Контроль технологических процессов на производстве с помощью ИИ: кейсы

Искусственный интеллект проникает в самые разнообразные сферы и индустрии, автоматизируя и оптимизируя различные технологические процессы. Современное производство включает огромное количество процессов, контроль выполнения которых напрямую влияет на качество производимой продукции, количество брака, снижает опасные или нештатные ситуации и предотвращает потери. Системы на базе технологий машинного обучения и компьютерного зрения нашли здесь широкое применение. 
В наших прошлых статьях мы уже рассматривали кейсы внедрения ИИ на производстве, в частности, в статье «Автоматизация конвейерных процессов и производственной линии». Сегодня мы рассмотрим различные специфические кейсы внедрения искусственного интеллекта для контроля производственных процессов на примере проектов нашей компании. 

Контроль процесса сборки

Современный сборочный цех представляет собой конвейерную линию, где на каждом шаге производится определенный вид работ и, в конечном счете, заготовка превращается в готовый продукт. Например, при сборке двигателей крайне важно контролировать такие процессы, как:

• непрерывность линии нанесения герметика на блоке цилиндров под установку масляного картера 
• правильность установки траверс на клапанах на главном сборочном конвейере
• отсутствие определенных компонент

Система контроля процесса сборки должна автоматически считывать (распознавать) номер или артикул соответствующего двигателя, сопоставлять с данными полученными из внутренней базы и мгновенное выявлять все несоответствия качества сборки.

В случае каких либо расхождений, система отображает результаты проверки в пользовательском интерфейсе, формирует отчет и сохраняет в общую дневную статистику. Кроме того предусмотрен светозвуковой сигнал, информирующий о наличии дефекта. 

Контроль правильности намотки

Схожий кейс связан с контролем процесса и определением размеров щели металлической обмотки. Обычно проверка размеров щели происходит вручную (щупом) и занимает достаточно большое количество времени. 

Система контроля производит непрерывное отслеживания процесса намотки и определяет размер щели в реальном времени. В случае, если размер щели не соответствуют заданному значению, вся катушка считается браком. Важной задачей системы контроля намотки является не просто фиксация отклонения, но выявление тренда, который приводит к критическому расхождению в расстоянии, т.к. в случае такого расхождения катушка сразу уходит в брак.    

Классификация деталей

Конечно, не всегда процесс контроля технологических операций связан с выявлением отклонений от стандартов или брака. Следующий кейс позволяет автоматизировать процесс классификации плоских деталей в процессе фасовки. 

До внедрения системы производить классификацию деталей приходилось вручную. Учитывая довольно сложные формы и схожесть некоторых деталей этот процесс занимал существенное время. Приходилось сравнивать деталь с ее изображением в каталоге и присваивать соответствующий артикул, записывая и отправляя на печать. Количество различных типов деталей (SKU) достигает нескольких тысяч и постоянно расширяется. Поэтому внедрение системы автоматической классификации по фото с камеры, установленной сверху, позволило экономить несколько часов рабочего времени в день. 
Перечислим все возможности системы:

• Автоматическое определение типа детали и артикула
• Определение площади детали для определения себестоимости
• Подсчет общего количества  обработанных деталей
• Выявление брака
• Возможность выбора разных камеры по дальности, загрузки новых артикулов в базу данных, дообучения модели, печати этикетки на основе распознанных артикулов 

Контроль работы тормозной системы доменной печи

Еще один кейс, посвященный определению отклонений от заданной величины посвящен внедрению системы оперативного контроля работы тормозной системы главного скипового подъема доменной печи. Система позволяет в режиме реального времени определять расстояние между обкладками и выдавать предупреждения о возникновении критических отклонений.

Контроль пролива металла

Следующий пример контроля технологического процесса связан с определением проливов металла при разливке цилиндрических слитков. Система видеоконтроля состояния поверхности литейного стола цилиндрических слитков предназначена для постоянного контроля наличия металла в кристаллизаторе с целью своевременного предупреждения пролива металла. В случае изменения цвета в одном из отверстий литейного стола (пролив) должно происходить оповещение для корректировки процесса.

Ключевая задача системы — своевременное предупреждение литейщика о внештатной ситуации и недопущение пролива металла, ведь пролив металл — прямые убытки компании. 

Контроль качества спека

Спек — промежуточный продукт для производства глинозема, имеет три градации качества: нормальный, крепкий, слабый. Система видеоаналитики позволяет по изображению оценивать качество спека на основе различных параметров (цветность, площадь, края, контуры и т. д.).

Развитие системы подразумевает добавление дополнительных признаков (например, температуры) для более точного определения качества спека, предсказательной способности и создание полноценной системы — помощника агломератчика для увеличения выхода качественной продукции из печи.

Анализа спектра и определения содержания FeO в агломерате 

Похожей задачей является система анализа спектра и определения содержания FeO в агломерате на основе алгоритмов компьютерного зрения. Система анализирует изображение, получаемое с камеры и, на основании цветности делает выводы о содержании FeO.

Первостепенной задачей проекта была оценка возможности определения содержания FeO в агломерате за счет анализа видеоизображения на изломе пирога спеченного агломерата в разгрузочной части агломашины. Для получения качественных и точных результатов оказалось необходимым дорогостоящее видео оборудование. 

Анализ флотационной картины 

Еще один кейс контроля технологического процесса — система анализа флотационной картины при обогащения полезных ископаемых.
Флотация — физико-химический метод разделения твердых частиц и выделения капель дисперсной фазы из эмульсий, основанный на принципе их взаимодействия с жидкой средой. Находит широкое применение в горнодобывающей промышленности для обогащения руд и извлечения ценных минералов.

Ключевые задачи системы видеоаналитики — детекция размера пузырьков, количества пузырьков и скорости схода пены. 
Основные анализируемые показатели:

• Цвет пены, время жизни пузырьков
• Диаметр пузырьков (распределение)
• Скорость пена-съема 

Следующий шаг — выявление зависимостей выхода полезного вещества от значений соответствующих показателей и создание полноценной системы управления технологическим процессом.

Контроль процесса поризации

При формировании гипсокартонного листа необходимо знать соответствует ли гипсовая масса эталону, поскольку именно от этого будет зависеть качество самого листа. 
Формовщик берет пробу этой массы и разливает ее на формовочном столе до полного затвердевания (3-5 мин). Далее надламывает получившийся образец и помещает его под камеру для сравнения поризации с эталоном.

До внедрения автоматической системы анализа качества поризации, сравнение с эталоном происходило вручную, то есть человеческим глазом, поэтому все зависело от мнения и решения формовщика. А учитывая человеческий фактор (усталость, невнимательность и т.д.) погрешности неизбежны. Если происходила ошибка, то целая партия листов уходит в брак.

Внедрение системы видеоаналитики, которая на основании изображения, поступающего с электронного микроскопа автоматически определяет тип поризации, тем самым полностью снимает зависимость от человека, ускоряет процесс и снижает ошибки.

Контроль работы оборудования (погрузчики, краны, тележки, вагоны и вагонетки)

Довольно много кейсов, связанных с мониторингом работы передвигающегося оборудования и его состоянием.
Начнем с популярного кейса анализа движения погрузчиков. На любом крупном предприятии, в цехах или на складе работает множество погрузчиков, которые перевозят различные грузы.

В процессе движения погрузчика, как правило, присутствует множество «слепых зон». И хотя, машины снабжены звуковой сигнализацией из-за постоянного звука оборудования они не всегда слышны, что нередко приводит к трагическим ситуациям, когда человек попадает под машину. Система видеоаналитики не просто анализирует объекты рядом с погрузчиком, но и прогнозирует траекторию движения и возможные столкновения, передавая информацию на большое светозвуковое табло, информируя о потенциальной аварии. 

Следующий кейс посвящен контролю работы бульдозера. При проведении работ бульдозер выполняет различные операции. Основная задача системы — выделить различные режимы работы и операции, в частности «работа под нагрузкой», «движение бульдозера вперед с опущенным на уровень земли (либо ниже) отвалом» и т.д. 

Результатом работы системы является постоянный мониторинг работы бульдозеров и отправка ежедневных отчетов по каждой рабочей смене. Также система позволяет загружать записи с камер видео мониторинга за любой период и выгружать текстовые отчеты режимов работы и простоев машин. Система легко адаптируется на любой тип бульдозеров и погрузчиков.

Аналогичный кейс связан с мониторингом работы башенного крана в различных режимах.

Следующий набор примеров посвящен анализу состояния и распознаванию номеров вагонов и грузовых вагонеток. Классическая задача — распознать номер заезжающего на разгрузку товарного вагона и автоматически передать всю информацию во внутренние системы предприятия. 

Не редко такие системы монтируются в местах, где отсутствует какая либо сетевая инфраструктура, а мобильный интернет очень слабый, поэтому обработка должна происходить прямо на устройстве. В этом случае алгоритмы распознавания адаптируются на специализированные мобильные устройства.

Контроль состояния обжиговых тележек

Характерной для горнометаллургической промышленности является задача непрерывного мониторинга состояния обжиговых тележек для предотвращения аварийных ситуаций. 
Система получает видеопоток с установленных камер и в режиме реального времени обеспечивает:

• распознавание номеров обжиговых тележек 
• определение режима «обжиговая машина в работе/остановлена»
• распознавание факта вращения и заклинивания роликов 
• определение величины зазора подшипников 
• определение состояния боковин тележки;
• определение состояния колосникового поля;
• контроль целостности и наличия шплинтов крепления колосников;
• контроль болтов крепления боковин;

Распознавание надписей, артикулов, номеров и маркировки

Не менее популярной задачей является распознавание всевозможных маркировок, надписей, QR-кодов, а также качества печати на продукции.

Иногда распознавание необходимо производить после нескольких стадий обработки детали, когда маркировка сильно деформируется. В этом случае можно применять специальные металлические таблички с придуманным кодом, устойчивом к деформациям. 

Контроль процесса погрузки

Система решает такие задачи, как: определение номера ворот, детекция подъезжающей фуры, детекция состояния фуры (режим погрузки и т.д.), детекция состояния шторки (открыта, закрыта, частично открыта).

Вся информация передается во внутренние системы предприятия.

Заключение

В настоящей статье мы рассмотрели лишь малую часть различных кейсов внедрения систем видеоаналитики для контроля и автоматизации технологических процессов на промышленных и производственных предприятиях.
Большинство рассмотренных кейсов представляют отдельные системы для решения конкретной задачи. За рамками статьи остались системы управления робототехническими устройствами (роборука, манипулятор), комплексные решения, например система для автоматизации конвейерных процессов (подсчет продукции, выявление дефектов, анализ гранулометрического состава вещества), представляющая полноценный программно-аппаратный комплекс для решения целого класса задач. 

В категорию систем, внедряемых на производстве также входят: 

• Системы промышленной безопасности
• Системы анализа эффективности труда и мониторинга рабочих процессов
• Системы контроля качества и выявления брака и дефектов продукции

Этим системам мы посвящали отдельные статьи с подробным описанием и кейсами внедрения. Отдельной категорией идут прогнозные и рекомендательные системы, например прогнозирование отказа сложного оборудования по данным телеметрии, а также системы на базе больших языковых моделей. 
Главной задачей настоящей статьи — показать разнообразие примеров и кейсов внедрения систем на базе технологий искусственного интеллекта для автоматизации промышленных предприятий. 
Чтобы сохранить конкурентоспособность современное производство постоянно ищет возможности внедрения ИИ для автоматизации технологических процессов, поэтому появляется все больше новых, уникальных задач и здесь мы всегда открыты для сотрудничества и внедрений.