Как производитель минеральной ваты Isover экономит миллионы рублей в год благодаря искусственному интеллекту

Следить за качеством продукции с помощью визуального контроля невыгодно. Особенно когда речь идет о крупном конвейерном производстве. Человек может просто проморгать дефект. В результате — издержки из-за рекламации. О том, как на заводе решили эту проблему с помощью машинного зрения и нейросетей на основе цифровой платформы ML Sense — читайте в нашем материале.

Российский производитель тепло- и звукоизоляционных материалов из каменной ваты ЗАО «Завод Минплита» (компания «Сен-Гобен») входит в тройку лидеров на рынке качественных изоляционных материалов. Завод расположен в Челябинске. Продукция выпускается под торговой маркой Isover.

Производство минеральной ваты представляет собой непрерывную конвейерную линию. Особенностью технологии является периодическое попадание инородных субстанций в продукт, или в так называемый минераловатный ковер. В результате на минвате образуются дефекты. Чтобы не допустить бракованные изделия в продажу, было решено внедрить систему на основе машинного зрения и нейросетей ML Sense от Nord Clan.

До того, как производитель Isover применил решение ML Sense, специалисту отдела контроля приходилось визуально отслеживать дефекты на поверхности минерального ковра.

Минеральная вата движется по трем полосам конвейера со скоростью до 16 м/мин параллельно и непрерывно. Поверхность рельефная, аж в глазах рябит. Согласитесь, нужно очень внимательно следить, чтобы не пропустить дефект. Моргнешь — и какой-нибудь «королек» проскочит.

А дефекты случаются очень мелкие — от 5 мм. Их различают по их происхождению: «королек» выглядит, как выгоревший кусок, «мокрый участок» — это пятно с высоким уровнем влажности, «карамель» — включение с высоким содержанием связующего раствора, «бугры» — участки с низким содержанием связующего раствора.

Чтобы решить проблему дефектоскопии, было решено внедрить систему контроля поверхностей минеральной ваты с помощью компьютерного зрения. Nord Clan реализовал этот проект всего за 5 месяцев.

Что мы сделали для решения задачи:

1. Обучили систему ML Sense на основе нейросетей и машинного зрения.

Для этого собрали датасет из фотографий, где каждый вид дефектов размечен и классифицирован. При этом пришлось учитывать, что дефекты очень похожи внешне, но имеют разную природу происхождения, неочевидную для неспециалиста.

Чтобы обучить нейросети, команда ML Sense разобралась в тонкостях производства, по сути став специалистам ОТК по минеральной вате.В конечном итоге мы настроили точность распознавания платформой до 99%. Подключили аналитику, систему оповещения. Адаптировали интерфейс под задачи заказчика.

2. Спроектировали установку программно-аппаратного комплекса, смонтировали оборудование на производстве.

Подобрали видеокамеры, осветительные приборы для более точного распознавания дефектов. Установили их на мачты крепления. Особенностью такого крепления стало то, что металлические кожухи для оборудования были сконструированы по нашей собственной запатентованной схеме. Это важно, чтобы видеокамеры были защищены от производственной пыли и внешнего воздействия.

3. Разработали уникальное маркирующее устройство с системой управления.

Как только машинное зрение обнаруживает дефект, она подает сигнал на блок управления прибора. В этот момент активируются пневмоотсекатели, которые в свою очередь подают давление воздуха на краскораспылители. В зависимости от расположения дефекта на ковре, активируется тот или иной маркиратор.

4. Запустили систему в эксплуатацию, обучили персонал.

Во время работы над проектом команда инженеров Nord Clan несколько раз выезжала на производство, чтобы протестировать работу системы. И только после того, как обе стороны убедились в том, что система работает стабильно и без сбоев, мы сдали заказчику все оборудование в эксплуатацию, обучили персонал, подписали акты приемки - передачи.

Кейс ЗАО “Завод Минплита” компании «Сен-Гобен» — еще один пример того, как можно автоматизировать систему контроля качества продукции с помощью машинного зрения. Даже такой материал, как минеральная вата, можно детектировать на наличие дефектов с помощью ML Sense — точность 99%. А главное — выпуск бракованной продукции сводится до нуля.

По нашей оценке, основанной на опыте внедрения ML Sense на других предприятиях, теперь завод экономит от 15 млн рублей в год. Такой экономический эффект удалось достичь благодаря значительным сокращениям финансовых потерь из-за рекламации продукции, а также за счет снижения зарплат специалистов по контролю качества.

Что изменилось на заводе: