Может ли компьютерное зрение помочь сталевару?

Технологию компьютерного зрения уже давно и вовсю используют не только в обычной жизни, но и на производстве. В основном, это системы контроля качества и соблюдения техники безопасности. Они не устают, почти не ошибаются и помогают фиксировать то, что уже случилось.

А что насчет решений, которые помогают не допускать ошибок? Подумали мы и решили создать искусственный интеллект, который помогает сталевару следить за расплавленным металлом, оценивать его и принимать верные решения. Назвали его Datana Sense.

Мы сосредоточились на двух операциях, оценка которых проводиться сталеваром визуально, а от принятых решений зависит качество и себестоимость продукции: скачивание шлака и выпуск стали. В каждой из этих операций мы имеем дело с металлом и шлаком, которые находятся в разных состояниях и ведут себя по-разному.

При скачивании шлака поток шлака не имеет четкой структуры, а струйки металла могут быть спрятаны внутри этого потока. Сталевар следит за потоком шлака через защитные очки и ориентируется на ее цвет, шум, искры и не всегда может определить сливает ли он со шлаком металл или нет. Это приводит к потерям металла и возможным прогарам шлаковых чаш.

При выпуске стали, как правило, мы имеем четкую форму потока, но порой имеем существенное задымление при отдачи ферросплавов, что не позволяет сталевару полностью наблюдать этот поток и точно определить момент проникновения шлака. Это приводит к тому, что вместе с металлом из конвертера или печи в сталеразливочный ковш попадает шлак, страдает качество, увеличивается расход раскислителей и ферросплавов на внепечном этапе.

Шаг №1. Определиться с техническим решением. Любая технологическая операция сопровождается изменением параметров объекта обработки и параметров окружающей среды. Это могут быть изменения температуры, светимости, спектра, вибраций, химического состава и т.д. Нужно выявить такие параметры и подобрать способ зафиксировать их аппаратурой. Для нас таким базовым параметром стала интенсивность излучения шлака и металла в инфракрасном спектре. Она разная. Это позволяет отличать эти две среды между собой лучше, чем это делает глаз человека. А поскольку операции могут сопровождаться и задымлением, то выбор аппаратной части очевиден: справится с этим может только ИК камера дальнего диапазона (8-16 мкм).

У нас есть камера, но как научить искусственный интеллект видеть, понимать и принимать решение? В сущности, это не очень сильно отличается от того, как этому учится человек. Нужно сначала много раз показать, как выглядит металл, как шлак, как они себя ведут, а потом дать попробовать это сделать самому, корректируя и давая обратную связь до тех пор, пока искусственный интеллект не научиться делать это безупречно. Для этого нам потребовалось собрать огромное количество видео по каждой операции, отсмотреть вместе с технологами, разметить его, обучить модель и проверить, что она делает это корректно.

В чем тут сложность? Во-первых, чтобы ИИ мог видеть, понимать, что видит и принимать решение, на этапе обучения ему нужно показать много видео, на которых зафиксировано максимальное количество возможных ситуаций. А для этого, порой, их нужно намеренно смоделировать на этапе сбора данных. Например, чтобы ИИ научился детектировать металл в потоке шлака приходилось идти на сознательные потери металла, чтобы он попал в кадр. Во-вторых, без технолога тут не обойтись. По сути, именно он выступает в качестве учителя для ИИ. Обычный человек, который не видел эту операцию сотни раз сам, ни за что не сможет правильно обучить модель и рассказать ей, к примеру, что если струйка металла истекает внутри шлака и его не видит камера, то можно наблюдать, как начинает “плясать” струя. Верный признак, что металл внутри. А таких экспертов днем с огнем не сыщешь.

Проверку эффективности работы решения мы проводили в два этапа. Первый - экспертная оценка работы решения на площадке и анализ видео работы решения вместе с экспертами и технологами. Это кропотливая работа. Мы отсматривали сотни выпусков и сотни скачиваний, чтобы удостовериться, что ИИ ничего не упустил. Иногда удавалось обнаружить что-то неожиданное. Во время одного из таких просмотров мы заметили, что на выпуске из ДСП шлак при определенном угле наклона печи и массе металла появляется в самом начале операции, где его никто не ожидал. ИИ показал себя отлично, увидев то, что не видел человек.

Второй - измерение показателей, на достижение которых направлены решения и сравнение их с предыдущими периодами. С одной стороны, они очень простые и понятные. В одном случае мы сокращаем потери металла, в другом - расход раскислителей и ферросплавов на этапе внепечной обработки. Казалось бы нужно взять и сравнить показатели до и после. Ну все оказалось не так-то просто. Почему?

Во-первых, во время испытаний решения работали в рекомендательном режиме, а это значит, что человек может пользоваться рекомендацией, а может и нет. Можно выдавать сотни корректных рекомендаций, но если ими никто не будет пользоваться - эффект будет не достигнут. Чтобы избежать этого, мы проводили обучения, рассказывали как работает решение, почему выдает те или иные рекомендации, повышали уровень доверия к цифровому помощнику, увеличивая тем самым количество принятых рекомендаций.

Во-вторых, эффект действительно сложно посчитать. Возьмем к примеру потери металла при скачивании шлака. Чтобы их посчитать необходимо каждую шлаковую чашу вести на провеску - взвешивать отдельно шлак, попавший в чашу, отдельно металл и сравнивать с предыдущим периодом. Но в условиях производства это долго, сложно, дорого и никто не готов на это пойти. У нас было всего лишь 4 чаши, провеску которых можно было сделать, что очевидно недостаточно для подтверждения эффективности. Чтобы решить эту проблему, мы разработали экспериментальную модель, которая по потоку считает тоннаж. Конечно существует погрешность, но, тем не менее, модель очень нам помогла, подсчитывая сколько тонн шлака было слито для каждой конкретной операции.

Шаг №4. Создать промышленное решение

Чтобы все это заработало в условиях промышленной площадки нужно создать по-настоящему промышленное решение, которое защищено от различных погодных условий, пыли, задымленности, температурных перепадов. Так, например, для защиты нашей камеры мы разработали прочный корпус, оснастили его охлаждением, защитой от пыли и перепадов температуры. Для защиты окна от загрязнения в передней части корпуса мы сделали воздушный барьер и встроили внутрь кожуха систему самодиагностики, которая непрерывно контролирует работоспособность всех элементов и в случае чего, бьет тревогу. Например, если что-то случится с системой охлаждения и температура внутри кожуха начнет повышаться, тогда сработает система оповещения, а в случае критических температур произойдет аварийное отключение оборудования.

Еще одним важным аспектом при создании решения была простота, универсальность и возможность решение быстро за 3-4 месяца развернуть на любой площадке. Мне кажется, что у нас получилось. Внедрение сейчас у нас занимает в среднем 3,5 месяца, а решение работает как на конвертерах, так и на ДСП, и там и там мы используем один и тот же комплект оборудования.

Решение Datana Sense зарегистрировано в реестре отечественного ПО.

На площадке устанавливается ИК камера в защитном кожухе. Для решения задачи детектирования шлака при выпуске металла камера устанавливается со стороны выпуска, а для задачи детектирования металла при скачивании шлака с “изнаночной” стороны скачиваемого потока.

На пульте управления размещается рабочая станция, включающая в себя шкаф электротехнический распределительный навесной, монитор, светозвуковую колонну.

На монитор в режиме реального времени выводится черно-белый поток сливаемой стали с ярко-зеленой контрастной заливкой шлака и важная информация о выпуске: номер плавки, допустимый порог процентного содержания шлака, текущий процент содержания шлака в потоке, угол наклона печи, вес плавки, температуру выпуска, длительность выпуска, и так далее.

Локальные эффекты от внедрения вот такие.

Детектирование металла при скачивании шлака:

• снижение потерь металла;
• увеличение длительности эксплуатации шлаковых чаш.

Детектирование шлака на выпуске:

• повышает качество продукции;
• снижение длительности внепечной обработки;
• снижение расхода раскислителей;
• снижение расхода ферросплавов;
• снижение вредного влияния на футеровку сталь-ковш.

Например, если связать решение “Детектирование шлака на выпуске” с цифровым советчиком по “Оптимизации ферросплавов на внепечной” и научить их сотрудничать, то эффект будет больше. Выше я упоминала о том, что наше решение не только детектирует шлак, но и высчитывает количество, которое все же попало в ковш. Только представьте, какого эффекта можно достичь, если передавать эти данные на этап внепечной обработки и корректировать навеску с учетом этой информации. Сейчас в одном из проектов мы как раз реализуем этот подход.

Да и в целом во все наши продукты мы закладываем принцип объединение решений в цепочку создания ценности. Это позволяет достигать недоступных для «лоскутной» цифровизации показателей эффективности производства». За этим будущее.

Как я уже говорила, мы стремимся, чтобы наше решение как можно быстрее начало приносить эффект. Поэтому мы разработали план, который позволяет внедрить решение за 3-4 месяца.

План состоит из нескольких простых шагов.

• Выбираем оптимальное место размещения оборудования на площадке и разрабатываем всю необходимую техническую документацию.
• Закупка и поставка оборудования.
• Подготовка непосредственных мест монтажа оборудования, определение и согласование конкретных дат и времени монтажных и сопутствующих работ.
• Подведение коммуникаций, линий связи, энергоресурсов. 1 неделя.
• Монтажные работы.
• Подключение решения к существующим системам. Интеграция в контур заказчика.
• Пуско-наладочные работы.
• Обучение пользователей.
• Проведение опытной эксплуатации.
• Фиксация результатов и анализ. Передача в промышленную эксплуатацию.

Спасибо за отличный материал Ольге Вагнер, нашему директору по интеллектуальным решениям.