Дмитрий Карбасов, Eurasian Resources Group: «Уже сейчас мы выявили минимум одну “точку роста”»

Дмитрий Карбасов, Eurasian Resources Group: «Уже сейчас мы выявили минимум одну “точку роста”» 18.09.2019

Дмитрий Карбасов, руководитель управления Промышленный искусственный интеллект Eurasian Resources Group и спикер Четвертой встречи дискуссионного клуба «Информационные технологии в промышленности: переход в цифру», рассказал CFO Russia о внедрении технологий машинного зрения на производство, а также преимуществах и результатах их использования.

Как давно вы внедрили технологии машинного зрения в Eurasian Resources Group?

Их внедрили летом 2019 года на Соколовско-Сарбайском горно-обогатительном производственном объединении (ССГПО).

Как вы поняли необходимость их внедрения на производство?

Руководство производственного блока понимало недостаточную эффективность участка переработки. Соответственно, поставили задачу: собрать данные, построить математические модели и аргументированно показать точки роста эффективности. На сегодняшний день мы построили часть моделей. Некоторые из них полностью завершены. Уже сейчас мы выявили минимум одну «точку роста». Она связана с тем, что режим подачи воды и скорость ленты при изменении гранулометрического состава руды на ней не регулируется.

В чем заключаются особенности выбора оборудования?

Перед выбором оборудования необходимо определить точку съемки. Важно оценить полноту данных, которые можно получить в потенциальном месте установки. Для этого нужно учесть расстояние до объекта, область обзора, освещенность, возможности подключения к сети и питанию, а также многие другие внешние факторы.

При выборе видеокамеры важно точно сформулировать требования к ней. Разрешение определяет размер фракции в пикселях с учетом ее нахождения и внешних помех. Максимальную частоту кадров при съемке на высоких скоростях выбирают с поправкой на допустимое размытие, а также потерю кадров на этапе предобработки изображений. Кроме этого, камера должна быть устойчива к внешним воздействиям. Также необходима возможность удаленного управления ею. Конкретная модель требует специальных компетенций и опыта при создании управляющего ПО.

Также есть особые ограничения в развертывании инфраструктуры в условиях производственного цеха.

С какими сложностями вы сталкивались в процессе внедрения машинного зрения и как удалось их преодолеть?

Первая сложность – полное отсутствие размеченной выборки, на которой необходимо обучать нейросеть. Для решения этой задачи применяли различные способы разметки: автоматическая, полуавтоматическая и ручная. Суть их комбинации в качественном обогащении данных и получении специальной нейросети, которая способна распознать целевые объекты на новых изображениях.

На первом этапе мы получили большой объем плохо размеченных данных. Далее короткими итерациями мы производили дополнительное обучение на кадрах с размеченными человеком гранулами. Мы получили несколько выборок: первая позволяет получить устойчивую модель машинного зрения, которая распознает границы руды, вторая – увеличить ее качество, а третья – оценить качество.

Вторая сложность – проблема верификации полученной модели. В настоящее время отбор и измерение размера фракции проходит один раз в сутки. Разработанная система проводит измерения раз в секунду, что не позволяет опираться на них. Соответственно, верификация проходила в несколько этапов. Первый этап – экспертное мнение, а второй – частичное сравнение с эталонными гранулами, которые сотрудники разметили вручную.

Самым достоверным и значимым способом стала разработка корреляционных моделей гранулометрического состава с токовой нагрузкой. Она точно отображает изменения размера фракции. Данная модель подтвердила точность классификации более чем в 98% измерений.

Какие преимущества и результаты дают вашему предприятию системы машинного зрения?

Перерабатывая железную руду, важно правильно выбрать режим подачи воды и руды в стержневую мельницу, чтобы обеспечить оптимальную производительность. Кроме этого, важно принимать во внимание размер фракции руды, которая проходит через конвейер.

Система машинного зрения анализирует сырье в режиме реального времени – изображения с видеокамер превращаются в четкий набор данных. Он показывает гранулометрический состав руды.

На сегодняшний день предприятие реализует проект, в котором полученную информацию и показатели других датчиков обрабатывают с помощью системы машинного зрения. Она выявляет скрытые зависимости между параметрами, вычисляет оптимальные характеристики работы мельниц, которые измельчают руду, и затем передает их в автоматизированную систему управления технологическими процессами.

Задать свои вопросы Дмитрию Карбасову и узнать больше об опыте Eurasian Resources Group вы сможете на Четвертой встрече дискуссионного клуба «Информационные технологии в промышленности: переход в цифру», которая состоится 19 сентября 2019 года в Москве.

Елизавета Гета


Наверх