Рассказываем, как компьютерное зрение заменило запаздывающий лабораторный контроль на входе в производство и что это дало комбинату в цифрах.
К нам обратился крупный горнодобывающий комбинат, который разрабатывает рудные месторождения. Задача формулировалась достаточно конкретно: нужна система, которая в реальном времени оценивает состав, размер и качество руды на входе в производство.
Ниже разбираем, почему привычные методы контроля перестают устраивать современное горное предприятие, как устроена система, которую мы для этого собрали, и какие результаты комбинат зафиксировал после запуска.
Чем плох привычный контроль качества руды
Классическая схема выглядит так: отбор пробы, лаборатория, анализ, заключение. Плюс визуальный осмотр силами персонала. Схема рабочая, отраслью проверенная, но у нее есть четыре слабых места, и все они бьют по деньгам.
Данные приходят с опозданием. Лабораторный анализ занимает часы, иногда сутки. За это время руда уже прошла дробление и попала в передел. Заключение описывает прошлое, а корректировать нужно настоящее.
Оценка субъективна. Визуальный контроль опирается на опыт конкретного человека и его состояние в конкретную смену. Два оператора одну и ту же горную массу опишут по-разному, и оба будут по-своему правы.
Проба не равна потоку. Лаборатория анализирует то, что попало в пробу. Реальный поток руды при этом неоднороден: качество плывет от вагона к вагону, от забоя к забою. Точечные замеры эту изменчивость не ловят.
Пропущенное включение стоит дорого. Зуб экскаватора, обломок арматуры или футеровки, попавший в поток, ломает дробилку. Ручной осмотр конвейера такие вещи находит не всегда.
Сразу оговоримся: мы не считаем, что лабораторию нужно отменять. Она остается арбитром по химическому составу. ИИ-система закрывает другое — непрерывный поток данных, которого лаборатория дать физически не может.
Что заказчик хотел получить
Требования по разработке ИИ системы для комбината на старте были такими:
-
анализ изображений руды;
-
автоматическое определение размера частиц горной массы;
-
определение содержания полезных ископаемых;
-
контроль наличия посторонних включений.
Из этих четырех пунктов вырос состав системы: определение гранулометрического состава прямо в забое с точностью до 5 см, аналитика распределения фрагментации, обнаружение и подсчет негабаритов. Все данные выгружаются для дальнейшего анализа в удобном формате.
Как шло внедрение ИИ-системы на комбинате
Начали с обследования производства: изучили технологические процессы, нашли проблемные участки, зафиксировали ручные операции, которые имеет смысл автоматизировать.
Техническое решение подготовили за неделю. Подобрали оборудование и программную часть, согласовали детали с заказчиком. После подписания договора занялись разработкой ПО, помогли с монтажом камер и датчиков и интегрировали систему в существующую производственную инфраструктуру.
Перед запуском провели комплексное тестирование и обучили персонал работе с системой. В эксплуатацию вышли в согласованные сроки, производство при этом не останавливалось ни на день. Для горного предприятия это принципиальный момент: остановка передела на время внедрения съела бы весь экономический эффект проекта.
Как система работает
Камеры и датчики стоят над конвейерами и в бункерах-питателях. Компьютерное зрение распознает фрагменты руды и классифицирует качество подаваемого сырья в реальном времени. По этим данным оперативно регулируется работа мельниц и питателей, за счет чего стабилизируется качество сырья на входе в дробильно-обогатительную фабрику.
Отдельно система фиксирует, как руда распределяется по слоям в бункерах. Эти данные уходят в математическую модель и используются для улучшения шихтования.
Параллельно работают модули детекции. Они находят посторонние предметы и дефекты, способные повредить оборудование: недробимые элементы, обломки арматуры, зубья экскаватора, куски футеровки. Крупные фракции, превышающие установленный стандарт, система подсвечивает отдельно.
Из чего состоит ИИ-система
-
Видеокамеры и камеры глубины над конвейерами, бункерами и транспортом (думпкары, самосвалы) — визуальный контроль объема и качества руды.
-
Алгоритмы компьютерного зрения и нейросети — распознают геометрический профиль загрузки, классифицируют руду, выявляют дефекты и посторонние объекты.
-
Математические модели и MES-контур — анализ данных и оптимизация технологических процессов, включая планирование горных работ и управление транспортом.
-
Датчики и сенсоры — собирают параметры процесса и состояние оборудования, что дает возможность прогнозировать неисправности.
-
Программная платформа для детекции объектов и анализа видеопотока.
Гранулометрический состав в забое система определяет по цветовому градиенту относительно фактических размеров кусков, опираясь на модели Rosin-Rammler и Swebrec. Для отрасли это стандартные модели, но обычно они применяются к результатам разовых съемок, а здесь работают в непрерывном режиме.
Результаты
Комбинат приводит следующие показатели после внедрения:
-
рост производительности труда до 10% за счет оптимизации загрузки руды в печи;
-
снижение расхода топлива до 5% благодаря более эффективному сжиганию;
-
уменьшение брака до 15% за счет выявления и удаления посторонних включений;
-
сокращение простоев до 10% за счет защиты оборудования от крупных фракций.
Сверх этого идет оптимизация затрат на топливо, обслуживание оборудования и утилизацию брака, но выделить в ней вклад именно системы сложно, поэтому отдельной цифрой мы это не заявляем.
Где еще применим такой подход
Схема окупается там, где качество входящего сырья изменчиво, а решение о его переработке нужно принимать быстрее, чем отвечает лаборатория:
-
горнодобывающие компании: уголь, металлы, драгметаллы, редкоземельные элементы;
-
обогатительные фабрики — оптимизация сепарации и сокращение потерь полезного компонента;
-
металлургические комбинаты — входной контроль сырья и прогноз выхода продукции.
Есть и экологический эффект: чем точнее контроль на входе, тем меньше пустой породы уходит в переработку, а значит, меньше энергии и меньше отходов на выходе.
Мы в RedKrab разрабатываем ИИ-системы для производств и рассказываем о таких проектах в своих соцсетях. Подпишитесь, если хотите разбираться, где искусственный интеллект в промышленности дает эффект, а где остается дорогой игрушкой:
Автор: webevolution
