Промышленная автоматизация металлургического производства

1. Вводная задача от заказчика, проблематика, цели

Металлургическое предприятие с непрерывным производственным циклом. Ключевая задача — повысить точность контроля состава и объёма сырья без остановки производства и без полной модернизации оборудования.

Задача

Заказчик обратился с уже готовой концепцией: они провели анализ производственных процессов, определили архитектуру решения и выбрали технологический стек. Нашей задачей стала техническая реализация их видения в рамках пилотного проекта — перенос бизнес-логики со старых desktop-приложений на современную web-платформу для повышения доступности, отказоустойчивости и централизации расчетных модулей.

Выбор стека разработки

Все сервисы должны были работать в виде облачных и web-приложений на инфраструктуре клиента. Для обеспечения стабильности и масштабируемости была выбрана микросервисная архитектура на Python с Redis, OpenCV и Linux.

Передача и обработка данных между модулями выполнялась в реальном времени, что критически важно для технологических решений с высокой нагрузкой.

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

Процесс работы

Этап 1. Видеоаналитика движущегося материала

Процесс начинается с подачи исходного материала на ленточный конвейер

из загрузочного бункера. На первый взгляд — это простая операция, но именно точность объёма подаваемого материала определяет качество всего последующего производственного процесса.

Рядом с конвейерной лентой установлена камера (ВМ), задача которой — фиксировать изображение движущегося материала. Весь видеопоток поступает на виртуальную машину (VM-2), развёрнутую на базе Linux. Именно здесь запускается обработка: первым модулем в цепочке работает система видеоаналитики (ВА), реализованная на Python

с использованием библиотеки OpenCV.

Техническая реализация видеоаналитики:

• Python-скрипт анализирует геометрию насыпи и определяет высотный профиль материала
• С учётом заданной плотности материала вычисляется масса проходящего сырья в килограммах

Интеграция с XRF-анализатором:

• Параллельно с видеоаналитикой система интегрируется с XRF-анализатором через консольное Windows-приложение.
• По нажатию клавиши "пробел" через заданное время например (10 секунд) делается скриншот экрана анализатора.
• OpenCV извлекает цифровые значения из изображения, после чего данные упаковываются в CSV-файлы и сохраняются в сетевую папку.

Эти данные критически важны для точного контроля состава сырья и используются на всех последующих этапах технологической цепочки.

Этап 2. Передача данных через Redis и обработка в Connector

Дальше видеоаналитика передает результаты анализа одновременно в два направления: в Redis и в базу данных (DB).

Redis в этом процессе выполняет роль временного кэша, работающего в оперативной памяти. Он необходим для того, чтобы передавать данные от видеоаналитики другим компонентам системы с минимальной задержкой, не прерывая общий поток обработки данных. Это обеспечивает стабильную работу всей архитектуры в режиме реального времени — особенно в условиях высокой нагрузки и интенсивных операций на производственной линии.

Автоматический мониторинг файлов: Отдельный модуль раз в минуту проверяет сетевую папку на появление новых CSV-файлов с данными анализа. При обнаружении новых файлов система автоматически их парсит и загружает данные на платформу для дальнейшей обработки.

Параллельно с этим видеоаналитика также отправляет первичные данные напрямую в базу данных. Это «сырые» значения, зафиксированные в момент измерения.

Эти данные сохраняются надолго и могут быть использованы для анализа, визуализации, построения отчётов или обучения моделей.

Затем данные, временно хранящиеся в Redis, поступают в Connector — промежуточный модуль, отвечающий за передачу информации на платформу.

Connector был внедрён из-за инфраструктурных ограничений, которые не позволяли передавать данные напрямую.

Таким образом, в базе данных формируются два типа данных:

• первичные значения от видеоаналитики;
• данные, подготовленные для передачи на платформу вычислений.

Это важно для того, чтобы была возможность проводить дополнительную аналитику с целью корректировки существующих алгоритмов. Такая двухуровневая запись делает систему не только точной, но и прозрачной и объяснимой — что особенно важно в промышленной автоматике и при аудите.

Этап 3. Замыкание контура автоматизации через Conundrum

После того как Connector передаёт эти данные на платформу (Conundrum), информация, полученная от видеоаналитики, сохраняется в (DB) для последующего использования при расчёте рекомендаций на следующий производственный цикл.

Вывод: выше была описана первая часть производственного процесса.

Однако параллельно с ней осуществляется работа системы мониторинга, которая отслеживает и анализирует происходящие процессы в реальном времени.

Этап 4. Система мониторинга и визуализации данных

Мониторинг осуществляется через автоматизированное рабочее место (АРМ), которое представляет собой набор графиков и таблиц с показателями всех текущих процессов.

АРМ автоматически определяет:

м

какой именно процесс происходит на том или ином оборудовании (с учётом фактических данных и рекомендаций),

и предоставляет возможность вручную редактировать данные при необходимости.

• Для того чтобы платформа могла определить, на каком оборудовании какой процесс происходит, ей необходимы два типа данных:

данные видеоаналитики о начале и завершении загрузки в конвейер (время начала и окончания),

данные о количестве воздуха, подаваемого в печь.

• Для этого используется специальный датчик, который передаёт данные о количестве воздуха в печи на платформу с периодичностью 3–4 секунды. На основе этих данных строится график, отражающий изменение объёма воздуха в реальном времени.
• Это позволяет понять, что происходит с загруженным сырьём — какой из трёх процессов в данный момент осуществляется.
• Дополнительно система выполняет мониторинг процессов: например, если масса сырья выше нормы, она может подать команду на увеличение подачи воздуха в печь, чтобы обеспечить нужный температурный режим и поддержать стабильность плавления.
• Или наоборот — если материала поступает меньше, чем требуется, подача воздуха может быть уменьшена, чтобы избежать перерасхода энергии и нарушения технологических параметров.
• Также реализовано управление конвейером: видеоаналитика контролирует объём подаваемого материала и при достижении требуемой массы автоматически включает сигнальную лампочку. Оператор, видя сигнал, останавливает конвейер. В перспективе возможна полная автоматизация этого процесса.
• Таким образом, данные, зафиксированные камерой и обработанные видеоаналитикой, через цепочку Redis → Connector → систему управления превращаются в конкретное управляющее действие. Это замыкает цифровой контур автоматизации, в котором система не просто наблюдает за процессом, а активно им управляет.
• Такая архитектура позволяет:

поддерживать стабильность технологических параметров,

оперативно реагировать на отклонения,

повысить качество продукции и энергоэффективность.

• В результате MES становится точкой принятия решений, базирующейся на точных цифровых данных, а не на допущениях или ручных расчётах.
• На первом этапе достигнуто:

Успешная интеграция всех компонентов микросервисной архитектуры

Стабильная работа системы видеоаналитики и обработки данных в режиме реального времени

Отладка замкнутого контура управления от измерения до исполнительных команд

Подтверждение технической осуществимости концепции заказчика

3. Результаты сотрудничества

По результатам успешного пилотного проекта планируется поэтапное масштабирование системы на другие производственные линии предприятия.

Система видеоаналитики стабильно определяет массу сырья на конвейере с точностью, достаточной для управления технологическим процессом.

Интеграция через Redis обеспечила передачу данных с минимальной задержкой, а замкнутый контур управления позволил автоматизировать корректировку параметров подачи воздуха в печь.