Авторизация
Сброс пароля
Система контроля целостности конвейерной ленты в морском порту
Заказчик: АО «Находкинский морской торговый порт»
Страница кейса/результат: https://mlsense.nordclan.com/cases/avtomaticheskij-kontrol-defektov-konvejernoj-lenty-v-morskom-portu/
Система определяет толщину конвейерной ленты, распознает разрывы с помощью машинного зрения. Контролирует стык ленты и наличие заклепок стыка. Система отслеживает динамику развития дефекта предотвращая критический износ, позволяет прогнозировать регламентные работы по обслуживанию ленты.
Агентство-исполнитель кейса
Nord Clan
Nord Clan — российская IT-компания, которая разрабатывает системы машинного, компьютерного и технического зрения для бизнеса и промышленности. Мы берём на себя полный цикл работ: ML-разработку, подготовку данных, обучение моделей, внедрение и сопровождение решений.
1. Вводная задача от заказчика, проблематика, цели
В Находкинском морском торговом порту уголь и другие насыпные грузы транспортируются по конвейерным линиям. Одна из них имеет длину около 2 км, скорость движения ленты достигает 3,5 м/с. При постоянной нагрузке на поверхности ленты возникают порезы, надрывы и пробои. Незамеченное повреждение может увеличиваться при прохождении через ролики и пересыпные участки, создавая риск разрыва полотна и незапланированного простоя оборудования. Ранее состояние ленты проверяли во время регулярных обходов. Такой подход не обеспечивал непрерывного наблюдения и не позволял систематически отслеживать динамику обнаруженных дефектов.
Предприятию требовалось автоматизировать контроль, фиксировать местоположение повреждений и оценивать изменение их размеров при дальнейшей эксплуатации конвейера.
2. Описание реализации кейса и творческого пути по поиску оптимального решения
Специалисты Nord Clan внедрили систему машинного зрения на базе платформы ML Sense. Она анализирует изображения поверхности движущейся ленты, выявляет повреждения и сохраняет историю их изменения.
Для работы в условиях запылённого производства команда обследовала конвейер и выбрала участок, на котором можно получать стабильные изображения полотна. Пост контроля оснастили промышленной камерой, защитным кожухом, системой освещения и обдува защитного стекла.
Отдельной инженерной задачей стала подготовка данных для обучения нейросетей. Архива реальных повреждений было недостаточно, поэтому специалисты Nord Clan создали дополнительные обучающие примеры на образцах конвейерных лент, самостоятельно сформировав на них различные виды дефектов.
Для отслеживания повреждений в динамике на конвейере определили условную нулевую точку и задействовали энкодер, фиксирующий движение полотна. Благодаря этому система рассчитывает положение дефектов и сопоставляет изображения одного участка при повторных проходах через зону контроля.
ML Sense определяет размеры повреждений и отслеживает их изменение, не классифицируя дефекты по типам. Результаты контроля отображаются на мнемосхеме конвейерной линии, где оператор может определить расположение повреждённого участка.
3. Результаты сотрудничества
Решение переводит контроль конвейерной ленты от периодических визуальных осмотров к непрерывному наблюдению с фиксацией динамики повреждений. Это помогает своевременно выявлять риски нарушения целостности полотна и снижать вероятность аварийного разрыва и связанного с ним простоя оборудования.
4. Заключение
На предприятии внедрён инструмент непрерывного автоматизированного контроля целостности конвейерной ленты.
Система позволяет:
- обнаруживать повреждения поверхности без остановки конвейера;
- определять местоположение дефектов и повторно находить их при последующих проходах ленты;
- отслеживать изменение размеров каждого повреждения во времени;
- накапливать историю состояния полотна для анализа и планирования обслуживания;
- выявлять дефекты, требующие внимания, и планировать ремонт до развития серьёзных повреждений.
Агентство-исполнитель кейса
Nord Clan
Nord Clan — российская IT-компания, которая разрабатывает системы машинного, компьютерного и технического зрения для бизнеса и промышленности. Мы берём на себя полный цикл работ: ML-разработку, подготовку данных, обучение моделей, внедрение и сопровождение решений.