Урок 2: Digital twin доменной печи — зачем, как устроен, что даёт

Чему вы научитесь

• Различать mechanism-based, data-driven и гибридный цифровой двойник доменной печи
• Понимать, какие soft sensors в домне действительно полезны: температура чугуна, состав, газодинамика, качество дутья
• Читать кейсы Nippon Steel, Baowu + Huawei, ММК и НЛМК как архитектурные решения, а не как набор рекламных цифр
• Проектировать advisory-контур для домны без опасной идеи «отдадим управление алгоритму целиком»
• Связывать цифровой двойник с MLOps-циклом, historian, лабораторией и операторским интерфейсом

В p.1/04 цифровые двойники доменных и сталеплавильных процессов уже были помещены в зону proven/mature. Здесь разберём, что под этим стоит. Для домны digital twin — это не 3D-картинка печи, а операционная система принятия решений вокруг сложного термохимического процесса.

Три подхода к цифровому двойнику печи

Именно гибридная схема сейчас выглядит промышленным стандартом. Это видно и по академическим обзорам, и по корпоративным материалам. Обзор Ironmaking process under artificial intelligence technology: A review перечисляет для доменного передела сразу несколько классов задач: прогноз состава чугуна, диагностика внутреннего состояния домны, предсказание газа и support для управляющих решений (Sage, опубликовано 02.09.2024).

Как выглядит digital twin в реальном контуре

flowchart LR
    A[Historian / АСУ ТП / лаборатория] --> B[Data layer]
    C[Физическая модель печи] --> D[Hybrid twin core]
    B --> D
    D --> E[Soft sensors: Si Mn Ti температура чугуна]
    E --> F[Рекомендации по кислороду дутью шихте коксу]
    F --> G[Интерфейс технолога / мастера]
    G --> H{Подтвердить изменение?}
    H -->|Да| I[Исполнение в контуре управления]
    H -->|Нет| J[Ручное решение]
    I --> K[Обратная связь и переобучение]
    J --> K

Ключевая мысль тут одна: двойник существует не ради визуализации, а ради цикла «предсказал — рекомендовал — сравнил с фактом — доучил». Если последнего шага нет, у вас не digital twin, а статическая аналитика.

Что показывает Nippon Steel

Публичный PDF Digital Twin of Steel-making Process Control in Nippon Steel Corporation полезен не цифрами эффекта, а дисциплиной архитектуры. Компания прямо пишет, что digital twin в их process control — это не внезапно возникшая мода, а продолжение многолетнего развития систем измерения, управления, визуализации и киберфизической интеграции (Nippon Steel Technical Report No.131, 10.2024).

Для российского предприятия здесь важны три практических вывода.

• Digital twin живёт поверх historian и process control, а не вместо них.
• Без company-wide sharing данных и нормальной вычислительной среды twin не становится промышленным.
• В twin обязательно входят man-machine communication и интерфейсы оператора, а не только матмодель (Nippon Steel Special Issue No.131).

Иными словами: доменный двойник — это проект не только data science, но и АСУ ТП, ИТ, лаборатории и эксплуатации.

Что показывает Baowu + Huawei

В кейсе Baowu + Huawei уже есть то, чего обычно ждёт директор производства: понятная логика внедрения на реальном переделе и прикладные метрики. Huawei пишет, что внутри домны более 5000 измерительных измерений и производных признаков, температура превышает 2000°C, а модель достигла 90% точности предсказания по ключевым индикаторам вроде furnace temperature. На одном доменном агрегате заявлен эффект более 10 млн CNY в год, а в финальном блоке материала говорится уже о «десятках миллионов CNY» на одну печь в год (Huawei, Baowu case).

Это сильный ориентир, но его надо читать правильно. Huawei описывает не «магическую LLM для домны», а глубокую связку отраслевой экспертизы Baowu и платформенного AI-стека Huawei. Без собственных технологов и без привязки к данным конкретной печи такой кейс не воспроизводится.

Что есть в российской практике

Какие soft sensors действительно нужны в домне

В обзорах по ironmaking AI и data-driven soft sensing чаще всего повторяются одни и те же целевые переменные: температура чугуна, содержание Si, Mn, Ti, распределение газа, состояние шахты, отклонения по дутью и вероятные аномалии режима (Sage review, 2024; ACS Omega soft sensing survey, 2024).

Для проекта это означает простую вещь: не пытайтесь построить «универсальный twin всего». Начинайте с одного-двух soft sensors, которые реально влияют на экономику печи.

Почему pure ML на домне опасен

Чисто data-driven прототип часто кажется привлекательным: быстро, недорого, хорошие графики на исторических данных. Но у домны есть неприятная особенность — редкие и дорогие режимы. Именно на них модель без физического слоя и экспертных ограничений чаще всего ошибается.

Поэтому хороший twin в доменном переделе почти всегда гибридный.

• Физический слой держит допустимую область режима.
• ML-слой ловит сложные зависимости и локальные паттерны.
• Оператор и технолог остаются в контуре подтверждения.

Как запускать проект на комбинате

1. Выберите один доменный KPI. Не стройте twin «всего процесса». Начинайте с кислорода в горячем дутье, температуры чугуна, расхода кокса или предсказания состава.

2. Соберите исторические кампании. Нужны не только хорошие периоды, но и проблемные режимы, иначе twin научится только воспроизводить норму.

3. Разведите слои ответственности. АСУ ТП и process control отвечают за исполнение. Data science — за модели. Технолог — за валидацию. Это разные роли, их нельзя смешивать.

4. Начинайте с advisory-режима. Система рекомендует действие, а не исполняет его напрямую. На этом этапе важнее доверие операторов и устойчивость контура, чем максимальная автоматизация.

5. Сразу проектируйте MLOps. Без registry, мониторинга drift и управляемого переобучения twin быстро превращается в архивный проект. Практический стек разобран в p.9/06.

Что брать из open-source и что не брать

Для российского on-prem контура twin обычно собирается на своём historian/MES, собственном data lake и on-prem MLOps. Из open-source полезны MLflow, DVC, BentoML, KServe и прочие элементы, которые уже разобраны в p.9/06. А вот большие западные индустриальные облака из коробки для металлургического regulated-контура в РФ упираются и в санкции, и в требования по КИИ, о чём подробно сказано в p.3/02 и p.3/05.

Что делать дальше

Если вам нужен следующий технический шаг, читайте p.9/06 про on-prem MLOps. Если хотите перевести twin в язык денег, переходите к p.4/02. Если интересует не домна, а downstream quality через CV, идите в следующий урок модуля — про surface defect detection.