Русал: цифровой советник в промышленности - трансформация управления и внедрение ML, Андрей Писарев
Андрей Писарев, руководитель направления машинного обучения, Русал. Конференция TAdviser «Цифровые технологии в промышленности: практика и кейсы» 2026.
Оптимизация химического выхода и цели цифровизации
В основе текущей стратегии развития глиноземного производства компании Русал лежит стремление к максимальному увеличению эффективности всех технологических этапов.
Ключевым показателем здесь выступает так называемый «химвыход» — комплексная величина, которая характеризует общую эффективность работы завода: от первичной обработки сырья в сырьевом цехе до финальных стадий гидрохимии.
Именно этот показатель является главным ориентиром при внедрении инструментов машинного обучения.
Основная задача заключается в том, чтобы через точечное воздействие на работу конкретных узлов — в частности, печей в цехах спекания — добиться устойчивого роста общего выхода готовой продукции.
Архитектура реализации и кросс-функциональное взаимодействие
Реализация проекта в Русале строится на тесном взаимодействии различных технических компетенций.
Процесс разделен между командой по исследованию данных (DS) и командой бэкенд-разработки.
В то время как DS-специалисты фокусируются на создании математических моделей и модулей мониторинга, разработчики обеспечивают интеграцию этих решений в реальный производственный продукт.
Такой подход позволяет оперативно масштабировать технологию: опыт, полученный на одной печи, может быть развернут на остальных шести за крайне короткие сроки — буквально за неделю.
Однако основным вызовом здесь становится не техническая готовность модели, а этап эксплуатации и интеграции в рабочие процессы смежных подразделений, что требует синхронизации действий всех участников цепочки создания ценности.
Интеллектуальный помощник e-advisor: от поддержки к автоматизации
Центральным элементом системы является инструмент e-advisor — цифровой советник, который анализирует данные и выдает рекомендации по управлению процессом спекания.
На текущем этапе достоверность советов оценивается как «выше среднего», что означает значительное преимущество перед случайным выбором или интуитивным подходом.
Важной частью стратегии является итеративное улучшение модели: каждый случай несогласия оператора с рекомендацией системы становится кейсом для анализа и последующего дообучения алгоритмов.
В компании Русал четко определен вектор развития этого инструмента.
При достижении уровня достоверности в 80% и выше возникает вопрос о целесообразности участия человека-посредника.
Однако полная автоматизация процесса принятия решений пока откладывается из-за ряда критических факторов, связанных с физическим состоянием оборудования.
Технологические барьеры и развитие компьютерного зрения
Одной из главных проблем при управлении печами является запыленность среды.
Система e-advisor в значительной степени опирается на данные с камер (Computer Vision), но в условиях сильного запыления видимость внутри печи падает, что делает невозможным точный прогноз и выдачу грамотного совета.
В таких ситуациях ответственность за принятие решения полностью ложится на человека, который способен интерпретировать косвенные признаки процесса.
Для решения этой проблемы команда Русала совместно с CV-специалистами исследует альтернативные типы сенсоров.
Основная сложность здесь заключается в балансе между стоимостью оборудования и экономическим эффектом от проекта.
В качестве перспективного направления рассматривается переход на датчики, работающие в невидимом диапазоне спектра, где пыль не является препятствием для наблюдения за происходящим внутри печи.
Это позволит системе видеть процесс «сквозь пыль» и обеспечит необходимую точность данных для полноценного функционирования ML-моделей.
Проект по внедрению машинного обучения в цехах спекания Русала представляет собой классический пример перехода от экспериментального использования AI к промышленному масштабированию. Основной успех системы заключается в создании гибкой структуры взаимодействия между DS-командой и разработчиками, что позволяет быстро тиражировать решения на весь парк оборудования. Несмотря на существующие сложности с аппаратным обеспечением (запыленность камер), компания демонстрирует системный подход: от использования «цифрового советника» для поддержки оператора до поиска инновационных сенсорных решений в невидимых диапазонах спектра. Конечной целью является переход к высокоточной автоматизации, которая напрямую повлияет на рост химического выхода продукции.
