ИИ в сфере добычи руды: как мы создали уникальную систему для комбината

1. Вводная задача от заказчика, проблематика, цели

К нам обратился крупный горнодобывающий комбинат, который разрабатывает рудные месторождения. Задача формулировалась достаточно конкретно: нужна система, которая в реальном времени оценивает состав, размер и качество руды на входе в производство.

Ниже разбираем, почему привычные методы контроля перестают устраивать современное горное предприятие, как устроена система, которую мы для этого собрали, и какие результаты комбинат зафиксировал после запуска.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Чем плох привычный контроль качества руды

Классическая схема выглядит так: отбор пробы, лаборатория, анализ, заключение. Плюс визуальный осмотр силами персонала. Схема рабочая, отраслью проверенная, но у нее есть четыре слабых места, и все они бьют по деньгам.

Данные приходят с опозданием. Лабораторный анализ занимает часы, иногда сутки. За это время руда уже прошла дробление и попала в передел. Заключение описывает прошлое, а корректировать нужно настоящее.

Оценка субъективна. Визуальный контроль опирается на опыт конкретного человека и его состояние в конкретную смену. Два оператора одну и ту же горную массу опишут по-разному, и оба будут по-своему правы.

Проба не равна потоку. Лаборатория анализирует то, что попало в пробу. Реальный поток руды при этом неоднороден: качество плывет от вагона к вагону, от забоя к забою. Точечные замеры эту изменчивость не ловят.

Пропущенное включение стоит дорого. Зуб экскаватора, обломок арматуры или футеровки, попавший в поток, ломает дробилку. Ручной осмотр конвейера такие вещи находит не всегда.

Сразу оговоримся: мы не считаем, что лабораторию нужно отменять. Она остается арбитром по химическому составу. ИИ-система закрывает другое — непрерывный поток данных, которого лаборатория дать физически не может.

Что заказчик хотел получить

Требования по разработке ИИ системы для комбината на старте были такими:

• анализ изображений руды;
• автоматическое определение размера частиц горной массы;
• определение содержания полезных ископаемых;
• контроль наличия посторонних включений.

Из этих четырех пунктов вырос состав системы: определение гранулометрического состава прямо в забое с точностью до 5 см, аналитика распределения фрагментации, обнаружение и подсчет негабаритов. Все данные выгружаются для дальнейшего анализа в удобном формате.

Как шло внедрение ИИ-системы на комбинате

Начали с обследования производства: изучили технологические процессы, нашли проблемные участки, зафиксировали ручные операции, которые имеет смысл автоматизировать.

Техническое решение подготовили за неделю. Подобрали оборудование и программную часть, согласовали детали с заказчиком. После подписания договора занялись разработкой ПО, помогли с монтажом камер и датчиков и интегрировали систему в существующую производственную инфраструктуру.

Перед запуском провели комплексное тестирование и обучили персонал работе с системой. В эксплуатацию вышли в согласованные сроки, производство при этом не останавливалось ни на день. Для горного предприятия это принципиальный момент: остановка передела на время внедрения съела бы весь экономический эффект проекта.

Как система работает

Камеры и датчики стоят над конвейерами и в бункерах-питателях. Компьютерное зрение распознает фрагменты руды и классифицирует качество подаваемого сырья в реальном времени. По этим данным оперативно регулируется работа мельниц и питателей, за счет чего стабилизируется качество сырья на входе в дробильно-обогатительную фабрику.

Отдельно система фиксирует, как руда распределяется по слоям в бункерах. Эти данные уходят в математическую модель и используются для улучшения шихтования.

Параллельно работают модули детекции. Они находят посторонние предметы и дефекты, способные повредить оборудование: недробимые элементы, обломки арматуры, зубья экскаватора, куски футеровки. Крупные фракции, превышающие установленный стандарт, система подсвечивает отдельно.

Из чего состоит ИИ-система

• Видеокамеры и камеры глубины над конвейерами, бункерами и транспортом (думпкары, самосвалы) — визуальный контроль объема и качества руды.
• Алгоритмы компьютерного зрения и нейросети — распознают геометрический профиль загрузки, классифицируют руду, выявляют дефекты и посторонние объекты.
• Математические модели и MES-контур — анализ данных и оптимизация технологических процессов, включая планирование горных работ и управление транспортом.
• Датчики и сенсоры — собирают параметры процесса и состояние оборудования, что дает возможность прогнозировать неисправности.
• Программная платформа для детекции объектов и анализа видеопотока.

Гранулометрический состав в забое система определяет по цветовому градиенту относительно фактических размеров кусков, опираясь на модели Rosin-Rammler и Swebrec. Для отрасли это стандартные модели, но обычно они применяются к результатам разовых съемок, а здесь работают в непрерывном режиме.

3. Результаты сотрудничества

Комбинат приводит следующие показатели после внедрения:

• рост производительности труда до 10% за счет оптимизации загрузки руды в печи;
• снижение расхода топлива до 5% благодаря более эффективному сжиганию;
• уменьшение брака до 15% за счет выявления и удаления посторонних включений;
• сокращение простоев до 10% за счет защиты оборудования от крупных фракций.

Сверх этого идет оптимизация затрат на топливо, обслуживание оборудования и утилизацию брака, но выделить в ней вклад именно системы сложно, поэтому отдельной цифрой мы это не заявляем.

Подпишитесь, если хотите разбираться, где искусственный интеллект в промышленности дает эффект, а где остается дорогой игрушкой:

Канал в Telegram

Канал в Макс