Реформа в отрасли от ERG

Интеллектуальная система для повышения эффективности переработки железной руды
Роботы из Redmadrobot Data Lab научили искусственный интеллект экономить ресурсы для ERG (Евразийская Группа). Несколько месяцев команда железных тренировала алгоритмы, и теперь они определяют гранулометрический состав руды, идущей по конвейеру в Соколовско-Сарбайском горно-обогатительном производственном объединении (ССГПО). Эти данные помогают настроить оптимальный режим на мельнице, которая перерабатывает сырьё. Интеллектуальная система работает на основе технологий компьютерного зрения и нейросетей.

Задача

От режима стержневой мельницы зависят расходы на переработку руды.

Чем дольше она работает, тем больше нужно ресурсов: электричества, воды и прочих. Большие и тяжёлые камни на конвейере увеличивают время работы.

Раньше в ССГПО, как и во всей отрасли, состав руды определяли вручную два раза в день. Этих замеров было слишком мало, поэтому данные получались приблизительными.
«Бизнес поставил задачу создать оптимизационную модель, основанную на 6 ключевых факторах работы стержневой мельницы, одним из которых является гранулометрический состав. Для решения данной задачи мы привлекли Redmadrobot, которые великолепно справилась с задачей»
Дмитрий Карбасов, руководитель Управления промышленного искусственного интеллекта
ERG (Евразийская Группа)

Решение

Redmadrobot и ERG рассмотрели много вариантов того, как это можно сделать. Хотели установить ультразвуковые или рентгеновские датчики.
В итоге решили использовать промышленные камеры и алгоритмы компьютерного зрения.

Суть такая: искусственный интеллект анализирует руду на конвейере и подсказывает сотрудникам производства настройки для эффективной работы мельницы.

Система «смотрит» на руду с помощью видеокамер, алгоритмы распознают изображения и преобразуют информацию в метрики и данные для API управления мельницей.
I
L
E
N
L
n
t
i
c
e
g
e

Почему искусственный интеллект?

Мы проанализировали разные подходы для решения этой задачи. Оптимальными оказались системы на основе компьютерного зрения. Остальные варианты предполагали либо модернизацию производственной линии, либо закупку дорогого оборудования. Для прогнозирования состава внутреннего слоя сырья применяли предиктивные модели. Для их тренировки использовали машинное обучение на исторических данных и постоянно дообучали на свежих.

Как все было?

Все началось с фотографий: чтобы обучить алгоритм, нужны были снимки отличного качества. Лента двигается со скоростью примерно 2 метра в секунду. Поэтому мы использовали фотокамеры Basler с выдержкой 1/2000 секунды и много-много света.

Машинное обучение любит тратить ресурсы. Сервер развернули прямо на заводе, чтобы он напрямую управлял фотокамерами. На этом этапе мы получили 170 000 подходящих для работы снимков руды на конвейере.

Тренируем алгоритмы

При переработке железной руды необходимо учитывать гранулометрический состав руды. Чтобы алгоритм научился выделять крупные камни и отличать их от фона, мы стали размечать фотографии. Все осколки руды от 16 мм — большие: их нужно найти и обозначить границы. Песок и маленькие камешки — в сторону. Информацию отдали алгоритму и стали смотреть, как он ее понял. Результаты тестирования показали, что он определяет большие камни с точностью 80%. Для решения задачи мы натренировали предиктивную модель на данных ERG о соотношении размера и веса руды. После этого система смогла преобразовывать информацию от алгоритмов компьютерного зрения в целевые данные о весе и размере во всем слое сырья, включая невидимую часть. Это позволяет определить состав руды и выставить оптимальные настройки на мельнице. Все данные обновляются ежесекундно, а следить за ними можно на дашборде.

В августе 2019 года был запущен пилот
с системой на одном из конвейеров. Она показала точность 98% в определении состава руды. В 2020 году ERG планирует внедрить технологию везде, где существует подобный процесс.

Результаты

Сейчас интеллектуальная система определяет состав руды и помогает эффективнее распределять ресурсы на одном конвейере. Но скоро она поможет ССГПО снизить себестоимость продукции, сделать переработку руды рациональной, повысить производительность труда и снизить влияние человеческого фактора на результат. Сейчас выпущена первая рабочая версия системы. Её нужно развивать дальше и тогда она станет новой технологией для других производств.
Проект стал финалистом главной индустриальной премии СНГ «Эффективное производство» OEE Award 2019 в номинации «Искусственный интеллект на производстве».
«Планируемый результат по итогам 2020 года ожидается в виде дополнительного производства готовой продукции до 200 тысяч тонн в год, при снижении производственной
себестоимости до 5%»
Алексей Шилкин, директор Департамента металлургии ERG (Евразийская Группа)
Хочу так же

Хочу так же

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.