Как мы создали ИИ-систему для производства графита (и зачем она там нужна)

Рассказываем, как ИИ-система на производстве графита сократила простои на 80% и что из этого опыта ^[1] применимо на любом заводе.

К нам обратилось крупное российское предприятие, которое выпускает высокотехнологичные графитовые изделия. Задача на входе звучала узко: понять, в каком состоянии находится футеровка обжиговой печи, не останавливая производство. В процессе проект вырос до комплексной ИИ-системы, которая закрыла семь разных участков — от входного контроля сырья до обработки заявок от китайских поставщиков.

Ниже — по порядку: почему на производстве вообще возникает потребность ^[2] в ИИ, как мы разбирали задачи и какие цифры получили на выходе.

Почему традиционный контроль на производстве упирается в потолок

Прежде чем говорить про нейросети, стоит объяснить, чего не хватает обычным методам контроля. Мы видим четыре ограничения, и они повторяются от завода к заводу.

Контроль реактивный. Проблему фиксируют, когда она уже произошла. Опору заметили, когда та нагрелась до 800 °C. Металлическое включение обнаружили, когда оно сломало станок. Реагировать ^[3] поздно — остается только считать убытки.

Контроль субъективный. Оператор определяет готовность массы на слух ^[4] и по опыту. Опыт бывает разным, смена бывает тяжелой, внимание ^[5] рассеивается. Стабильности здесь нет по определению.

Контроль не прогнозирует. Он показывает состояние «сейчас» и ничего не говорит о том, что будет через неделю. Планировать ремонт по такому контролю невозможно — можно только ждать поломки.

Контроль ограничен физически. Человек не может одновременно находиться на всех участках, а к некоторым не может подойти в принципе: внутри печи 3 000 °C, и чтобы туда заглянуть, установку нужно трое суток остужать.

Именно эти четыре ограничения и снимает ИИ-система. Она обрабатывает данные непрерывно, не устает, видит там, куда человеку не добраться, и главное — сопоставляет накопленные данные, чтобы предупредить о проблеме заранее. Дальше по тексту вы увидите, что каждая из семи решенных задач бьет ровно в один из этих пунктов.

Оговоримся сразу: мы не считаем, что ИИ нужен любому производству и на любом участке. Там, где хватает датчика и регламента, датчик и регламент дешевле. Мы беремся за задачу, когда у нее есть понятная цена в рублях — как в истории, с которой начался этот проект.

Задача, с которой все началось: печь

Представьте установку длиной под сто метров. Она вращается, разогревается до 3 000 °C и обжигает графитовую массу. Изнутри ее защищает футеровка из специального кирпича. Кирпич постепенно выгорает и разрушается — где-то стирается, где-то выпадают целые сегменты.

Проблема в том, что узнать об этом можно было только одним способом: остановить производство, трое суток остужать печь, зайти внутрь и посмотреть глазами. Потом снова запустить цикл. Полная замена футеровки — 180 млн рублей и от 15 до 30 дней простоя. Каждый день простоя стоит предприятию несколько миллионов рублей прибыли.

Мы собрали систему, которая «видит» внутреннее состояние печи, пока та работает. Камеры высокого разрешения и тепловизоры снимают данные, нейросеть распознает износ кирпича, его толщину и выпавшие сегменты, а также фиксирует аварийные ситуации в реальном времени. Модель дообучается на данных вибрации и температуры, чтобы прогнозировать износ, а не только констатировать его.

Практический смысл простой: ремонт теперь планируют, а не проводят внезапно. Печь останавливают тогда, когда это удобно предприятию, а не тогда, когда кирпич уже разрушился.

Остальные шесть задач: как проект стал комплексным

Разобравшись с печью, мы вместе с клиентом прошли по производственной цепочке и нашли еще шесть мест, где та же логика ^[6] давала измеримый эффект.

Ролико-подшипниковые опоры. На них вращается вся конструкция. Перегрев или потеря смазки означают перекос, поломку и остановку. Один такой случай на предприятии уже был: опора успела нагреться до 800 °C, прежде чем это заметили. Мы поставили температурные датчики и видеонаблюдение, а машинное зрение ^[7] отслеживает изменение цвета металла и признаки износа. Система заранее сообщает, что пора смазать или проверить узел.

Уплотнение массы. Внутри барабана графитовая крошка постепенно превращается в плотную массу. Момент готовности определяется на слух: сначала звука почти нет, потом он мягкий, а в конце — металлический, звенящий. Раньше это была зона интуиции ^[8] оператора. Мы обучили нейросеть на аудиоданных, и основная сложность оказалась не в распознавании звона, а в шумоподавлении: вокруг работают двигатели, гудит вентиляция, идет вибрация. Решения, которые мы видели до этого, давали точность порядка 10%. У нас получилось 96–98%.

Контроль болванок. Дальше заготовки идут на станки. Трещина внутри — это брак, и потенциально сломанный токарный станок. Раньше снимки рентгеноскопии смотрел человек. Теперь каждая болванка автоматически сканируется, машинное зрение измеряет линейные размеры и ищет микротрещины и посторонние предметы — непрерывно и без накопленной за смену усталости.

Смешивание сырья. Сырье приходит вагонами, его нужно смешивать в строгих пропорциях. Достаточно одного ковша не того материала, чтобы нарушить рецептуру всей партии. Камеры и нейросеть измеряют объем каждой насыпи и распознают тип сырья: если в зоне одного материала появляется другой, система подает сигнал.

Безопасность. Система считает людей в опасных зонах, проверяет наличие СИЗ (каски, перчатки, страховочные ремни), фиксирует курение в неположенных местах, забытый инструмент и присутствие человека там, где находиться одному нельзя. Сигнал уходит одновременно самому работнику и ответственному за участок.

Back-office. В день на предприятие приходят заявки на контракты, некоторые из которых достигают 500 страниц технической документации, часто на китайском языке. Их нужно сверить с ГОСТами, сопоставить с технологическими картами и прайсом, подготовить коммерческое предложение. Это занимало дни. Система парсит документы, переводит, сравнивает с нормами и готовит КП, работая в том числе с чертежами, таблицами и схемами. Пропускная способность — до тысячи документов в день.

Результаты

По данным предприятия после внедрения:

• простои сократились на 80% — это около 120 млн рублей экономии в год;

• брак снизился на 40%;

• на контролируемых участках зафиксирован нулевой травматизм;

• обработка заказов ускорилась в 10 раз.

Честно скажем: не все эффекты одинаково легко посчитать. Экономия на простоях считается прямо, а вот вклад системы контроля СИЗ в отсутствие травм — это статистика, которую нужно набирать годами. Мы приводим цифры, которые предприятие подтверждает само.

Как подобная система может применяться на других предприятиях

Опыт переносится не только на графит. Логика ИИ работает на любом производстве, где:

• есть высокотемпературные печи и длительные технологические циклы;

• работают с углеродными материалами: графит, уголь, алмазные порошки;

• нужно контролировать объем и состав сырья на складах и в логистике;

• идет поток технической документации от иностранных поставщиков.

Главный вывод из проекта банален, но его стоит проговорить: целесообразность внедрения ИИ на производстве стоит рассчитывать, опираясь на вопрос «сколько нам стоит эта проблема сегодня». Если ответ измеряется в миллионах, дальше можно считать окупаемость. Если нет — вероятно, нейросеть здесь не нужна.

Мы в RedKrab разрабатываем ИИ-системы для производств и рассказываем об этом в наших соцсетях. Подпишитесь, чтобы не потерять контакт и узнать больше о возможностях ИИ в производственной сфере:

Канал в Telegram ^[9]

Канал в Макс ^[10]