Einblick in die KI-Transformation eines Bergbauunternehmens

Jul 26, 2023

Die Stimmung war besorgtals Datenwissenschaftler, Metallurgen und Ingenieure aus Freeport-McMoRan am Morgen des 19. Oktober 2018 den Kontrollraum einer Kupfererz-Konzentrationsmühle in Bagdad, Arizona, betraten große Mühle bis zu einem Arbeitstempo, das noch nie ausprobiert worden war.

Die Möglichkeit, in der Mühle Probleme zu verursachen, belastete alle. Die Teammitglieder hatten sich zunächst gegen die Idee gewehrt, die Mühle schneller laufen zu lassen. Sie wollten verhindern, dass der Erzvorrat, der die Mühle speist, unter die von ihnen lange eingehaltene Mindestgröße absinkt. Sie befürchteten, dass ein zu kleiner Vorrat die Leistung der Mühle beeinträchtigen würde.

Ob die Mindestvorratsgröße tatsächlich zu einem besseren Betrieb der Mühle beitrug, war eine andere Frage. Niemand wusste es wirklich genau. Die Manager und Mitarbeiter der Mühle konnten auch nicht sagen, was passieren würde, wenn die Lagerbestände unter das traditionelle Minimum schrumpften.

Im Laufe der Wochen lief die Kupfererz-Konzentrationsmühle schneller, ohne an Effizienz einzubüßen. Das Datenmodell hatte gestimmt: Die Mühle konnte mehr Erz verarbeiten, als ihre Betreiber dachten.

Was sie wussten, ist, dass ein speziell entwickeltes Modell mit künstlicher Intelligenz (KI), das mit Betriebsdaten der Mühle aus drei Jahren geladen und so programmiert wurde, dass es nach betrieblichen Optimierungen sucht, die die Produktion steigern würden, immer wieder sagte, dass die Kupferproduktion steigen würde, wenn die Kupferproduktion steigen würde Die Mühle wurde mit mehr Erz pro Minute beschickt.

Für die Mühlenbetreiber klang diese Vorstellung durchaus logisch – außer, dass sie die Mindestlagergröße, die sie im Sinn hatten, nicht berücksichtigte. Das Modell kannte jedoch weder die Mindestvorratsgröße noch die sonstigen Vorstellungen der Mühlenbetreiber darüber, wie die Mühle betrieben werden sollte, und kümmerte sich auch nicht darum.

Mit Genehmigung der Unternehmensleitung beschlossen die Besatzungsmitglieder am Standort Bagdad, das Tempo der Mühle zu erhöhen, wie es das Modell vorgeschlagen hatte. Sie bereiteten sich auch darauf vor, die Bergbau- und Zerkleinerungsaktivitäten zu intensivieren, damit die Erzvorräte nicht zur Neige gingen.

Um zehn Uhr morgens klickte ein Techniker auf eine Steuerung auf seinem Computerbildschirm, um das System der Förderbänder zu beschleunigen, die Erzbrocken vom Brecher zur Halde und von der Halde zur Mühle transportieren.

Jeder im Raum beobachtete die 13 übergroßen Monitore im Kontrollraum, die mit den Messwerten von Hunderten von Leistungssensoren rund um die Mühle beleuchtet wurden. Die Menge des durch die Mühle gemahlenen Erzes stieg. Es wurden keine Warnungen ausgegeben.

Zwölf Stunden vergingen. Die Mühle blieb stabil. Selbst wenn der Erzvorrat unter das übliche Minimum sank, konnte die Mühle dank der beschleunigten Erzlieferung aus dem Brecher und der Mine weiterarbeiten. Im Laufe der Wochen hielt das Werk das schnellere Tempo ohne Effizienzverluste aufrecht. Das Datenmodell hatte gestimmt: Die Mühle konnte mehr Erz verarbeiten, als ihre Betreiber dachten.

„Das war der Durchbruch, nach dem wir gesucht hatten“, sagte uns Justin Cross, der General Manager des Standorts Bagdad. „Als wir anfingen, die Mühle auf Hochtouren laufen zu lassen, wussten wir, dass wir mit mehr Empfehlungen, die das Modell machte, Ergebnisse erzielen konnten.“

Die Geschichte, wie Freeport-McMoRan lernte, sich ebenso auf ein KI-Modell wie auf die Intuition erfahrener Bergbauingenieure und Metallurgen zu verlassen, dürfte außerhalb der Technologiebranche nicht für Aufsehen sorgen.

Für Bergbauunternehmen verdeutlicht es jedoch einen stillen, aber tiefgreifenden Wandel in eine Ära, die wir als „Zeitalter des Betreibers“ bezeichnen, in der die bestgeführten Unternehmen Gewinne aus minderwertigem Erz herauspressen, das die Bergleute als Abfall abgetan hätten erst vor zehn Jahren.

Eine Mine, in der Freeport-McMoRan rückläufige Erzgehalte verarbeitete, ist Bagdad, ein weitläufiger Komplex in Arizona, wo Goldsucher 1882 ihre ersten Claims absteckten. Bagdads Reserven an höherwertigem Erz sind seit einiger Zeit erschöpft, aber Freeport-McMoRan hat die Mine aufrechterhalten Produktion von Kupfer durch verschiedene Prozessverbesserungen.

Bis Ende 2017 glaubten die Führungskräfte, dass Bagdad mit der vorhandenen Ausrüstung so effizient wie möglich geworden sei, und kamen daher zu dem Schluss, dass die Erweiterung der Kapazität der sicherste Weg sei, noch mehr Kupfer aus dem Standort herauszuholen. Anfang 2018 begannen sie mit der Planung einer 200-Millionen-Dollar-Kapitalerweiterung der Erzkonzentrationsmühle in Bagdad, die die Produktion um 20 Prozent steigern würde.

Die Kupferpreise waren damals hoch. Die Investition schien sich auszuzahlen.

Dann fielen die Kupferpreise von einem Fünfjahreshöchststand von etwa 3,30 US-Dollar pro Pfund Anfang Juni auf etwa 2,75 US-Dollar einen Monat später. Plötzlich schien es nicht mehr praktikabel, 200 Millionen Dollar in die Erweiterung Bagdads zu investieren.

Die Führungskräfte von Freeport-McMoRan beschlossen, neue Prozessänderungen zu finden, die die Kupferproduktion des Standorts ohne eine massive Kapitalspritze steigern würden.

Stattdessen beschlossen die Führungskräfte von Freeport-McMoRan, neue Prozessänderungen zu finden, die die Kupferproduktion Bagdads ohne eine massive Kapitalspritze steigern würden.

Es wäre nicht einfach, Verbesserungen in einem effizienten Bergwerk zu entdecken. Aber Freeport-McMoRan verfügte über viele hochwertige Informationen, die es zu studieren galt. Etwa zehn Jahre zuvor koordinierte Bert Odinet, Chief Information Officer von Freeport-McMoRan, die Bemühungen, die Art und Weise zu standardisieren, wie jeder Standort seine Leistung misst und berichtet, und ein zentrales Datenlager zur Speicherung dieser Messungen aufzubauen.

Einige Jahre später setzten sich Wartungsteams für die Installation zusätzlicher Netzwerkausrüstung und Leistungssensoren in den Lastkraftwagen, Baggern und stationären Maschinen des Unternehmens ein. Die Teams würden die Daten dieser Sensoren manuell in das Data Warehouse herunterladen, um ihre Wartungspraktiken weiter zu verfeinern und die Funktion der Geräte zu verbessern.

Als drahtlose Mesh-Netzwerke kostengünstig und zuverlässig wurden, installierte Freeport-McMoRan sie an allen Standorten. Jetzt konnte das Unternehmen sekundengenaue Leistungswerte im Data Warehouse erfassen und korrelieren, und das alles in Echtzeit.

„Wir haben Dinge gelernt, die wir nie vorhergesehen hätten“, sagte Odinet. „Dieses Projekt hat uns gelehrt, empfänglicher für das zu sein, was uns die Daten sagen. Und es hat uns das Selbstvertrauen gegeben, kompliziertere Analysen durchzuführen.“

Mit fortschrittlichen Analyse- und KI-Techniken konnte Freeport-McMoRan die große Menge der gesammelten Daten scannen, noch mehr betriebliche Änderungen identifizieren, die die Leistung steigern könnten, und sie vor Ort auf die Probe stellen.

Bagdad schien ein gutes Testgelände für diese Methode zu sein. Am Standort arbeiten kreative, aufgeschlossene Ingenieure, Metallurgen und Anlagenbediener, die sich bei Freeport-McMoRan durch ihre Bereitschaft auszeichneten, neue Dinge auszuprobieren. Ihre früheren Bemühungen, die metallurgischen Prozesse in Bagdad zu verbessern, hatten beispielsweise zu einer höheren Kupfergewinnung geführt.

Und Cross, Bagdads Geschäftsführer, war ein echter Bastler, der seine Freizeit gerne damit verbrachte, seinen Pickup für den Geländeeinsatz auszurüsten und Mesquite-Stämme zu Bauholz für ein Haus zu fräsen, das er selbst bauen wollte. Seit seinem Eintritt bei Freeport-McMoRan im Jahr 2006 hatte Cross eine Reihe von Projekten zur Rationalisierung der Abläufe in den Minen des Unternehmens geleitet.

Es half auch, dass die Operationen in Bagdad stabil waren. Da nur wenige Geräteprobleme oder Prozessstörungen behoben werden mussten, hätten die Arbeiter Zeit, bei der Steigerung der Kupferproduktion mitzuhelfen.

Führungskräfte waren der Ansicht, dass sich in einem Teil des Betriebs vielversprechende Möglichkeiten zur Steigerung der Produktion in Bagdad finden ließen: in der Erzkonzentrationsmühle, einer lauten Anlage, in der riesige Mahlmaschinen und Flotationszellen, in denen chemische Lösungen sprudeln, grapefruitgroße Steine ​​mit einem Kupfergehalt von etwa 0,4 Prozent verarbeiten eine feingemahlene Mischung aus 25 Prozent Kupfer und 75 Prozent Gestein.

Die Techniker des Werks führten die Anlage streng nach Vorschrift, einer Reihe von Betriebsanweisungen, die Freeport-McMoRan-Ingenieure in Phoenix entwickelt hatten. Es musste Möglichkeiten geben, auf diesen Anweisungen aufzubauen und die Leistung der Mühle zu verbessern.

Nachdem Richard Adkerson, CEO von Freeport-McMoRan, und Kathleen Quirk, CFO von Freeport-McMoRan, die Sache mit Ingenieuren und Betriebsspezialisten aus Bagdad und aus der Zentrale besprochen hatten, beschlossen sie, die Crew in Bagdad mit McKinsey an einer neuen Art von Mining-Projekt arbeiten zu lassen: Data Mining auf agile Weise.

Das Projekt erforderte mehr als nur anspruchsvolle Datenwissenschaft. Außerdem wurde ein neuer Ansatz zur Lösung kniffliger betrieblicher Probleme gefordert.

„Wenn wir betriebliche Projekte durchführen, überarbeiten wir sie normalerweise. Wir testen jedes erdenkliche Szenario, bauen Sicherheitsmaßnahmen ein und tun alles, was wir können, um sicherzustellen, dass eine Prozessänderung zu einer Verbesserung führt, bevor wir sie durchführen“, beobachtete Cross. „Es ist ein zuverlässiger Weg, um gute Ergebnisse zu erzielen. Aber es erfordert viel Zeit, Mühe und Kapitalinvestitionen.“

Die Berater von McKinsey gingen davon aus, dass die Crew in Bagdad durch eine andere Durchführung des Analyseprojekts schneller bessere Ergebnisse erzielen könnte. Sie führten die Idee ein, nach agilen Prinzipien zu arbeiten, bei denen die schnelle Entwicklung funktionaler Lösungen im Vordergrund steht, die die Teams dann entsprechend dem Feedback der Benutzer nach und nach verbessern.

Der Geschäftsführer stellte ein Team aus Leuten zusammen, die alle Abteilungen des Werks sowie andere Teile der Organisation vertraten, mit denen sie zusammenarbeiten mussten, etwa das Bergwerk und die zentrale Datenwissenschaftsgruppe von Freeport-McMoRan.

Ein weiteres wesentliches Merkmal agiler Methoden ist die persönliche Zusammenarbeit in eingespielten Teams. Cross stellte ein Team aus Leuten zusammen, die alle Abteilungen des Werks sowie andere Teile der Organisation vertraten, mit denen sie zusammenarbeiten mussten, etwa die Mine und die zentrale Datenwissenschaftsgruppe von Freeport-McMoRan.

Die Zusammensetzung des Teams ermöglichte es ihm, das Fachwissen zu nutzen und die Interessen jeder Division Bagdads zu berücksichtigen, die seine Arbeit berühren könnte. Dadurch war das Team auch besser in der Lage, Herausforderungen zu meistern, an denen verschiedene Abteilungen beteiligt waren und die nicht von einer Abteilung allein gelöst werden konnten.

Der agile Ansatz des Teams bestand darin, in „Sprints“ zu arbeiten – zweiwöchige Aktivitätsphasen, in denen das Team eine Datenmodellierungsfunktion oder betriebliche Änderung konzipierte, sie testete und lernte, was sie verbessern würde.

Wenn Verbesserungen bekannt wurden, fügte das Team diese einem Rückstand hinzu. Dann würde es in nachfolgenden Sprints die Elemente im Backlog durcharbeiten, beginnend mit den einfachsten und nützlichsten Aufgaben.

Für die Besatzungsmitglieder von Bagdad unterschied sich dieser agile Arbeitsstil nicht nur vom normalen Alltag. Es stellte eine radikale Abkehr von der Art und Weise dar, wie sie die Dinge getan hatten.

„Es hat eine Weile gedauert, bis wir uns mit Agilität vertraut gemacht haben“, sagte Cross. „Wir mussten viele alte Gewohnheiten aufgeben.“

McKinsey holte agile Trainer zur Unterstützung hinzu. Die Trainer erklärten die Grundprinzipien der Agilität – den Aufbau eines Rückstands, die Entscheidung, was in jedem Sprint erreicht werden soll, die Abhaltung morgendlicher Besprechungen, um sich auf die Arbeit zu einigen, die die Crew jeden Tag leisten würde, und um etwaige Schwierigkeiten zu notieren, die sie verlangsamen könnten –, waren aber hauptsächlich darauf ausgerichtet, mitzumachen die Aktivitäten des Teams und bringen seinen Mitgliedern bei, auf agile Weise zusammenzuarbeiten.

Shannon Lijek, ein McKinsey-Partner, der sich darauf spezialisiert hat, Organisationen bei der Anwendung agiler Methoden zu unterstützen, war einer der Trainer, die kamen, um dem Bagdad-Team dabei zu helfen, sich mit agilen Methoden vertraut zu machen.

„Wir haben herausgefunden, dass der beste Weg, Agilität zu erlernen, darin besteht, direkt einzusteigen“, sagte McKinsey-Partnerin Shannon Lijek.

„Die Einführung von Agilität kann am Anfang schwierig sein, da es sich nicht um einen Prozess handelt, den man sich merken kann. Es handelt sich um eine Reihe von Prinzipien, um verschwendeten Aufwand zu minimieren und mehr Arbeit zu erledigen. Und wir haben herausgefunden, dass der beste Weg, Agilität zu erlernen, darin besteht, zu springen.“ direkt rein“, sagte Lijek.

Eine Möglichkeit, mit der das agile Team von Bagdad unnötigen Aufwand einsparte, bestand darin, Lösungen einzuführen, sobald es „Minimum Viable Products“ (MVPs) entwickelt hatte, die gut genug für den Einsatz waren, anstatt sich erst mit der Perfektionierung dieser Produkte zu beschäftigen.

„Wenn wir das Modell selbst gebaut hätten, hätten wir versucht, es zu 100 Prozent richtig hinzubekommen, bevor wir etwas damit gemacht hätten“, erzählte uns Cross.

„Shannon und die McKinsey-Coaches ermutigten uns, mit Lösungen zu arbeiten, die noch nicht fertig waren. Sie sagten: ‚Mit einem MVP kann man 60 Prozent der Verbesserung erzielen, und das ist viel. Also fangen Sie einfach an, es zu nutzen. Dann können Sie es.‘ Sorgen Sie sich darum, es besser zu machen.''

Von Red Conger

Freeport-McMoRans Versuch Durch die Steigerung der Kupferproduktion in Bagdad haben wir viel darüber gelernt, wie wir agile Methoden und KI-Tools an unseren Standorten einsetzen können, wo es schwierig sein kann, akzeptierte Routinen zu ändern. Hier sind einige Dinge, die wir im Hinterkopf behalten, wenn wir den Einsatz von Agile und KI auf weitere Betriebe von Freeport-McMoRan ausweiten:

Rotaalist Präsident und COO, Amerika, von Freeport-McMoRan.

Nachdem sich das von Cross gebildete Team zusammengefunden hatte, begann es mit der Untersuchung der Möglichkeit, die Leistung des Werks zu verbessern. Die Idee bestand darin, einen Monat lang die Daten aus der Fabrik auf Muster zu untersuchen, die potenzielle Verbesserungen aufzeigten. Wenn diese Verbesserungen vielversprechend genug aussahen, würde das Team sie weiterverfolgen.

Ab Ende Juni erstellten das Bagdad-Team und Datenwissenschaftler von McKinsey ein maschinelles Lernmodell, um zu überprüfen, ob die Mühle tatsächlich so effizient lief, wie die Leute glaubten. Das Modell, eine Art Modell mit extremer Gradientenverstärkung, bestand aus einem Ensemble von Tausenden von Entscheidungsbäumen, die unter Einbeziehung zahlreicher metallurgischer Kenntnisse entwickelt wurden.

Die Mitarbeiter der zentralen Betriebsgruppe von Bagdad und Freeport-McMoRan gingen davon aus, dass das gesamte Erz, das in die Mühle gelangte, von der gleichen Art war. Folglich hatten sie ein einziges „Rezept“ aus unteren und oberen Parametern für die 42 Steuerungseinstellungen der Mühle definiert: die Mischung aus unterschiedlich großen Erzbrocken, die der Mühle zugeführt werden, den pH-Wert in den Flotationszellen und so weiter.

Doch als das agile Team in Bagdad die Daten der Leistungssensoren des Werks durch sein Modell laufen ließ, lernten die Teammitglieder etwas Neues. Aus Sicht der Mühle produzierte die Mine tatsächlich sieben verschiedene Erzarten.

Darüber hinaus stimmte das Standardrezept der Mühle für die Steuerungseinstellungen nicht mit den Eigenschaften aller dieser Erzarten überein. Erz, das beispielsweise mehr Eisenpyrit enthält, würde mehr Kupfer liefern, wenn der pH-Wert in den Flotationszellen höher eingestellt wäre als in der Rezeptur vorgeschrieben.

„Die Betrachtung von Erzclustern anhand von Daten aus den Instrumenten der Mühle und nicht anhand von Klassifizierungen aus der traditionellen Geologie war ein großer Umdenken – und es eröffnete viele neue Möglichkeiten zur Leistungsverbesserung“, sagte Sean Buckley, ein federführender McKinsey-Partner die Analysearbeit.

Alles in allem deutete die Analyse des Teams darauf hin, dass eine Anpassung der Mühlensteuerung an jede der sieben Erzarten die Kupferproduktion um 10 Prozent oder mehr steigern könnte.

Diese Aussicht überzeugte die Führungskräfte von Freeport-McMoRan, das agile Team in Bagdad ein KI-Modell erstellen zu lassen, das das in die Mühle eingehende Erz untersucht und Steuerungseinstellungen vorschlägt, um die Kupferproduktion aus diesem Erz zu steigern.

Die Teammitglieder haben Algorithmen geschrieben, um die Zusammenhänge zwischen der Erzart, den Betriebsmesswerten der Sensoren der Anlage, der durch die Mühle laufenden Erzmenge und der gewonnenen Kupfermenge zu erkennen. Als nächstes entwickelten sie weitere Algorithmen, um die Leistung der Anlage basierend auf den Messungen der Sensoren vorherzusagen.

Nach mehrwöchigen Entwicklungssprints hatten die Teammitglieder die Genauigkeit der Leistungsvorhersagen des Modells auf 96 Prozent erhöht – hoch genug, um zu wissen, dass das Modell die von den Sensoren der Mühle eingehenden Daten richtig interpretierte und sie mit den Steuerungseinstellungen der Mühle in Beziehung setzte.

Um herauszufinden, wie viel Kupfer Bagdad liefern könnte, beschlossen die Mitarbeiter, ein neues Mandat festzulegen – die Maximierung der Kupferproduktion zu angemessenen Kosten und mit geringen neuen Kapitalinvestitionen.

Anschließend richtete das Team seine Aufmerksamkeit von der Vorhersage der Leistung auf deren Verbesserung. Die Mitarbeiter stellten zunächst eine einfache Frage, die schon lange niemand mehr gestellt hatte: Welchen Leistungsmaßstab wollen wir optimieren?

Das Team in Bagdad hatte seine Entscheidungen und Aktivitäten jahrelang auf bestimmte Ziele für die Kupferproduktion und die Betriebskosten ausgerichtet. Dieser Ansatz ergab gewissermaßen Sinn. Das bedeutete, dass Bagdad kontinuierlich Gewinne erwirtschaftete.

Um nun zu ermitteln, wie viel Kupfer Bagdad liefern könnte, beschloss das Team, ein neues Mandat festzulegen – die Maximierung der Kupferproduktion zu angemessenen Kosten und mit geringen neuen Kapitalinvestitionen.

Cross und Cory Stevens, Vizepräsident für betriebliche Verbesserung bei Freeport-McMoRan, wussten, dass eine Maximierung der Produktion die Leistung Bagdads in anderen Bereichen beeinträchtigen könnte. Die Gewinnungsrate der Mühle – der Prozentsatz des aus dem Erz gewonnenen Kupfers – könnte sinken. Oder die ganze Operation könnte für Stunden stillstehen.

Stevens wandte sich an andere Führungskräfte, um ihnen zu erklären, dass Bagdads Experiment kostspielig sein könnte. Die Leistungszahlen, die sie in den nächsten Monaten sehen würden, könnten düster sein, warnte er.

Dennoch stimmten die Führungskräfte Stevens zu, dass sich die kurzfristigen Kosten lohnen würden, wenn Bagdad die im Modell vorhergesagte Produktionssteigerung von 10 Prozent erreichen könnte. Sie gaben ihm grünes Licht für den Versuch, die Produktion zu maximieren.

Mit dieser Genehmigung gewährte Cross den Mitarbeitern von Bagdad die Möglichkeit, betriebliche Änderungen vorzunehmen, die von den Standardverfahren abwichen und dazu führen könnten, dass das Werk seine Leistungsziele verfehlt. Arbeitssicherheit und Geräteintegrität waren die einzigen Bereiche, in denen keine Kompromisse oder Experimente erlaubt waren. Alle anderen Änderungen waren faires Spiel.

In einer Reihe von Iterationen im Laufe des nächsten Monats konzipierte, testete und verfeinerte das Team Algorithmen, die sensorgenerierte Daten untersuchen und Steuerungseinstellungen zur Maximierung der Kupferproduktion empfehlen würden. Die neuen Algorithmen, bekannt als genetische Algorithmen, nutzten die Prinzipien der natürlichen Selektion, um Umgebungen zu „entwickeln“, die bei einer bestimmten Erzart das meiste Kupfer produzieren würden.

Anfang September hatte das Team das Vorhersagemodell zu einem MVP eines Optimierungsmodells namens TROI erweitert, das in der Lage war, alle 12 Stunden einmal Empfehlungen für jede der beiden täglichen Schichten des Werks auszugeben.

Wenn jede neue Reihe von Empfehlungen herauskam, saßen die Ingenieure, Anlagenbetreiber und Metallurgen im Team zusammen und entschieden, was mit ihnen geschehen sollte.

TROI war noch in Arbeit, daher waren die ersten Empfehlungen nicht ganz zuverlässig. In jeder Schicht studierten Metallurgen von Freeport-McMoRan und McKinsey die Empfehlungen des Modells und hinterfragten, ob sie glaubwürdig seien. Anschließend nahmen die Metallurgen die Problemempfehlungen zur Kenntnis, damit das agile Team sie untersuchen konnte.

Einige Empfehlungen führten dazu, dass die Teammitglieder Fehler in der Logik von TROI entdeckten, die sie zu ihrem Rückstand hinzufügten und in nachfolgenden Entwicklungssprints korrigierten. Andere gaben an, dass die zugrunde liegenden Leistungsdaten fehlerhaft seien, und veranlassten das Team, nach Korrekturen zu suchen.

„TROI hilft uns, die Qualität unserer Instrumentierung zu verbessern und hebt Sensoren hervor, die Aufmerksamkeit erfordern“, sagte Frank Ochoa, einer der Prozesssteuerungs- und Instrumentierungsingenieure in Bagdad.

Am herausforderndsten waren die Empfehlungen des Modells, von dem operativen Rezept abzuweichen, dem die Mitarbeiter in Bagdad seit Jahren gefolgt waren. Das agile Team verbrachte viel Zeit damit, darüber zu diskutieren, was mit diesen geschehen sollte.

Am herausforderndsten waren die Empfehlungen, von dem Betriebsrezept abzuweichen, dem die Mitarbeiter seit Jahren gefolgt waren. Das agile Team verbrachte viel Zeit damit, darüber zu diskutieren, was mit diesen geschehen sollte.

Nach und nach, als das Team die TROI verfeinerte, wurden seine Empfehlungen plausibler und die Mitarbeiter in Bagdad begannen, ihnen zu folgen. Dennoch führten viele dieser Empfehlungen, wenn überhaupt, zu geringfügigen Leistungssteigerungen.

Mitte Oktober angekommen. Das Team erreichte bei weitem nicht die 10-prozentige Produktionssteigerung, die es für möglich gehalten hatte.

Cross und Stevens entschieden, dass es an der Zeit war, einer gewichtigen Empfehlung zu folgen, die niemand besonders gerne in die Tat umsetzte: den Erzfluss von der Mine und dem Brecher zur Mühle zu beschleunigen. Cross forderte die Minenbetreiber auf, ihre Aktivitäten neu zu planen – und versicherte ihnen, dass man ihnen nicht vorwerfen würde, mehr Geld auszugeben oder Betriebsausfälle auszulösen.

Die Minenbetreiber verstärkten die Sprengung, obwohl sie mehr Sprengstoff einsetzen mussten. Sie stellten Lastwagen in eine Warteschlange, um Steine ​​zur Zerkleinerungsanlage zu transportieren, und verstießen damit gegen eine seit langem geltende Richtlinie, die verhindern sollte, dass Lastwagen stillstehen. Sie würgten den riesigen Brecher mit Roherz oder unverarbeitetem Erz, um herauszufinden, wie viel er verarbeiten konnte.

Schließlich steigerte das Team am 19. Oktober die Verarbeitungsrate der Mühle. Die Kupferproduktion stieg sofort um 5 Prozent. TROI hatte dem Team geholfen, ein Rekordleistungsniveau zu erreichen.

Nachdem eine erhebliche Leistungssteigerung erzielt wurde, wandte sich das agile Team von Bagdad der Verbesserung der Fähigkeit des Modells zu, Mühlensteuerungseinstellungen zu empfehlen, die die Kupferproduktion steigern würden.

Das agile Team überprüfte jeden Tag die Aufzeichnungen des Datenmodells und die Notizen der Metallurgen und arbeitete weiter an einem Rückstand an Upgrades. Innerhalb weniger Wochen hatte das Team das Modell so weit verfeinert, dass die Metallurgen mehr als 80 Prozent seiner Empfehlungen akzeptierten.

TROI konnte bereits zu jedem Zeitpunkt erkennen, welche Art von Erz gerade durch die Mühle lief. In der nächsten Sprintrunde fügte das Team Funktionen hinzu, um andere eingehende Betriebsdaten zu berücksichtigen.

Jedes Mal, wenn TROI eine Reihe von Steuerungseinstellungen empfahl, prüften die Metallurgen im Werk die Empfehlungen, wählten aus, welche sie annehmen wollten, und gaben sie an Schichtleiter und Bediener weiter, die die Steuerungen der Mühle entsprechend anpassten.

Dadurch, dass die Metallurgen entscheiden konnten, welche Empfehlungen befolgt werden sollten, konnte das agile Team schneller lernen. Gelegentlich verwendeten die Metallurgen fragwürdig erscheinende Einstellungen, nur um herauszufinden, ob sie funktionieren würden. Und als die Metallurgen die empfohlenen Einstellungen ablehnten, tippten sie Notizen in das Modell ein, um ihre Entscheidungen zu erläutern.

„TROI gibt nicht immer völlig genaue Empfehlungen, aber es bietet eine neue Perspektive auf die Verwaltung der Anlage und stellt unsere Annahmen in Frage“, sagte Lulu Raymond, eine leitende Metallurgin in Bagdad.

Währenddessen maßen Sensoren die Leistung der Mühle. Die maschinellen Lernalgorithmen des Modells zeichneten auf, welche Einstellungen die Leistung verbesserten und welche nicht und ob die Empfehlungen hilfreich waren.

Das agile Team überprüfte jeden Tag die Aufzeichnungen des Modells und die Notizen der Metallurgen, fügte dem Rückstand an geplanten Upgrades Elemente hinzu und arbeitete weiter an diesen Upgrades. Bis Anfang Dezember hatte das Team TROI so weit verfeinert, dass Metallurgen mehr als 80 Prozent seiner Empfehlungen akzeptierten.

Es dauerte nicht lange, bis die Metallurgen und Mühlenbetreiber begannen, TROI auszutricksen. Sie überwachten die Art des Erzes, das in die Mühle gelangt, antizipierten die vom Modell möglicherweise vorgeschlagenen Steuerungseinstellungen und wendeten diese Einstellungen an, bevor das Modell seine Empfehlungen zweimal täglich abgab (später auf alle drei Stunden erhöht). Daraus entwickelte sich eine Art Wettbewerb: Wer kann die Mühle besser führen als TROI?

Am wichtigsten ist, dass die Produktion der Mühle erheblich gesteigert wurde. Im vierten Quartal 2018 überstieg der Durchsatz von Bagdad 85.000 Tonnen Erz pro Tag – 10 Prozent mehr als im Vorquartal –, während die Kupfergewinnungsrate um einen Prozentpunkt stieg und der Betrieb stabiler wurde (Abbildung). Im folgenden Quartal stieg die Kupferproduktion in Bagdad erneut an.

Diese Gewinne dürften die Kupferproduktion in Bagdad um 20 Millionen Pfund pro Jahr steigern, eine Steigerung, die es Freeport-McMoRan ermöglicht hat, den Großteil der 200 Millionen US-Dollar teuren Kapitalerweiterung des Konzentratorkomplexes in Bagdad zu vermeiden.

Wir glauben, dass dies für Freeport-McMoRan erst der Anfang ist.

Nachdem sie während des Projekts gelernt haben, den TROI aufrechtzuerhalten, führen die Metallurgen und Datenwissenschaftler des Unternehmens das Modell nun selbst aus, ohne laufende Unterstützung von McKinsey. Sie studieren tägliche und wöchentliche Berichte, die die Leistung des Werks mit den Vorhersagen von TROI vergleichen, und verbessern weiterhin die Fähigkeit des Modells, Empfehlungen abzugeben.

Führungskräfte von Freeport-McMoRan haben außerdem die Bildung eines zweiten agilen Teams in Bagdad gesponsert, um die Mine zu testen und Prozessverbesserungen vorzunehmen. Auch dieses Team arbeitet ohne die Hilfe von McKinsey und nutzt die agilen Methoden, die es im Mühlenprojekt gelernt hat.

In Morenci, einer weiteren Kupfermine von Freeport-McMoRan in Arizona, haben Manager eine agile und analytische Initiative wie in Bagdad gestartet. Und das Unternehmen wird bald sein ehrgeizigstes Programm dieser Art in Cerro Verde starten, einer Kupfermine in Peru mit der fünffachen Kapazität von Bagdad.

Das Zeitalter des Betreibers ist da und Freeport-McMoRan stellt sich mit agilen Methoden und KI-Tools darauf ein.

Rotaalist Präsident und COO, Amerika, von Freeport-McMoRan.Harry Robinsonist Senior Partner im McKinsey-Büro in SüdkalifornienRichard Sellschopist Partner im Büro in Stamford.