بهینه‌سازی مصرف انرژی در صنعت فولاد با هوش مصنوعی

📋 چالش مشتری (Situation & Task)

خط تولید پیوسته (Continuous Casting) با هزینه‌های سنگین انرژی (برق کوره‌های القایی و گاز کوره‌های پیش‌گرم) کار می‌کرد؛ اما تصمیم‌های مصرف انرژی به‌صورت دستی و بر مبنای تجربهٔ اپراتورها گرفته می‌شد — بدون دید به تغییرات بار، نوسان قیمت برق در ساعات پیک، و کیفیت مواد ورودی.

• اهداف: کاهش مصرف انرژی ویژه (kWh/تن)، پیش‌بینی مصرف ۲۴ ساعته، کاهش هزینهٔ ساعات پیک، و داشبورد تصمیم‌گیری.

🧠 راهکار هوشمند متادیپ (Action)

معماری: حسگرهای IoT / دادهٔ MES ← لایهٔ جمع‌آوری ← مخزن Time-Series ← مدل‌های پیش‌بینی ← بهینه‌ساز ← داشبورد / سیگنال به کنترل‌رها.

سه مدل شخصی‌سازی‌شده (آموزش‌دیده روی ۲ سال دادهٔ حسگرِ همان کارخانه، نه مدل عمومی):

• پیش‌بینی مصرف انرژی — سری‌های زمانی LSTM/Prophet برای پیش‌بینی مصرف برق و گاز.
• ذخیرهٔ انرژی — Gradient Boosting (XGBoost) برای یافتن ترکیب بهینهٔ توان کوره با بیشترین بهره‌وری.
• پیش‌بینی بار تولیدی — مدل سلسله‌مراتبی تقاضا برای هماهنگی تولید با پنجره‌های کم‌هزینهٔ شبکهٔ برق.

بهینه‌ساز با درنظرگرفتن قیدهای کیفیت (دما، ترکیب شیمیایی مذاب، نرخ انجماد) تعادل بار تولید و مصرف انرژی را برقرار می‌کند.

📊 نتایج ملموس و عددی (Results)

🗝️ نکتهٔ کلیدی

کلید موفقیت، شخصی‌سازیِ مدل‌ها روی دادهٔ اختصاصیِ همان کارخانه بود؛ به این ترتیب رفتار واقعی تجهیزات به‌جای میانگین کلی صنعت، مبنای تصمیم قرار گرفت.