01.