Интеллектуальная модель прогнозирования технологических нарушений электролиза алюминия типа «конус» на основе методов ансамблевого обучения

Введение. Развитие алюминиевой промышленности требует наращивания объемов производства первичного алюминия [1]. Для достижения высоких технико-экономических показателей необходимы передовые методы управления сложными технологическими процессами. Их задача — обеспечить своевременную оценку состояния всего производственного комплекса [2] и его элементов [3]. Основные сдерживающие факторы — технологические нарушения, возникающие в процессе электролиза [4], в том числе деформация подошвы анода с формированием характерных выступов, так называемых «конусов» [5] (рис. 1).

Возможные причины образования конусов:

• неоднородность структуры и состава угольного анода;
• нарушение технологического регламента при установке или замене анода[6];
• изменения технологических условий процесса электролиза, связанные с нарушением теплового баланса и концентрацией глинозема [7].

Нарушение ведет к изменению анодно-катодного расстояния и токораспределения в электролизере. Соответственно, образование конуса может стать причиной короткого замыкания анода и катода, роста флуктуаций тока, интенсивного пенообразования, повышения уровня шумов [8].

Проблему образования конусов следует признать системной, существенно влияющей на технологические и энергетические показатели электролиза. Развитие конуса приводит к резкому перераспределению тока, локальным перегревам, коротким замыканиям и снижению выхода по току, которое при массовом развитии нарушений может достигать нескольких процентов. Даже небольшое снижение частоты таких событий в промышленном масштабе может существенно увеличить энергоэффективность, стабильность процесса и объем выпуска алюминия.

Исследования значений технологических параметров в различных режимах работы при производстве алюминия показали, что образование конусов сопровождается экстремальными значениями десятка параметров [9]. Из-за жестких условий и сложности технологического процесса своевременная диагностика данного нарушения крайне затруднена, и отклонение выявляется на критической стадии. Кроме того, автоматизацию существенно осложняют многочисленные взаимозависимые параметры, ручные методы измерения и инерционность процесса. В этих условиях особую значимость приобретает анализ накопленных данных для выявления косвенных признаков развития нарушения. Благодаря интеллектуальным методам и технологиям обработки больших данных можно извлекать нетривиальные, ранее неизвестные и поддающиеся интерпретации знания. Такой подход позволяет объяснять снижение производительности, своевременно обнаруживать и прогнозировать отклонения в технологическом процессе [10].

Методы машинного обучения стали одним из основных инструментов анализа [11], оптимизации производственных процессов [12] и широко применяются для задач диагностики технологических нарушений в алюминиевой промышленности [13]:

• восстановление значений трудноизмеримых параметров;
• поиск зависимостей между показателями работы промышленных электролизеров и прогнозирования вероятности изменения их технологического состояния.

Особое внимание уделяется виртуальному измерению важнейших для технологии электролиза параметров, которые сложно или невозможно напрямую контролировать в реальном времени:

• концентрация глинозема;
• температура расплава;
• анодно-катодное расстояние [14].

Такие модели решают задачу оценки текущего состояния технологии, но не позволяют заблаговременно выявить момент формирования нарушений.

Отдельное направление исследований связано с прогнозированием технологических нарушений и нештатных режимов. Статистический анализ производственных данных, экспертные знания и интеллектуальные модели стали базой для обзора методов обнаружения неисправностей и технологических отклонений в работе алюминиевых электролизеров [15]. Основная задача изысканий в этой сфере — идентификация отклонений. Отметим, что прогнозирование конкретного нарушения требует анализа его предшествующей динамики. Сложность диагностики обусловлена многомерностью процесса электролиза, взаимным влиянием технологических параметров и изменчивостью условий эксплуатации.

Для обнаружения анодов с развивающимся конусом в [16] предложен анализ анодных токов методами машинного обучения. Решение позволяет выявлять значительную часть нарушений за несколько суток до того, как признаки конуса становятся очевидными для технологического персонала. Анодные токи обеспечивают высокую чувствительность к локальным изменениям конкретного анода, однако такой подход требует соответствующей системы измерения индивидуальных токов и анализа локальных электрических характеристик.

В [17] предложена промышленная модель прогнозирования конусов с помощью скрытых моделей Маркова. Авторы выделяют характерные для данной задачи проблемы:

• дисбаланс классов;
• сложность достоверной регистрации событий;
• взаимная корреляция технологических параметров;
• изменение статистических характеристик данных при изменении режимов работы электролизеров.

Полученные результаты демонстрируют возможность прогнозирования конусов средствами машинного обучения. При этом необходимо повышать устойчивость моделей к изменению технологических режимов, сокращать количество ложных срабатываний и учитывать динамику производственных параметров.

Известные решения главным образом фиксируют уже возникшие отклонения или прогнозируют смежные состояния. Пока недостаточно внимания уделяется построению интеллектуальных моделей раннего прогнозирования нарушений. Есть определенные успехи в прогнозировании нарушений с четко выраженными изменениями отдельных технологических параметров [18]. Это, например, анодный эффект [19], нарушение концентрации глинозема, различные проблемы механической и электрической неисправности [20]. Однако нерешенной остается задача раннего прогнозирования конусов. Здесь необходим комплексный анализ многомерных данных мониторинга, который по доступным технологическим параметрам выявляет скрытые закономерности возникновения и развития такого нарушения. Помимо высокой точности прогнозирования с учетом особенностей производственного объекта необходима интерпретируемость прогностической модели. Для ее применения в промышленных условиях недостаточно классифицировать состояние электролизера. Важно определить, какие технологические параметры вносят наибольший вклад в прогноз, какие признаки предвещают нарушения и насколько полученные зависимости согласуются с физико-технологической природой процесса. Требуются модели для анализа значимости признаков и выявления аномальных паттернов.

Цель представленной работы — создание интеллектуальной модели для раннего прогнозирования технологических нарушений типа «конус» при производстве алюминия. Предложенная модель базируется на комплексном анализе технологических параметров с применением методов ансамблевого обучения. Для достижения цели решаются три задачи.

1. Формирование и предварительная обработка массива технологических данных для применения методов машинного обучения.
2. Разработка интеллектуальной прогностической модели в виде ансамбля моделей бинарной классификации, позволяющих по новым значениям технологических параметров определять состояние объекта: «норма» или «нарушение».
3. Апробация модели по реальным данным мониторинга на опытном участке производства алюминия.

Материалы и методы. В 2020–2025 гг. проводился мониторинг на опытном участке комплекса производства алюминия. Отслеживалась работа восьми электролизеров с обожженными анодами технологии РА-550. Данные контроля и автоматизированной системы управления технологическим процессом предоставили для анализа более 70 параметров, которые характеризуют работу отдельных единиц (электролизеров, корпусов) в различных режимах функционирования. Назовем некоторые из этих индикаторов: уровень металла, уровень электролита, температура электролита, длительность выливки металла, параметры химического состава электролита, параметры системы подачи глинозема и фтористого алюминия, режимы питания, параметры регулирования межполюсного расстояния между металлом и подошвой углеродного анода, параметры напряжения, тока, шума, характеристики зарегистрированных технологических нарушений, показатели срока службы электролизеров и технологических операций.

Для формализации построения модели прогнозирования определили последовательность этапов обработки и анализа данных (рис. 2).

На начальном этапе формируется массив данных производственного мониторинга. Далее они очищаются и предварительно обрабатываются: устраняются пропуски, проверяется корректность записей, готовится признаковое пространство. После этого проводится разметка наблюдений по классам «норма» и «нарушение». Результаты машинного обучения во многом зависят от качества и полноты входных данных, корректности их разметки: чем полнее и точнее исходная информация, тем выше достоверность прогнозов. Затем данные разделяются на обучающую, валидационную и тестовую выборки с учетом временно́й структуры процесса. Для технологического процесса характерны выраженная временна́я зависимость, инерционность и повторяемость состояний в смежные периоды. В связи с этим целесообразно использовать временно́е разделение, при котором обучение выполняется на более ранних наблюдениях, а проверка — на последующих. Такой подход позволяет оценить способность модели не просто воспроизводить известные закономерности, но и прогнозировать развитие технологического нарушения в условиях, приближенных к реальным. На следующем этапе обучается и настраивается прогностическая модель, подбираются оптимальные параметры. Далее — валидация и сравнительная оценка результатов прогнозирования по выбранным метрикам качества. Заключительный этап предполагает апробацию модели. Это проверка ее способности заблаговременно прогнозировать конус на реальных технологических данных.

Конус может формироваться довольно быстро: с момента появления дефекта до замыкания анода с катодом иногда проходит около трех суток [21]. Рост напряжения и шумов тока отмечается уже на 2–3-й день [22]. В связи с этим трехдневный интервал, предшествующий регистрации нарушения, рассматривается в данной работе как значимый предаварийный период для анализа параметров мониторинга и построения модели раннего прогнозирования.

При формировании обучающей выборки учитывался день фактической регистрации нарушения, т.е. день, когда конус обнаруживался при визуальном осмотре анода, извлеченного из электролизера. Данные в день регистрации нарушения исключались из обучающей выборки. Для каждого события, зарегистрированного в момент T, к положительному классу относились наблюдения, попадающие в предаварийный интервал от T-72 ч до T-24 ч включительно.

На этапе предварительной обработки мониторинговых данных пропущенные значения восстанавливались с помощью алгоритма множественной итеративной импутации (multiple imputation by chained equations, MICE) [23]. Каждый параметр, содержащий пропущенные значения, поочередно рассматривался как целевая переменная, а остальные выступали в роли признаков. В качестве базовой модели, применяемой для оценки пропусков, используется Bayesian Ridge регрессия. Перед запуском итераций начальные значения пропусков заполняются медианой соответствующего признака. Далее параметры с пропущенными значениями последовательно обрабатываются: модель обучается на наблюдениях с известными значениями, после чего используется для прогнозирования пропусков в соответствующих записях.

Для построения интеллектуальной прогностической модели исследовались две группы методов: ансамбли на основе деревьев решений и ансамбли нейронных сетей. Ансамблевые методы основаны на объединении нескольких базовых моделей, что позволяет повысить точность и устойчивость прогнозирования. В данной работе для прогнозирования нарушений выбраны следующие реализации градиентного бустинга над деревьями решений [24]: XGBoost, CatBoost и LightGBM. Указанные алгоритмы относятся к классу индустриальных. Они используются для работы с разнородными признаковыми пространствами и демонстрируют устойчивые результаты в задачах классификации. Алгоритм XGBoost (extreme gradient boosting) представляет собой оптимизированную реализацию градиентного бустинга, в которой минимизация функции потерь сочетается с регуляризацией сложности модели. Такой подход направлен на повышение обобщающей способности алгоритма и снижение риска переобучения. Особенность алгоритма CatBoost (categorical boosting) — специальная схема обработки категориальных переменных и построения последовательных оценок, уменьшающая вероятность появления смещений, связанных с кодированием признаков. Алгоритм LightGBM (light gradient-boosting machine) ориентирован на эффективную обработку больших массивов данных и обеспечивает высокую скорость обучения при сохранении приемлемой точности. Наряду с отдельными алгоритмами градиентного бустинга в работе применяется библиотека FEDOT. Она использует эволюционные методы и предназначена для автоматизированного построения составных конвейеров машинного обучения. С помощью библиотеки выполняется поиск структуры модели, подбираются способы предварительной обработки и объединения результатов. При этом можно исследовать не только заранее заданные модели, но и автоматически сформированные комбинации методов, а также сопоставить их качество в одинаковых условиях обучения и тестирования.

В дополнение к ансамблевым алгоритмам на основе деревьев решений исследуются подходы глубокого обучения, основанные на ансамблях нейронных сетей [25]: RTDL-RM, RTDL-NE, TabM. Подход RTDL-RM (RTDL-revisiting-models) предполагает применение стандартных архитектур нейронных сетей для табличных данных. Можно достичь высокой производительности благодаря ансамблированию, настройке функций активации, нормализации и регуляризации. При модификации RTDL-NE (RTDL-num-embeddings) применяются специальные представления числовых признаков. Каждый числовой параметр преобразуется в вектор. Эмбеддинг позволяет моделям более эффективно учитывать сложные нелинейные зависимости между признаками и целевой переменной. Подход TabM реализует объединение нескольких моделей-экспертов, совместно формирующих итоговый прогноз. Для уменьшения вычислительной сложности используются общие параметры и отдельные низкоранговые адаптеры, построенные по принципу LoRA (low-rank adaptation). Это позволяет увеличить число моделей в ансамбле без значительного роста количества обучаемых параметров.

Наиболее эффективные алгоритмы и оптимальные параметры настройки интеллектуальных моделей выбираются на основе метрик оценки качества классификации: достоверность (ассuracy), точность (precision), полнота (recall) и F1-мера (F1-score) [26].

Для построения и оценки интеллектуальных моделей исходный набор данных среднесуточного мониторинга разделен с учетом временно́й структуры производственного процесса (рис. 3).

В качестве обучающей выборки используются данные с 01.01.2020 по 31.12.2023 (17768 записей). Валидационная выборка сформирована по данным с 01.01.2024 по 31.12.2024 (2230 записей). Тестовая включает данные с 01.01.2025 по 30.06.2025 (1342 записи). Дополнительно для проверки работоспособности прогностической модели выделен апробационный период — с 01.07.2025 по 28.10.2025 (962 записи).

Такое временно́е разделение позволяет снизить риск утечки информации между выборками и оценить способность модели прогнозировать нарушение на данных, не участвовавших в обучении и настройке. Обучающая выборка предназначена для построения моделей, валидационная — для подбора гиперпараметров и выбора порога классификации, тестовая — для независимого сравнения качества алгоритмов, апробационная — для проверки модели в условиях, приближенных к промышленной эксплуатации.

В таблице 1 представлено распределение записей по классам «норма» и «нарушение» для каждой выборки.

Очевиден дисбаланс: число примеров нормального режима работы электролизеров значительно превышает количество случаев предаварийного состояния, предшествующего обнаружению конуса. Такое распределение влияет на обучение и оценку моделей. Распознавание преобладающего класса дает высокую точность, при этом плохо выявляются редкие предаварийные состояния.

Для компенсации дисбаланса в работе применяются весовые коэффициенты классов, позволяющие увеличить вклад ошибок на объектах положительного класса в функцию потерь и снизить смещение модели в сторону нормального режима. Качество моделей оценивается по метрикам Precision, Recall и F1-score, которые в условиях редкого целевого события значительно информативнее Accuracy.

Вычисления выполнялись на рабочей станции под управлением операционной системы Windows 11, оснащенной графическим процессором GeForce RTX 4080, 12 Гб. Программная реализация выполнена на языке Python 3.13 в среде разработки PyCharm. Для обработки и анализа данных использовались библиотеки NumPy, pandas, scikit-learn. Модели градиентного бустинга реализованы с помощью библиотек XGBoost, CatBoost, LightGBM. Автоматизированное построение моделей выполнялось средствами библиотеки FEDOT. Нейросетевые модели реализованы с использованием PyTorch, RTDL, TabM. Во всех вычислениях, содержащих стохастические операции, использовалось фиксированное значение генератора псевдослучайных чисел.

Результаты исследования. Вычислительные эксперименты позволили выбрать параметры, обеспечивающие максимальные значения метрик оценки качества. Эти данные стали базой для разработки интеллектуальной прогностической модели. Гиперпараметры с диапазонами и оптимальными значениями для каждого типа модели приводятся в таблицах 2–4.

С помощью конвейера FEDOT определена структура алгоритма, включающего модели машинного обучения XGBoost, «Случайный лес» и «Логистическая регрессия». Для модели «Случайный лес» определены гиперпараметры:

• критерий разбиения узлов (criterion) — «энтропийный»;
• доля признаков, случайно выбираемых при построении каждого дерева (max_features) — 0,302;
• минимальное количество объектов для разделения внутреннего узла (min_samples_split) — 6;
• минимальное количество объектов в листовом узле (min_samples_leaf) — 2;
• использование бутстрэп-выборки при построении деревьев (bootstrap) — true.

Для модели XGBoost определены гиперпараметры:

• тип базовой модели бустинга (booster) — gbtree;
• метод построения деревьев (tree_method) — auto;
• использование категориальных признаков (enable_categorical) — true;
• использование валидационной выборки при обучении (use_eval_set) — true;
• ранняя остановка (early_stopping_rounds) — 30.

Для модели «Логистическая регрессия» использовалась конфигурация по умолчанию. Дополнительно применялись нормализация стандартным масштабированием (StandardScaler) и ресемплинг данных с параметрами по умолчанию.

В таблице 5 представлены результаты оценки качества прогностических моделей для рассматриваемых архитектур на тестовой выборке. Для нее взяли данные мониторинга работы опытного участка. В квадратных скобках приводятся 95-процентные доверительные интервалы, рассчитанные бутстрэп-методом на тестовой выборке. Интервалы позволяют сравнивать модели не только по точечным оценкам метрик, но и по устойчивости полученных результатов.

Анализ данных таблицы 5 позволяет судить об эффективности моделей для исследуемых данных.

LightGBM демонстрирует наилучшую общую производительность среди всех исследуемых алгоритмов, лидируя по метрикам Accuracy (0,88), Recall (0,79) и F1 (0,79). Высокие значения меры параметра Recall указывают на способность эффективно выявлять нарушения (низкий уровень ложноотрицательных событий), что крайне важно для раннего оповещения.

XGBoost и CatBoost показывают сопоставимый уровень — Accuracy (0,87). Тем не менее по метрикам Recall (0,76 против 0,69) и F1 (0,77 против 0,72) CatBoost заметно опережает XGBoost. Это говорит о том, что CatBoost надежнее выявляет нарушения, а XGBoost чаще их пропускает.

Алгоритм, автоматически построенный с помощью библиотеки FEDOT, демонстрирует точность Accuracy 0,87. Этот результат сопоставим с LightGBM. К тому же значение Precision (0,80) — наилучшее среди всех рассмотренных моделей, т.е. в данном случае фиксируется меньше всего ложных срабатываний. Это определяет доверие к выдаваемым прогнозам и снижает нагрузку на персонал, вынужденный реагировать на ложные события. По F1-мере (0,77) алгоритм выходит на один уровень с CatBoost.

Нейросетевые модели в виде ансамблей также показали конкурентоспособные результаты. В этой группе RTDL-NE демонстрирует лучшую F1-меру (0,77) и высокий Recall (0,78), что подчеркивает значимость качественного кодирования числовых признаков при работе с табличными данными. У TabM при высоком Recall (0,78) самый низкий уровень Accuracy (0,84) и Precision (0,74). Скорее всего, это связано с особенностями его архитектуры — parameter-efficient ensembling, требующей дополнительной настройки для исходного набора данных.

Таким образом, модель архитектуры LightGBM оптимальна для прогнозирования технологических нарушений типа «конус» при исходном наборе мониторинговых данных. Она демонстрирует наилучший баланс между полнотой обнаружения (Recall) и общей точностью (F1).

Для апробации на реальных данных опытного участка предложенную интеллектуальную модель интегрировали в информационно-аналитическую систему оперативного управления процессом производства алюминия [27]. Система может предупреждать о возможных нарушениях при превышении заданного порога вероятности. Сигнал передается дежурному оператору или технологу, который на основе текущих параметров работы электролизеров решает, нужны ли проверка и корректирующие воздействия.

Эффективность модели оценивается на апробационной выборке путем сопоставления прогнозов с фактами нарушений. Выборка содержит 962 суточные записи, из которых 946 относятся к нормальному состоянию технологического процесса, а 16 — к предаварийному, сформированному для шести зарегистрированных событий обнаружения конуса. Результаты оценки представлены в матрице ошибок (рис. 4), содержащей возможные комбинации предсказанных и реальных значений.

Класс 0 обозначает отсутствие нарушения, класс 1 — наличие нарушения. При совпадении прогнозируемого и фактического классов результат классификации считается истинным, а при несовпадении — ложным. Таким образом, матрица ошибок отображает результаты:

• истинно отрицательный (TN) — нет нарушения, прогноз совпадает с реальностью;
• истинно положительный (TP) — есть нарушение, прогноз совпадает с реальностью;
• ложноположительный (FP) — модель предсказала наличие нарушения, а в реальности его нет (ошибка первого рода);
• ложноотрицательный (FN) — модель предсказала отсутствие нарушения, а в реальности оно есть (ошибка второго рода).

Применительно к модели прогнозирования результат считается положительным при пороге вероятности 0,4. Он установлен по результатам анализа качества классификации и рассматривается как компромисс между полнотой выявления нарушений и допустимым числом ложных предупреждений (таблица 6).

Исходя из значений матрицы ошибок, сформированной по результатам апробации модели, следует, что в категории событий без нарушений (верхняя строка матрицы) предложенная модель корректно классифицировала состояние «норма» в 95 % случаев (900 наблюдений), тогда как в 5 % случаев (46 наблюдений) было ошибочно определено состояние «нарушение». В категории событий с нарушениями (нижняя строка матрицы) доля верно распознанных состояний составила 62,5 % (10 наблюдений), а в 37,5 % случаев (6 наблюдений) нарушения остались незамеченными.

В таблице 7 показаны прогнозы по отдельным событиям при апробации. Результаты прогнозирования рассматривались в период предаварийного состояния — трехдневный интервал, предшествующий дню обнаружения (регистрации) конуса. Из-за близости событий на одном и том же электролизере для события 04.08.2025 учитывается только один день предаварийного состояния.

Итак, при апробации оптимальной для прогнозирования модели LightGBM зарегистрировано шесть событий обнаружения конуса. Модель выявила признаки развития нарушения для пяти событий, что составляет 83,3 %. Время упреждения для выявленных нарушений — от суток до трех. В одном случае предупреждение формировалось за трое суток до регистрации нарушения, в трех случаях — за двое суток и в одном случае — за сутки. Горизонт упреждения определялся как максимальное число суток между первым положительным прогнозом и датой регистрации конуса.

Обсуждение. Таким образом, результаты сопоставления прогнозных значений с зарегистрированными нарушениями на электролизерах опытного участка подтверждают способность модели выявлять технологические нарушения типа «конус» до момента их фактической регистрации с практическим горизонтом раннего прогнозирования 24–72 ч.

Полученные результаты согласуются с физико-технологическими особенностями возникновения нарушения типа «конус» [5]. От начала формирования дефекта до выраженного изменения режима работы электролизера может пройти несколько суток. Изменение ключевых параметров наблюдается на 2–3 день [22]. Поэтому применяемый в работе горизонт прогнозирования — от 24 до 72 ч следует признать технологически обоснованным интервалом, в пределах которого изменения контролируемых параметров могут быть предвестниками развития нарушения.

Кроме того, результаты апробации модели, как и в [16], подтвердили возможность прогнозирования нарушения за несколько суток до критического изменения состояния технологии. Однако есть и отличие. В [16] прогноз строился по индивидуальным токам анодов, а в представленной работе сопоставимое по горизонту предупреждение («за несколько дней до того, как конус становится очевидным») получено без использования специализированной системы измерения токов. Предложенное авторами решение может рассматриваться как дополнение к методам локального контроля анодов и состояния электролизеров на основе анализа параметров среднесуточного производственного мониторинга.

Результаты апробации отражают известные проблемы применения прогностических моделей в условиях промышленного электролиза, в том числе: сложность регистрации событий [17], дисбаланс классов, изменение статистических характеристик [15]. Снижение качества прогнозирования при переходе от тестовой выборки к промышленной проверке может быть связано еще и с изменчивостью реального технологического процесса и редкостью рассматриваемого типа нарушений. Так, доля наблюдений предаварийного состояния в апробационной выборке — менее 2 %, поэтому даже при высоком проценте правильно распознанных нормальных состояний относительно небольшое число ложноположительных решений существенно снижает прогностическую ценность модели.

Ложноположительные предупреждения отчасти объясняются человеческим фактором. Например, при признаках образования конуса технологи перемещают (подергивают) аноды, проверяют и устраняют непробои в точках подачи глинозема. Все это существенно меняет динамику параметров, предотвращает развитие нарушения и его фактическую регистрацию. В таких случаях модель выявляет признаки предаварийного состояния, однако событие не попадает в журнал регистрации нарушений, и предупреждение классифицируется как ложноположительное. Данная интерпретация требует отдельной проверки и сопоставления времени формирования предупреждений с записями о технологических операциях и последующей динамикой контролируемых параметров.

Ложноотрицательные результаты объясняются:

• отсутствием достаточно выраженных предвестников нарушения в среднесуточных параметрах;
• индивидуальными особенностями развития нарушения на отдельных электролизерах;
• корректностью производственной разметки нарушений, поскольку момент регистрации события не всегда совпадает с фактическим началом его развития.

Поэтому несмотря на использование временно́го разделения данных, необходима внешняя временна́я валидация модели.

На результаты апробации существенно влияет изменение условий ведения технологии. Со временем меняются управленческие настройки, состояние анодов, состав сырья, режимы анодного питания и регламенты обслуживания. Это значит, что признаки распределяются иначе, чем было при обучении модели. К тому же исследование выполнено на данных мониторинга небольшого числа электролизеров опытного участка, и для подтверждения обобщающей способности модели требуется дополнительная проверка на других участках производства и временны́х периодах.

В практическом плане полученные результаты открывают возможность применения интеллектуальной модели для раннего прогнозирования нарушений типа «конус» в реальных промышленных условиях. Благодаря этому образуется временной резерв для дополнительной проверки и выполнения превентивных технологических воздействий. Отметим, что для внедрения интеллектуальных средств недостаточно общей точности классификации. Серьезную роль играет баланс между чувствительностью модели и нагрузкой на технологический персонал при ложноположительных и ложноотрицательных решениях. Следует подчеркнуть важность журналирования предупреждений и значений вероятности, а также действий персонала и фактов подтверждения нарушений. Это позволит контролировать качество прогноза и уровень ложных срабатываний, уточнять порог активации модели и формировать репрезентативный набор подтвержденных случаев для дообучения.

Заключение. Предложена интеллектуальная модель для раннего прогнозирования технологических нарушений типа «конус» при производстве алюминия. В ходе исследования сформирован массив технологических данных по восьми электролизерам РА-550 за период 2020–2025 гг. Выполнена предварительная обработка мониторинговых данных, включающая очистку, восстановление пропусков, разметку и разделение данных на выборки с учетом временно́й структуры производственного процесса.

Для прогнозирования конуса применялись ансамблевые методы: градиентный бустинг (XGBoost, CatBoost, LightGBM), автоматизированный конвейер FEDOT и нейросетевые ансамбли (RTDL-RM, RTDL-NE, TabM). По результатам вычислительных экспериментов определены гиперпараметры моделей, обеспечивающие максимальные значения метрик оценки качества. Самой эффективной оказалась LightGBM с лучшими метриками Accuracy (0,88), Recall (0,79) и F1 (0,79).

Предложенную интеллектуальную модель интегрировали в информационно-аналитическую систему оперативного контроля производства алюминия и апробировали на данных реального технологического процесса. Сопоставление прогнозов с фактами нарушений показало, что при пороге чувствительности 0,4 модель корректно классифицировала состояние «норма» в 95 % случаев. Доля верно распознанных состояний «нарушение» — 63 %. Уровень ложноположительных срабатываний — 5 %, ложноотрицательных — 37,5 %. Ложные результаты возникают, в частности, из-за действий персонала для предотвращения развития нарушения до его официальной регистрации. Другие причины: некорректная производственная разметка нарушений, изменение условий технологии и ограниченность выборки.

Исследование позволило установить, что модель может выявить технологические нарушения за 24–72 ч до их фактической регистрации.

Результаты апробации и экспертная оценка технологов подтверждают достаточную эффективность и применимость предложенной модели в реальных условиях эксплуатации.

В перспективных исследованиях предполагается расширение обучающей выборки, проверка модели для других участков производства алюминия, а также комплексный анализ параметров среднесуточного и мгновенного мониторинга для определения места возникновения нарушения.