Автоматизация контроля намотки сверхпроводящего кабеля с помощью ML: точность 99% и минус 3 оператора в смене
Когда дефект стоит сотни тысяч рублей, а человеческий глаз может его не заметить — лучше подключить нейросеть. Nord Clan внедрил в Объединённом институте ядерных исследований систему ML Sense для контроля намотки высокотемпературного сверхпроводящего кабеля. Система выявляет дефекты в реальном времени и сигнализирует о них до того, как кабель уходит в дальнейшую намотку.
Почему это важно
ОИЯИ в Дубне — международный научный центр, работающий над проектами в области физики высоких энергий, включая разработку сверхпроводящих магнитов и накопителей энергии (SMES). Один из ключевых компонентов — ВТСП-кабель, намотанный из тонкой сверхпроводящей ленты. Стоимость метра — $35. Один кабель — десятки метров и сотни тысяч рублей на выходе.
Ранее качество намотки проверяли вручную — 6–7 операторов, в том числе те, кто следил исключительно за равномерностью витков. Усталость, внимание, человеческий фактор — всё это давало сбои. Один пропущенный залом или нахлёст — и весь кабель под замену.
Задачи проекта
- Исключить ручной контроль
- Снизить количество дефектов
- Реагировать в реальном времени и останавливать линию при серьёзных отклонениях
Что мы сделали
Мы разработали и внедрили систему ML Sense — ИИ-платформу для контроля продукции на производствах конвейерного типа. Входит в Реестр отечественного ПО.
Ранее мы уже запускали детектор дефектов на основе машинного зрения для контроля самой ВТСП-ленты (на заводе «С-Инновации»), теперь расширили возможности — к контролю финальной намотки.
Как работает ML Sense
- Камеры в Full HD установлены на каждом из 5 постов намотки.
- Видео в реальном времени поступает на сервер с нейросетью.
- Алгоритм анализирует: равномерность витков (шаг), нахлёсты, заломы и другие отклонения.
- При обнаружении дефекта загорается светозвуковая колонна и, если нужно, система подаёт сигнал на остановку линии.
- Оператор видит фото с подсветкой дефекта и принимает решение.
- Все события архивируются с изображениями.
Как мы это внедряли
1. Построили сцену в лаборатории
Подобрали оптимальные камеры, углы, освещение. Добились устойчивой картинки — передали параметры заказчику.
2. Собрали датасет и обучили модель
Разметили несколько сотен примеров намотки — от идеальных до критичных. Обучили YOLOv5 распознавать «норму» и «дефект» не по числам, а по визуальному сходству.
3. Интегрировали с оборудованием
Камеры, сервер с GPU, сигнализация, интерфейс — всё установлено, подключено, синхронизировано. Система масштабирована на 5 постов.
Что получили в итоге
- 99% точность обнаружения критичных дефектов
- Сокращение затрат на брак: теперь дефекты не уходят «вглубь» намотки
- Минус 3–4 оператора в смене — рутинный визуальный контроль автоматизирован
- Окупаемость на первом крупном изделии — даже несмотря на то, что проект не коммерческий, а научный