
Авторизация

Сброс пароля
Распознавание инородных включений в потоке руды для Ковдорского ГОКа
Заказчик: Ковдорский ГОК

На Ковдорском горно-обогатительном комбинате совместно с компанией «Цифровые технологии и платформы» внедрили систему машинного зрения ML Sense для оперативного определения инородных тел на конвейерах, чтобы повысить качество производимой продукции и снизить время внеплановых простоев.
1. Вводная задача от заказчика, проблематика, цели
Ковдорский ГОК — второй по величине производитель апатитового концентрата в России и единственный производитель бадделеитового концентрата в мире.
В потоке руды с определенной периодичностью встречаются инородные тела: металлические предметы, древесина, резина, пластик, крупные камни. Эти тела становятся причиной внеплановых простоев дробильного оборудования из-за выхода из строя дробильных машин или образования завалов на конвейерах. Каждая остановка оборудования снижает объём руды, поступающей на склад.
Ранее контроль осуществлялся вручную или с помощью металлодетекторов, однако этот метод не обеспечивал достаточной точности. Металлодетекторы не способны обнаруживать неметаллические материалы, а также имеют ограничения при выявлении нержавеющей стали, алюминия, меди и свинца. Также работа металлодетектора осложняется содержанием в руде магнетита. Чтобы детектор не срабатывал на руду, предприятию пришлось «загрубить» настройки оборудования, что также снижало точность обнаружения.
Среднее время простоя при попадании инородного тела в дробильное оборудование составляло около 50 минут. Если после этого дробилке требовался ремонт — простой увеличивался соответственно степени устранения поломки.
ЗАДАЧИ:
- Снизить общее время внеплановых простоев дробильного оборудования.
- Значимо поднять коэффициент извлечения за счёт гомогенизации питания обогатительного комплекса.
- Сократить зависимость от человеческого фактора: автоматизировать контроль качества.
Для решения этих задач было необходимо предложить технологию, которая:
- Оперативно определяет инородные тела на движущихся конвейерах.
- Ранжирует обнаруженные инородные тела по классам опасное/неопасное.
- Отдает управляющее воздействие на остановку конвейера, если инородное тело определено как опасное.
- Одновременно с остановкой конвейера оповещает оператора о выявленном опасном инородном теле.


2. Описание реализации кейса и творческого пути по поиску оптимального решения
«ML Sense. Инородные тела» (входит в Реестр отечественного ПО) — решение, которое с помощью машинного зрения и нейросети распознает инородные предметы, крупные фракции и посторонние включения.
Система классифицирует объекты на опасные (металл, крупный пластик, дерево) и неопасные (технические ткани, мелкий мусор). В случае обнаружения опасных предметов она подает сигнал на остановку конвейера и оповещает оператора.
Система ML Sense не требует 100-процентного обнаружения всех инородных тел, чтобы приносить эффект. В 90% случаев потенциально опасные объекты (зубья ковшей, трубы, дерево и др.) частично выходят на поверхность и распознаются по видимым признакам — системе достаточно фрагмента или силуэта. Даже при неполном распознавании внедрение снизило общее время внеплановых простоев по причине выявления инородных тел на 36%.
Система эффективнее магнитных детекторов: она определяет не только металлические, но и немагнитные объекты.
Технологические особенности:
- Распознавание недробимых материалов размерами от 10 мм.
- Можно установить на несколько конвейерных линий.
- Работа в любых условиях: от взрывоопасных камер до подводных объектов, независимо от температуры, влажности и освещения.
- Управление процессом как с компьютера, так и с мобильного телефона из любой точки мира.
- Интеграция с АСУ, внешними системами учета, возможность управляющего воздействия на оборудование.
Сложности при внедрении
Для обучения нейросети требовалось 1000–5000 уникальных изображений каждого типа инородных тел. Однако монтаж оборудования возможен только при плановой остановке конвейера — всего дважды в год. Чтобы не ждать, спроектировали конструкции, позволяющие установить камеры вне зоны работы ленты. Дополнительно собрали более 2 тонн инородных тел, провели лабораторную съёмку и смоделировали монтаж — это позволило избежать простоев и ускорить внедрение.
Собрали около 5000 фото наиболее часто попадающихся инородных тел в разных вариантах засыпки. Для того, чтобы создать условия для обнаружения еще порядка 15 000 редких тел, команда разработала генератор изображений на основе нейросетей: с помощью генеративных моделей удалось расширить датасет до нужного объема.
Отдельный вызов — требования к скорости реакции. На двух из трёх линий зона обзора камеры ограничена — с момента появления тела до зоны дробилки проходит менее секунды. Стандартные алгоритмы ML Sense были оптимизированы под эти условия, обеспечивая молниеносное обнаружение и отправку сигнала на остановку.
Как система работает на производстве
Система включает высокоскоростную камеру, установленную перед дробильным комплексом. Камера фиксирует видеопоток с высокой частотой кадров, что позволяет системе мгновенно анализировать поток руды. С помощью машинного зрения система определяет наличие инородных объектов вне зависимости от их формы и материала, а также фиксирует их внешний вид, чтобы классифицировать по типу опасности.
Условия работы — экстремальные: высокая запылённость, вибрации, влажность и перепады температур.
Для бесперебойной работы в такой среде потребовались промышленные камеры в гермокожухах IP68, стойкие к механическим воздействиям. Объективы защищены автоматической системой обдува сжатым воздухом, которая срабатывает в случае, если система определила загрязнение объектива, а система подготовки воздуха предотвращает образование конденсата. Дополнительное промышленное освещение обеспечивает стабильное качество изображения при скорости движения конвейера до 3 м/с.
Как система определяет инородные тела
Камера передает изображение в ML Sense. Алгоритмы машинного обучения обрабатывают кадры и сравнивают их с образцами. Если на кадре присутствует инородный объект, система определяет, опасен он или нет:
- Опасные (металл, древесина, крупный пластик) — могут повредить оборудование.
- Безопасные (технические ткани, мелкий мусор) — не представляют угрозы.
Простой при срабатывании системы теперь составляет около 10 минут – это то время, которое необходимо оператору, чтобы дойти до конвейера, снять инородное тело, запустить конвейер в работу.
Если система находит опасный объект, она отправляет сигнал на остановку конвейера и оповещает оператора. Тот проверяет событие и дает команду убрать посторонний предмет. При этом система не останавливает конвейер, если найденное тело безопасно. Это исключает ненужные простои и повышает эффективность работы.
ML Sense можно подключить ко всем конвейерам на комбинате и создать единый центр управления. Операторы в режиме реального времени видят состояние каждой линии и быстро реагируют на появление недробимых материалов.
3. Результаты сотрудничества
После внедрения ML Sense Ковдорский ГОК получил автоматизированную систему контроля, которая исключает попадание опасных инородных объектов в дробильный механизм, снижает риски повреждения оборудования и сокращает незапланированные простои.
Показатели:
точность распознавания — выше 90%;
снижение внеплановых простоев в целом на производстве — на 36%.
Операционные выгоды
В течение месяца система обнаруживает до 630 опасных недробимых материалов, останавливает конвейер и предотвращает поломки и простой оборудования фабрики.
Система не генерирует дополнительных внеплановых простоев при выявлении безопасных инородных тел.
Персонал теперь не должен непрерывно следить за конвейером, специалисты получают адресные оповещения об обнаружении потенциально опасных инородных тел и остановке конвейеров.
Значительно снизилось время внеплановых простоев, количество ремонтов дробильного оборудования.
Технологическая независимость: ML Sense — это российское ПО, поддерживается локальными разработчиками.
4. Заключение
Система работает в режиме 24/7, может быть масштабирована на весь комбинат. Проект полностью реализован российскими специалистами, не зависит от санкционных компонентов.