Przewidywanie wstrząsów, potencjalnych awarii maszyn SMG oraz stabilizacja pracy pieca zawiesinowego - między innymi takie wyzwania stanęły przed uczestnikami CuValley Hack. W rywalizacji wzięło udział blisko 300 uczestników, którym udało się stworzyć 53 projekty. To pierwszy hackathon, organizowany przez KGHM S.A. w ramach programu Dolina Miedziowa. Celem wydarzenia było stworzenie innowacyjnych rozwiązań, które będą odpowiedzią na realne wyzwania i usprawnią funkcjonowanie maszyn oraz procesów w polskiej Dolinie Miedziowej. Pula nagród podczas wydarzenia sięgała 100 000 zł.
– 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 programowali przez 40 godzin, by stworzyć inspirujące i praktyczne projekty w ramach trzech głównych kategorii. Działania ochotników skupiały się głównie na analizie danych oraz wykorzystaniu AI, Machine Learningu czy BigData w układach automatyki przemysłowej. 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.
Pierwsza edycja hackathonu CuValley Hack odbyła się pod patronatem Prezesa Rady Ministrów Mateusza Morawieckiego. Hackathon rozpoczął się w piątek o godz. 17:00 i zakończył 3 czerwca o godz. 16:30.
Lista zwycięzców hackathonu:
Kategoria ANALIZA DANYCH MASZYN SMG:
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.
Kategoria STABILIZACJA PRACY PIECA ZAWIESINOWEGO
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.
Kategoria PREDYKCJA WYSTĄPIENIA WSTRZĄSÓW
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
