Как мы спасли станок от миллионных простоев с помощью машинного зрения и 4 камер
Каждый простой на линии стоил АО «НПО«Аконит» до миллиона рублей в день — трубы с дефектами портили дорогое оборудование. Раньше их пытались отсеивать вручную, но с объемами в 800 тонн в месяц это не работало. Мы внедрили систему машинного зрения, которая теперь сама определяет дефекты и останавливает линию до того, как что-то пойдёт не так.
Проблема: труба с дефектом = остановка линии и экстренный ремонт
На производственной линии АО «НПО «Аконит» режут стальные трубы для конвейерных роликов. Объёмы — до 800 тонн в месяц. Проблема в том, что качество труб от разных поставщиков нестабильное. Если труба с браком — трещиной, вмятиной, заусенцем — попадает в станок, это приводит к заклиниванию фрезерного узла, аварии и простою.
Аварийная остановка линии обходилась предприятию до 1 млн рублей в день.
Раньше дефекты пытались отсеивать вручную: оператор визуально осматривал трубы перед подачей. Но человеческий фактор, скорость и усталость неизбежно давали сбои. Требовалось решение, которое исключает такие ошибки и работает 24/7 без перерывов и отпусков.
Решение: ML Sense — машинное зрение, которое спасает станок
На площадке «Аконита» мы внедрили ML Sense как систему раннего выявления дефектов на трубах ещё до подачи в фрезерный узел. Теперь проверка происходит полностью автоматически — без участия оператора и без риска для оборудования.
ML Sense — ИИ-платформа для контроля качества продукции на производствах конвейерного типа. Входит в Реестр отечественного ПО.
Система распознаёт дефекты прямо на линии, когда труба ещё находится в накопителе или движется по роликам. Вся поверхность трубы попадает в обзор за счёт четырёх промышленных камер и настраиваемой подсветки. Это позволяет выявить даже мелкие повреждения — от 1 мм.
Если ML Sense фиксирует трещину, вмятину, заусенец, остатки масла или критичный сварной шов — она сразу включает светозвуковую сигнализацию и приостанавливает подачу. Оператор видит изображение с пометкой дефекта на экране, подтверждает проблему и вручную извлекает трубу до её попадания в станок.
Что мы сделали:
- Встроили систему в существующую линию без переделок — обследовали участок и адаптировали размещение оборудования под имеющиеся габариты и конструкцию.
- Разработали модуль контроля: 4 камеры + интеллектуальная подсветка — всё работает стабильно даже при слабом или нестабильном цеховом освещении.
- Обучили нейросеть на реальных примерах — взяли фото дефектных труб от клиента и собрали датасет с пометками. Система распознаёт дефекты вне зависимости от диаметра трубы и условий съёмки.
Результат
- Минимальный размер дефекта — от 1 мм
- Точность обнаружения — 80%
- Снижение аварий на линии — на 80%
- Сокращение простоев — экономия до нескольких миллионов рублей в месяц
Окупаемость проекта — менее 6 месяцев