El hackaton del cobre resuelto - conoce a los ganadores del maratón de programación con motivo del 60 aniversario de KGHM Polska Miedź S.A.

El primer hackathon organizado por KGHM CuValley Hack 2021 ha llegado a su fin: participaron casi 300 participantes en el concurso, que lograron crear 53 proyectos. Los participantes codificaron continuamente durante 40 horas en 3 categorías de tareas diferentes. El premio acumulado en el hackathon fue de 100.000 zł.

- KGHM es un magnate de la industria minera, pero sobre todo es una empresa de tecnología. Aprovechamos la tecnología en lo que hacemos y cuantas más innovaciones de este tipo, especialmente las recientemente altamente digitales, mejor para nosotros. Como KGHM, estamos muy orgullosos de haber podido realizar un hackathon, que fue recibido de forma muy positiva y con un gran interés en el mundo de las tecnologías de la información. Agradecemos a los participantes por sus proyectos. Todos ellos fueron interesantes, por lo que el jurado tuvo una difícil tarea en la selección de las soluciones presentadas. Sin embargo, estas son las leyes y reglas del hackathon que solo los mejores pueden ganar, dijo Marcin Chludziński, presidente de KGHM Polska Miedź S.A.

Los participantes de CuValley Hack se centraron en el análisis de datos y el uso de IA, Machine Learning o BigData en sistemas de automatización industrial. En la práctica, las soluciones desarrolladas son reducir la tasa de fallas en las máquinas SMG, estabilizar el funcionamiento del horno flash y respaldar la predicción de impactos.

La primera edición del hackathon CuValley Hack se llevó a cabo bajo el patrocinio del primer ministro polaco Mateusz Morawiecki. Además, los ganadores del hackathon recibieron un premio del presidente de Polonia, Andrzej Duda, en forma de bolígrafos dedicados a los ganadores.

KGHM cuenta con la implementación práctica de los proyectos adjudicados, incluyendo ideas para la optimización del horno flash en la Fundición de Cobre Głogów y la predicción de fallas en máquinas mineras. Hackathon CuValley Hack ha conectado con éxito el mundo de la ciencia de datos con la ingeniería industrial.

Lista de ganadores del hackaton:

En la categoría ANÁLISIS DE DATOS DE MÁQUINAS SMG, los mejores proyectos fueron:

I Puesto

Equipo: PREDYKCYJNI KRK

Proyecto: Detección de avería de engranajes en SMG.

Justificación del jurado: Trabajo profesional, presentando análisis de datos avanzados de máquinas mineras autopropulsadas con potencial de aplicación y desarrollo en el entorno KGHM. Un amplio conocimiento sustantivo en el campo de la operación de sistemas de máquinas garantiza la comprensión de los problemas del dominio y la selección de métodos apropiados para un análisis posterior.

Algunas palabras del equipo: Como parte de la tarea, se llevó a cabo un análisis exploratorio de datos en base a las cuales pautas para el procesamiento de datos en una estructura que permita identificar la variabilidad de los parámetros seleccionados para dos estados operativos de la máquina en relación a condiciones de funcionamiento específicas en el ciclo diario (normal y preemergencia, sistema de 4 turnos).

II puesto

Equipo: PBP TEAM

Proyecto: Primero el cristal y el ojo del sabio, luego los perceptrones.

Motivo del jurado: El equipo presentó en la ponencia el efecto de pronosticar y alertar la ocurrencia de averías. Vemos el potencial de la aplicación aquí y queremos verificar los métodos propuestos para un conjunto de datos más grande.

Algunas palabras del equipo: El proyecto tiene como objetivo facilitar la verificación visual rápida de las hipótesis de la teoría de detección de fallas, proporcionar una interfaz intuitiva de 'ejercicios de datos', utilizar algoritmos de aprendizaje supervisados y no supervisados para predecir averías/ identificar averías previas. Los desarrolladores se centraron en las fallas de la caja de cambios en las máquinas WOS.

III puesto

Equipo: CUPRUM INSIGHT

Proyecto: predicción del tiempo de avería

Motivo del jurado: Una solución alentadora para la aplicación de la predicción de averías en máquinas mineras autopropulsadas. Las altas tasas de predicción obtenidas hicieron que el Jurado quisiera continuar la cooperación y verificar la aplicación de la solución en el entorno de producción en un futuro próximo.

Algunas palabras del equipo: en el ejemplo de una falla de engranaje en un camión de transporte, los autores del proyecto muestran que se puede generar un pronóstico del tiempo de trabajo restante utilizando redes neuronales recursivas.

Distinciones adicionales - DATA MINERS

Motivo del jurado: una idea interesante de la solución de la capa de aplicación y un enfoque integral del proyecto, desde el modelo hasta la aplicación. El jurado, apreciando este enfoque, quisiera establecer una mayor cooperación con el equipo.

Algunas palabras del equipo: MADSztygar es una herramienta analítica avanzada, que utiliza soluciones en el área de aprendizaje automático, análisis de series de tiempo, ingeniería de características, al servicio de la búsqueda de relaciones entre averías de máquinas mineras e indicadores que describen estas máquinas. La solución tiene una interfaz gráfica fácil de usar basada en RShiny, que facilita la interacción con los resultados del modelado.

En la categoría ESTABILIZACIÓN DE FUNCIONAMIENTO DEL HORNO DE SUSPENSIÓN, el jurado seleccionó los dos mejores proyectos. Los conceptos presentados fueron evaluados en términos del mayor potencial de implementación de producción y el enfoque más innovador para resolver el problema.

I Puesto

Equipo: DATA DRIVERS

Proyecto: Estabilizador del trabajo del horno

Motivo del jurado: El primer premio fue otorgado al equipo de DATA DRIVERS, que presentó un proyecto que involucra un modelo bastante preciso que produce pérdidas y un algoritmo de optimización bastante sencillo de implementar.

Algunas palabras del equipo: El proyecto consta de tres partes: scripts de procesamiento de datos de origen, un modelo de pérdidas totales de un horno flash y un estabilizador de horno flash, y simulación y visualización de su trabajo.

II puesto

Equipo: ANZONIA

Proyecto: Optimización del funcionamiento del horno flash.

Motivo del jurado: el segundo lugar fue otorgado al equipo de ANZONIA por un modelo de predicción relativamente óptimo y un algoritmo de optimización genética original.

Unas palabras del equipo: Basándonos en el modelo de regresión, pudimos simular el funcionamiento del horno para encontrar los parámetros más favorables en ese momento. Para la optimización, hemos preparado un algoritmo genético que tiene la capacidad de aprender y ajustar variables a lo largo del tiempo. Con la ayuda del algoritmo genérico, el timonel puede simular y reaccionar al balance de calor de la manera más beneficiosa posible.

En la última categoría, PREDICCIÓN DE LA OCURRENCIA DE CHOQUES, el Jurado seleccionó dos equipos ganadores.

I Puesto

Equipo: ŚWIEŻAKI

Proyecto: Calma antes de la tormenta: una nueva mirada al choque

Motivo del jurado: "Una nueva mirada a los temblores en la mina Rudna" . El Jurado de la competición definió con mayor precisión y precisión el problema de un intento de predecir temblores analizando la cantidad total de energía entregada por el macizo rocoso durante la operación. Por supuesto, el modelo propuesto aún debe ser validado, porque la efectividad del pronóstico depende de la organización del trabajo y las operaciones de la planta minera.

Algunas palabras del equipo: En nuestro proyecto, creamos un modelo de aprendizaje automático para la predicción de choques, que se basa en la observación de la "reserva de energía" definida por nosotros. Suponemos que las fuerzas orogénicas y las tensiones de las rocas deben encontrar su salida y que los fenómenos sísmicos son naturales.

II puesto

Equipo: KGIS

Proyecto: Predicción de la estacionalidad de la ocurrencia del fenómeno

Motivo del jurado: El equipo presentó las tendencias y la estacionalidad de los temblores en las áreas mineras RG, RZ y RP de la mina Rudna. Como en el caso de "Świeżaki", será crucial verificar el algoritmo en las pruebas de movimiento.

Algunas palabras del equipo: aunque no es posible predecir con precisión el lugar, la hora y la energía del choque, es posible reducir el rango y proporcionar períodos de mayor riesgo, lo que puede traducirse en una mejor seguridad y protección de la vida de los empleados.