Машинное зрение в металлургии: как современные технологии помогают тяжелой промышленности

Какая картина возникает в воображении, когда вы слышите слово «металлургия»? Тонны руды, копоть, раскаленные ковши, изнурительный ручной труд… все это было актуально для отрасли, правда, несколько десятилетий назад. Современная металлургия использует актуальные технологии: на благо российской металлургической индустрии сегодня трудятся нейросети и роботы, а благодаря машинному зрению удается выводить старые технологические процессы на новый уровень. Расскажу, как машинное зрение, искусственный интеллект и нейросети помогают избежать простоев на металлургических предприятиях в НЛМК и экономить десятки миллионов рублей.

Зачем вообще машинное зрение металлургии

Технологически металлургическая отрасль — одна из самых сложных: любой производственный процесс здесь состоит из множества шагов, каждый из которых должен быть выверен до мелочей. Говорить об использовании машинного зрения мы будем на примере процесса обработки руды, не содержащей примесей (в металлургии ее называют «железорудный концентрат»).

Итак, сначала руда поступает в цех, где ее загружают в печь и обжигают. На металлургических заводах этот процесс практически не останавливается и происходит 24 часа в сутки (в день есть лишь два коротких плановых перерыва). В специальную печь руда поступает в гранулированном виде — это небольшие куски глины и руды, их также называют окатышами. Гранулы размещаются на движущихся по конвейеру друг за другом тележках — маршрут их движения закольцован, в одном цехе обычно около 300 таких тележек.

Уменьшительно-ласкательное «тележка» здесь довольно условно: это большая платформа с грузоподъемностью в несколько тонн. Окатыши укладывают на колосники, которыми усеяна поверхность тележки. Колосники — небольшие стальные пластины, расположенные в правильном порядке с зазором около 4 мм. Расположенные на колосниках окатыши проходят термообработку в газовоздушной смеси внутри печи.

Геометрия тележки — больное место для металлургов: важно, чтобы каждый из 400 колосников всегда находился в правильном положении и не деформировался. А в условиях экстремальных температур и нагрузок колосники то и дело прогорают, проседают или меняют форму. И дело не только в них — сама конструкция тележки тоже должна быть монолитной: любой сломанный болт или открутившаяся гайка могут стать причиной схода тележки с рельсов. Это неизбежно приведет к остановке оборудования, а значит, к серьезным финансовым потерям.

А как раньше мониторили состояние тележки? Руками — вернее, глазами: в установленные регламентом перерывы или прямо на ходу специалисты подходили к тележкам и осматривали состояние колосников и всей конструкции. Напомним, всего таких тележек почти 300 штук в одном цеху. Стоит ли говорить, что ошибки из-за человеческого фактора случались часто. Чтобы повысить эффективность мониторинга, некоторые металлургические предприятия стали внедрять более современные решения, основанные на технологиях машинного зрения. Что это значит на практике? По бокам печи для обжига устанавливаются камеры, две из которых оценивают состояние колосников, другие же две мониторят состояние шасси тележки.

При чем здесь нейросети

Подходов к решению проблемы было несколько: сначала деформации и отклонения пытались выявлять при помощи контраста — но работало это ненадежно из-за частых вибраций и смещений оборудования. Тогда решили использовать нейросети: основной задачей здесь стало обучить алгоритм отслеживать состояние колосников независимо от вибраций и других факторов. Обученная нейросеть сама делит тележку на прямоугольники нужного размера и рассчитывает зазоры и отклонения от нормы. Обучение проходило при помощи калибровки: нейросеть считывала шахматные клетки, которые прокатывали на тележке, и училась определять их размер.

Изображение в нейросеть поступает с обеих камер, которые снимают колосники, — с правой и левой сторон тележки расположено по одному устройству. Это необходимо потому, что самые проблемные колосники обычно находятся по краям, а одна камера попросту не увидит то, что происходит на дальнем крае. Специальное ПО анализирует изображение и выделяет проблемные места цветом — желтым или красным — в зависимости от степени повреждения. Это позволяет более точно прогнозировать подъезд тележки к точке осмотра: с помощью камер и нейросети оператор может назначить замену поврежденного элемента на нужное время, не останавливая весь производственный процесс.

А как обучить нейросеть, если примеров нет?

С колосниками все понятно — а как быть с двумя другими камерами, направленными на ходовую часть? Здесь все не так просто: чтобы показать нейросети, что есть норма, а что есть отклонение, необходим массив данных — иными словами, изображения тележек с исправными и неисправными болтами и уплотнителями. Но где взять этот массив, учитывая, что любое серьезное отклонение может привести к остановке производства? Допустим, несколько изображений найти можно, но ведь нейросети для обучения нужно сотни, а то и тысячи разных фотографий. Выход один — учить искусственный интеллект без реальных примеров.

Инженеры использовали метод выявления аномалий: для начала научили искусственный интеллект сообщать, если изображение сильно отличается от заданной нормы. Для этого при помощи нейросети собрали базу фотографий «нормальных» тележек — с правильными векторами и корректным расположением всех элементов. Однако этого оказалось недостаточно: искусственный интеллект определял обычную каплю масла или темное пятно как неисправность. Со временем специалисты нашли и настроили тонкую грань реагирования и сеть стала оповещать оператора только о реальных неисправностях.

Одним лишь мониторингом состояния уплотнителей и колосников дело не ограничивается — использование искусственного интеллекта позволяет делать куда более глобальные выводы. Например, предиктивная аналитика: даже если сейчас все тележки работают нормально, нейросеть подсказывает, какие из них скоро выйдут из строя. Колосники со временем еле заметно смещаются — нейросеть видит малейшие их отклонения, даже если они находятся в нормативе, и позволяет спрогнозировать, когда тележку нужно будет обслужить или заменить.

Внедрение технологий машинного зрения позволяет металлургическим компаниям минимизировать простои и, как следствие, экономить: даже учитывая, что проект пока обкатывается, НЛМК уже смог сэкономить около 35 миллионов рублей в год. С развитием технологии машинного зрения и более широким ее применением в металлургии есть все основания полагать, что экономия станет еще более существенной.