Цифровой подсказчик в дипломе: как ML-модель ускоряет разморозку руды
В марте 2026 года ЕВРАЗ сообщил о внедрении цифровой системы управления процессом разморозки руды на Абагурской обогатительной фабрике. «Умный подсказчик» анализирует показания датчиков и выдаёт оператору рекомендации по параметрам — это сократило время простоя и энергозатраты. Для студента ИТ-специальности такой кейс — готовый фундамент для ВКР: он показывает, как машинное обучение решает реальную производственную задачу, встраивается в АСУ ТП и даёт измеримый эффект. Разберём, как превратить этот пример в сильную дипломную работу: выбрать тему, спроектировать ML-решение, посчитать эффективность и уверенно защититься.
Что взять из кейса для дипломного проекта
Кейс ЕВРАЗа хорошо ложится на несколько направлений ВКР — от чистого Data Science до проектирования архитектуры или экономического обоснования. Ниже — три рабочие темы с актуальными задачами и структурой глав.
| Тема ВКР | Актуальность | Цель | Задачи | Структура глав |
|---|---|---|---|---|
| Прогнозирование времени разморозки руды по данным датчиков | Прямая отсылка к статье: цифровая система сократила время разморозки, значит модель прогнозирования востребована. | Разработать ML-модель, предсказывающую длительность разморозки с точностью MAE < 15 минут. | 1. Анализ технологического процесса и факторов. 2. Сбор и предобработка временных рядов. 3. Сравнение моделей (LinearRegression, XGBoost, LSTM). 4. Оценка качества по MAE/RMSE. |
Глава 1 — анализ предметной области; Глава 2 — проектирование модели; Глава 3 — тестирование и выводы. |
| Архитектура цифрового подсказчика для управления разморозкой | Важно показать, как ML-модель интегрируется в АСУ ТП: сбор данных, UI оператора, API, журналирование. | Спроектировать микросервисную архитектуру и реализовать прототип подсказчика. | 1. Требования к системе (ГОСТ 34.602, ISO/IEC 25010). 2. C4-диаграммы, UML-модели. 3. Разработка сервисов модели и интерфейса. 4. Тестирование интеграции и нагрузочное тестирование. |
Глава 1 — анализ АСУ ТП и аналогов; Глава 2 — архитектурное проектирование; Глава 3 — реализация и испытания. |
| Оценка эффективности внедрения цифрового подсказчика | Руководителям предприятий нужны цифры экономии. В статье упоминается ускорение — это и есть кейс для расчёта. | Количественно оценить экономический эффект от внедрения рекомендательной системы. | 1. Изучить методики оценки ИТ-эффективности (PMBOK 7). 2. Собрать производственные показатели до/после. 3. Рассчитать TCO, NPV, срок окупаемости. 4. Сформулировать выводы для руководства. |
Глава 1 — теоретическая база; Глава 2 — сбор и анализ данных; Глава 3 — расчёт эффективности и рекомендации. |
От новости к техническому заданию
Начните диплом с формализации требований. По ГОСТ 34.602-2016 ТЗ должно содержать разделы: назначение системы, функциональные требования, требования к интерфейсу и безопасности. Для проектов по ML дополнительно опишите требования к данным: источники, периодичность, допустимую задержку ответа модели.
Качество системы оценивайте по ISO/IEC 25010: производительность, надёжность (отказоустойчивость при потере связи с датчиками), сопровождаемость. Эти критерии переходят в метрики и проверки в третьей главе.
Минимальный пайплайн для прогноза
Студентам часто не хватает примера «скелета» кода. Вот базовая структура обучения модели на Python. В ВКР она дополняется валидацией и подбором гиперпараметров.
# Псевдокод: обучение модели для прогноза времени разморозки
import pandas as pd
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_absolute_error, mean_squared_error
# Загрузка промышленных показателей: расход пара, температура, масса руды
df = pd.read_csv('../data/sensor_logs.csv')
X = df[['ore_mass_kg', 'initial_temp_c', 'steam_pressure_mpa', 'duration_hours']]
y = df['defrost_completed_time_min']
# Разделение выборки с учётом временной последовательности
train_size = int(len(df) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]
model = GradientBoostingRegressor(n_estimators=200, max_depth=5, random_state=42)
model.fit(X_train, y_train)
pred = model.predict(X_test)
print(f'MAE = {mean_absolute_error(y_test, pred):.2f} мин')
print(f'RMSE = {mean_squared_error(y_test, pred, squared=False):.2f} мин')В главе 2 обязательно опишите, почему выбрали градиентный бустинг, а не нейросеть. Для регрессии временных рядов с 5–10 признаками XGBoost/LightGBM часто дают лучший результат на малых выборках.
Метрики эффективности и архитектура
В дипломе нужно показать, как модель попадает на производство. Используйте C4 model для описания архитектуры на уровне контейнеров:
- Оператор — UI-панель подсказчика;
- ML-сервис — модель, обёрнутая в REST API;
- Модуль сбора данных — читает телеметрию датчиков;
- Хранилище — архив логов и предсказаний;
- Мониторинг — OpenTelemetry собирает метрики качества модели.
Для промышленных систем критично отслеживать дрейф модели. В ВКР достаточно предложить концепцию: каждую смену выполняются расчёты MAE на свежих данных, при превышении порога — алерт.
Частые вопросы при подготовке ВКР
Где взять данные для обучения модели, если нет доступа к реальным датчикам?
Используйте открытые датасеты (UCI, Kaggle) или симулируйте процесс на основе тепловой физики. В ТЗ опишите, что данные — пилотная выборка, а на производстве предстоит дообучение. Это зачтут как знание проблемы, а не недостаток.
Какой алгоритм машинного обучения выбрать для временных рядов?
Начните с линейной регрессии как бейзлайна, затем сравните с градиентным бустингом и LSTM. В ВКР важно уметь обосновать выбор: объясните, что бустинг устойчив к пропущенным значениям, а LSTM требует больших данных.
Как оформить схемы по ГОСТ?
Для вариантов использования и последовательностей используйте UML. Для общей архитектуры подойдёт C4 model — его не запрещает нормоконтроль, главное, чтобы названия были на русском, а диаграммы имели подписи и ссылки в тексте.
Как считать экономический эффект для третьей главы?
Сравните время разморозки и расход пара до и после внедрения. Например, если модель снизила среднюю длительность с 4 часов до 3,5, а стоимость часа простоя — 100 000 ₽, эффект составит 500 000 ₽ на цикл. Не забудьте вычесть затраты на разработку (TCO) и посчитать срок окупаемости.
Чек-лист перед сдачей работы
- Задачи и цель работы соответствуют выводам — их не подменили в процессе.
- Все диаграммы и таблицы подписаны, содержат ссылку в тексте.
- Код оформлен по PEP 8, есть комментарии, в приложении указаны библиотеки.
- Метрики (MAE, RMSE) указаны с единицами измерения и описанием, почему они выбраны.
- Для тем с экономикой приведены расчёты CTO/NPV с чётким списком допущений.
- Ссылки на статьи, стандарты (ГОСТ 34, ISO 25010) актуальны и не «битые».
- Уникальность текста соответствует требованию вуза (обычно 70% и выше).
Типичные ошибки студентов
Ошибка 2. Используют метрики без привязки к реальному процессу. MAE = 0.8 ничего не значит для комиссии. Правильно: «модель ошибается на 12 минут, что сокращает среднее время разморозки на 8%» — так вы показываете практическую пользу.
Ошибка 3. Пренебрегают мониторингом модели в тексте. Для промышленных систем это стандарт. Упомяните OpenTelemetry и концепцию дрейфа данных — этим вы сразу выделитесь на защите.
Чему вы научитесь
- Формализовать требования к ML-системе по ГОСТ 34.602-2016.
- Составлять ТЗ и учитывать стандарты качества ПО (ISO/IEC 25010).
- Проектировать архитектуру с помощью C4 model и UML.
- Рассчитывать метрики регрессии и обосновывать выбор модели.
- Проводить расчёт экономической эффективности для ИТ-проектов.
Источник: Цифровой подсказчик ускорил разморозку руды на Абагурской фабрике (опубликовано 2026-03-18)
```