A A+ A++

KGHM to potentat w branży wydobywczej, ale przede wszystkim to firma technologiczna. Technologię wprzęgamy w to co robimy i im więcej takich innowacji, a szczególnie w ostatnim czasie mocno cyfrowym, tym lepiej dla nas. Jako KGHM jesteśmy niezmiernie dumni, że mogliśmy przeprowadzić hackathon, który spotkał się z bardzo pozytywnym odbiorem i szerokim zainteresowaniem w świecie IT. Dziękujemy uczestnikom za ich projekty. Wszystkie były ciekawe, dlatego Jury miało trudne zadanie podczas selekcji zaprezentowanych rozwiązań. Takie są jednak prawa i reguły hackathonu, że wygrać mogą tylko najlepsi – powiedział Marcin Chludziński, Prezes KGHM Polska Miedź S.A.

Uczestnicy CuValley Hack skupili się na analizie danych oraz wykorzystaniu AI, Machine Learningu czy BigData w układach automatyki przemysłowej. W praktyce wypracowane rozwiązania mają zmniejszyć poziom awaryjności w maszynach SMG, ustabilizować pracę pieca zawiesinowego oraz wspomóc predykcję wstrząsów. 

Pierwsza edycja hackathonu CuValley Hack odbyła się pod patronatem Prezesa Rady Ministrów Mateusza Morawieckiego. Dodatkowo, zwycięzcy hackathonu otrzymali nagrodę od Prezydenta Polski, Andrzeja Dudy w postaci piór z dedykacją dla laureatów.

KGHM liczy na praktyczne wdrożenia nagrodzonych projektów, w tym pomysłów w zakresie optymalizacji pracy pieca zawiesinowego w Hucie Miedzi Głogów, oraz predykcji awarii w maszynach górniczych. Hackathon CuValley Hack udanie połączył świat data science z inżynierią przemysłową.

 

Lista zwycięzców hackathonu:

W kategorii ANALIZA DANYCH MASZYN SMG najlepsze okazały się projekty:

I miejsce

Zespół: PREDYKCYJNI KRK

Projekt: Wykrywanie awarii przekładni w SMG.

Uzasadnienie Jury: Profesjonalna praca, prezentująca zaawansowaną analizę danych z samojezdnych maszyn górniczych z potencjałem do zastosowania i rozwoju w środowisku KGHM. Duża wiedza merytoryczna w zakresie pracy układów maszyn gwarantuje zrozumienie zagadnień dziedzinowych i doboru właściwych metod do dalszej analizy.

Kilka słów od zespołu: W ramach realizacji zadania przeprowadzona została eksploracyjna analiza danych w na bazie której opracowano wytyczne dotyczące przetworzenia danych do struktury umożliwiającej identyfikację zmienności wybranych parametrów dla dwóch stanów eksploatacyjnych maszyny w odniesieniu do określonych warunków pracy w cyklu dobowym (normalny i przed awaryjny, system 4 zmianowy).

II miejsce

Zespół: PBP TEAM

Projekt: Najpierw mędrca szkiełko i oko – potem perceptrony.

Uzasadnienie Jury: Zespół przedstawił w prezentacji efekt w zakresie prognozy i alertowania wystąpienia awarii. Widzimy tu potencjał zastosowania oraz chcemy weryfikować zaproponowane metody dla większego zbioru danych.

Kilka słów od teamu: Projekt zakłada ułatwienie szybkich wizualnych weryfikacji hipotez teorii wykrywania awarii, udostępnienie intuicyjnego interfejsu typu ‘data drill’, wykorzystanie algorytmów uczenia nienadzorowanego i nadzorowanego w celu predykcji awarii / identyfikacji stanów przedawaryjnych. Twórcy skupili się na awariach skrzyń biegów w maszynach WOS.

III miejsce

Zespół: CUPRUM INSIGHT

Projekt: Prognoza czasu awarii.

Uzasadnienie Jury: Zachęcające rozwiązanie dla zastosowania predykcji wystąpienia awarii samojezdnych maszyn górniczych. Uzyskane wysokie wskaźniki predykcji sprawiły, że Jury zechciało kontynuować współpracę oraz zweryfikować w najblizszej przyszłości zastosowania rozwiązania w środowisku produkcyjnym.

Kilka słów od teamu: Na przykładzie awarii przekładni w wozie odstawczym Twórcy projektu pokazują, że można zbudować prognozę pozostałego czasu pracy wykorzystując do tego rekurencyjne sieci neuronowe.

Wyróżnienie dodatkowe – DATA MINERS

Uzasadnienie Jury: Ciekawy pomysł rozwiązania warstwy aplikacyjnej i kompleksowe podejście do projektu, od modelu do aplikacji. Jury, doceniając takie podejście, chciałby nawiązać dalszą współpracę z zespołem.

Kilka słów od teamu: MADSztygar jest zaawansowanym narzędziem analitycznym, wykorzystującym rozwiązania z obszaru machine learning, time series analysis, feature enginerring, w służbie poszukiwania zależności pomiędzy awariami maszyn górniczych oraz opisującymi te maszyny wskaźnikami. Rozwiązanie posiada wygodny w obsłudze interfejs graficzny oparty o RShiny, ułatwiający interakcję z wynikami modelowania.

 

W kategorii STABILIZACJA PRACY PIECA ZAWIESINOWEGO Jury wybrało dwa najlepsze projekty. Przesłane koncepcje oceniono pod kątem największego potencjału wdrożenia produkcyjnego oraz najbardziej innowacyjnego podejścia do rozwiązania problemu.

I miejsce

Zespół: DATA DRIVERS

Projekt: Stabilizator pracy pieca.

Uzasadnienie Jury: Pierwsze miejsce przyznano zespołowi DATA DRIVERS, który zaprezentował projekt obejmujący dość dokładny model produkujący straty oraz dość prosty w implementacji algorytm optymalizujący.

Kilka słów od teamu: Projekt składa się z trzech części: skryptów przetwarzających dane źródłowe, modelu strat łącznych pieca zawiesinowego oraz Stabilizatora pracy pieca zawiesinowego oraz symulacji i wizualizacji jego pracy.

II miejsce

Zespół: ANZONIA

Projekt: Optymalizacja pracy pieca zawiesinowego.

Uzasadnienie Jury: Drugie miejsce przyznano zespołowi ANZONIA za w miarę optymalny model predykcyjny oraz niebanalny, genetyczny algorytm optymalizacji.

Kilka słów od zespołu: Na podstawie modelu regresyjnego mogliśmy przeprowadzić symulację pracy pieca do znalezienia najbardziej korzystnych w danym momencie parametrów. W celu optymalizacji przygotowaliśmy algorytm genetyczny, który ma zdolność uczenia się i dostosowywania zmiennych w interwałach czasowych. Z pomocą algorytmu generycznego sternik ma możliwość symulacji i reagowania na bilans cieplny, w taki sposób aby był jak najbardziej korzystny.

W ostatniej kategorii PREDYKCJA WYSTĄPIENIA WSTRZĄSÓW Jury wyłoniło dwa zwycięskie teamy.

I miejsce

Zespół: ŚWIEŻAKI

Projekt: Cisza przed burzą: świeże spojrzenie na wstrząsy

Uzasadnienie Jury: „Świeże spojrzenie na wstrząsy w kopalni Rudna” wg. JURY konkursu najbliżej i najcelniej zdefiniował problem próby predykcji wstrząsów analizując sumaryczną ilość energii oddaną przez górotwór w trakcie eksploatacji. Oczywiście zaproponowany model musi jeszcze zostać uwiarygodniony, gdyż od skuteczności prognozy zależy organizacja pracy i ruch zakładu górniczego.

Kilka słów od zespołu: W naszym projekcie utworzyliśmy model uczenia maszynowego do predykcji wstrząsów, który opiera się na obserwowaniu zdefiniowanej przez nas “puli energii”. Zakładamy, że siły górotwórcze oraz naprężenia skał muszą znaleźć swoje ujście, a zjawiska sejsmiczne są naturalne.

II miejsce

Zespół: KGIS

Projekt: Predykcja sezonowości wystąpienia zjawiska

Uzasadnienie Jury: Zespół przedstawił trendy i sezonowość wystąpienia wstrząsów w obszarach rejonów wydobywczych RG, RZ i RP kopalni „Rudna”. Podobnie jak w przypadku „Świeżaków”, kluczowe będzie sprawdzenie algorytmu w badaniach ruchowych.

Kilka słów od teamu: Mimo że nie ma możliwości dokładnego przewidzenia miejsca, czasu i energii wstrząsu, możliwe jest w pewnym sensie zawężenie przedziału i podanie okresów wzmożonego zagrożenia, co może przełożyć się na poprawę bezpieczeństwa oraz ochronę życia pracowników.

Oryginalne źródło: ZOBACZ
0
Udostępnij na fb
Udostępnij na twitter
Udostępnij na WhatsApp

Oryginalne źródło ZOBACZ

Subskrybuj
Powiadom o

Dodaj kanał RSS

Musisz być zalogowanym aby zaproponować nowy kanal RSS

Dodaj kanał RSS
0 komentarzy
Informacje zwrotne w treści
Wyświetl wszystkie komentarze
Poprzedni artykułPG: ewentualne umorzenie przez TK spraw związków jednopłciowych – zagrożeniem dla ładu społecznego
Następny artykułSN: prawdopodobny spadkobierca wstępuje do sprawy