Как машинное зрение помогло снизить брак
Мы сделали два проекта для Новолипецкого металлургического комбината, который активно занимается цифровизацией бизнеса. На стане горячей прокатки мы усовершенствовали работу поточно-транспортной системы (ПТС) доставки рулонов металла от моталок в различные цеха.
ПТС состояла из нескольких пластинчатых конвейеров и одного подъемно-поворотного стола (ППС) для распределения рулонов на другие конвейеры. Все двигатели конвейеров и ППС были оборудованы датчиками, которые позволяли отслеживать их положение в любой момент времени.
Но в связи с износом механической части оборудования (растягивание цепей конвейеров, увеличение люфтов в редукторах и т. д.) данные датчики не давали необходимой точности. Они замеряли обороты двигателя, а не положение конвейера. При растягивании механической части рулон на конвейере оказывался не на своей позиции. Это приводило к тому, что нижняя часть рулона задиралась, он становился некондиционным и уходил в брак.
Мы установили и настроили камеры так, чтобы они отслеживали положение рулонов на конвейерах и подъемно-поворотном столе. Таким образом, мы обеспечили их более точную остановку в заданных позициях. Если камера видела проблемы с положением рулона, она его останавливала вне зависимости от поведения двигателя.
В начале наша система обучалась распознавать эти рулоны с помощью компьютерного зрения. Потом она выдавала команды на замедление или остановку конвейера. Мы сравнивали их с теми, которые формируются датчиками, установленными еще до видеокамер. Так мы определяли правильность работы своей системы.
Благодаря тому, что система стала задерживать рулоны в нужных местах, на производстве стало меньше брака.
Команда и оборудование для проекта
Над проектом работала команда специалистов. Проектной документацией занимались три человека — один программист и двое проектировщиков. В сборке и монтаже оборудования были задействованы 10 электромонтажников. Наладку выполняли программист и IT-специалисты по машинному зрению.
Проект представлял собой две системы по контролю положения рулона и контролю качества смотки. Кроме видеокамер, был задействован лазерный 2D-сканер, который стоял над рулоном и контролировал, правильно ли он свернулся. Когда рулон проходил под ним, он обнаруживал выступающие витки и давал рекомендацию по включению «давилки», чтобы сделать смотку ровной.
Также мы использовали сетевой шкаф, собирающий всю информацию с восьми установленных камер, и сервер, на который поступала эта информация. У оператора было оборудовано рабочее место, где он смотрел за рулонами. Их пост называется «Перегрузочный узел 11» (ПУ-11), сотрудники находятся в конце стана. Их задача — осуществлять контроль намотки рулонов, снимать их и направлять в последующие цеха. Там дежурят двое человек в одну смену. Раньше они контролировали качество смотки только визуально. Чтобы работать с камерами, они прошли специальное обучение и получили руководства по эксплуатации системы.
С НЛМК мы работаем уже около 15 лет и хорошо зарекомендовали себя в области автоматизации и электропривода. Получив компетенции для реализации проектов с использованием машинного зрения, мы сами предложили комбинату выполнить такой проект. В результате для нас это был ценный практический опыт, а НЛМК улучшил свои процессы.
Научились управлять краном удаленно
Другим кейсом, который мы сделали для комбината также по своей инициативе, стала система дистанционного управления кранами. В цеху огнеупоров в одном 300-метровом пролете работали три мостовых крана, которые перегружали сыпучие материалы, такие как доломит, известь и др., из вагонов в бункера и подавали их на конвейеры. Этими кранами управляли женщины-машинистки.
Нашей задачей было улучшить им условия работы, так как часто они трудились под снегом и дождем, а также сталкивались с большим количеством пыли от материалов. Было решено выделить для этого отдельное помещение, в котором комбинат провел ремонт. Там мы оборудовали два дистанционных рабочих места. На креслах перед машинистками установили три больших монитора, а на кранах поставили камеры.
Они стали видеть все слепые зоны, которые не замечали раньше, находясь в кабинах. Также поставили камеры на механизмах, чтобы было видно, как работают редукторы с моторами. В систему дистанционного управления входят: кресло-пульт, VR-очки, специальное ПО и несколько десятков веб-камер.
Организовали систему координатной защиты, чтобы два крана не столкнулись друг с другом. Машинистки теперь находятся на комфортных рабочих местах, с которых могут управлять любым из трех кранов. На кране можно перевести управление в дистанционный формат — таким образом он синхронизируется с удаленным рабочим местом. Мы используем стандарт беспроводной передачи данных Wi-Fi 6 (IEEE 802.11aх). Во время тестов камера четыре дня проработала по 8 часов без сбоев. Ее температура была 45 °С при 60 °С снаружи. В новом корпусе температура снизилась до 30 °C. Задержка передачи видео 4К UHD составляет 100 мс. Дальность действия одной точки доступа Wi-Fi — до 64 м, оптимально — до 40 м. Время обмена данными между краном и удаленным кресло-пультом составляет 3 мс.
В этом проекте машинное зрение является лишь его частью. Оно позволяет идентифицировать человеческую фигуру в зоне работы крана и просигнализировать об этом машинисту на экране монитора. Сначала мы установили камеры, потом около месяца обучали модель ИИ — под кранами специально ходили люди. Так мы имитировали различные ситуации, чтобы система научилась распознавать фигуры. Она обучается до сих пор. Разработчиком программно-аппаратного обеспечения стала российская компания «Вирсайн».
Рассказывает Савва Воробьев, руководитель проектов по машинному зрению в «Вирсайн»:
«Мы обучали модели как на синтетических данных, которые сами создали в виртуальной среде, так и на данных, собранных на производстве, непосредственно с кранов. Поскольку именно мы вводили краны в эксплуатацию, у нас была эксклюзивная возможность собрать первичные данные, что называется, с полей.
В проекте задействовано много камер, около 35 штук. Обработать информацию, которая поступает с каждой из них, — это не самая простая задача, учитывая, что мы хотим получать результат в реальном времени и с большой частотой кадров. В этом процессе было важно, чтобы система своевременно детектировала людей в опасных зонах вблизи крана, не случалось как ложноположительных срабатываний, так и отсутствия реакции при наличии человека.
Еще одна сложность заключалась в том, что цех, где мы работали, расположен на улице, поэтому очень сильно меняются световые условия, камеры иногда запыляются, на них падает снег или дождь. Нам нужно было иметь достаточно большой набор данных для обучения, чтобы обеспечить выполнение всех необходимых задач».
Данные с камер архивируются и доступны для последующего анализа — это полезно на случай аварий. Система предупредит оператора или мастера, ответственного за ремонт, о том, что вскоре потребуется замена деталей или техобслуживание.
Считаю, что с развитием технологий в будущем мы увидим еще немало применений машинного зрения и в промышленности, и в системах безопасности, и в повседневной жизни, а развитие микроэлектроники позволит интегрировать его в смартфоны и очки виртуальной реальности.
