Чтобы добыть железную руду, породу в карьере нужно рызрыхлить. В карьере СГОКа (Стойленского горно-обогатительного комбината) делается это с помощью буровзрывных работ. Полученную после взрыва горную массу нужно погрузить в карьерный самосвал, а потом в вагон-думпкар и отправить на обогатительную фабрику.

Казалось бы, что может быть проще — черпай себе экскаватором да высыпай. А вот нет — тут легко допустить перегруз или же, наоборот, недогруз. Даже если средние показатели в норме, из-за таких вот «небольших» погрешностей мы на круг недовозили на фабрику 2-3% породы в сравнении с учетной нормой. Приходилось запускать дополнительные рейсы. Перегруз еще и опасен для транспорта — он повышает износ деталей и расход топлива, увеличивает риск выпадения кусков породы из вагона или кузова.

Мы на НЛМК очень любим ИИ, математические модели и прочие нейросети – вот их и взяли, чтобы повысить эффективность транспортировки железной руды с карьера на фабрику.

Зачем нам на СГОКе искусственный интеллект

Итак, как я уже сказала, при погрузке породы легко перегрузить или недогрузить транспорт. Как же найти баланс?

При оценке эффективности процесса транспортировки с точки зрения экономики мы опираемся на очень важный параметр — коэффициент использования грузоподъёмности. Наша цель — коэффициент загрузки транспорта 100%. Основной экономический эффект в этом случае мы получаем за счет экономии электроэнергии для железнодорожного транспорта и дизельного топлива для автомашин.

К тому же, правильная загрузка существенно снижает износ техники. Смещение груза на один борт кузова может стать причиной нештатной работы двигателя, повышенного износа и расхода топлива.

Решение задач с помощью ИИ для нас не в новинку, поэтому к проверке погрузки самосвалов и вагонов мы тоже подошли технологично. Избежать нештатных ситуаций и повысить эффективность грузоперевозок нам помогает цифровой сервис.

Yet another нейросеть для НЛМК

В качестве решения мы видели некую систему на базе машинного зрения, которая будет оценивать качество загрузки железной руды, сравнивая его с «паспортом загрузки» — документом, где указаны нормативные значения по заполнению транспорта — и выдавать корректирующие рекомендации для специалистов СГОКа.

Контроль должен производиться во всех местах погрузки: в карьере, где автосамосвалы забирают сырье, и на железнодорожной станции, где породу загружают в думпкары.

Проект реализовывали по довольно привычной для нас схеме:

  • проектирование решения и оценка экономического эффекта;

  • подбор и монтаж оборудования (видеокамеры, сервера, компьютеры и т.д);

  • сбор данных;

  • разметка и тренировка нейросети;

  • тестирование;

  • доработка алгоритмов нейросети;

  • разработка backend-сервисов и интеграция с системами НЛМК;

  • масштабирование системы на другие стационарные точки.

Установка видеооборудования и сбор данных

Для проверки гипотезы мы взяли простенькие камеры GoPro с «рыбьим глазом», изучили условия, учли ракурсы и определили, что попадет в кадр. Однако фишаи неиллюзорно искажали изображение — его приходилось исправлять программным способом, поэтому от этих объективов мы отказались практически сразу.

Обратите внимание: картинка сильно изогнута по краям — это все фишай
Обратите внимание: картинка сильно изогнута по краям — это все фишай

Оборудование подбиралось с учетом того, что в карьере довольно агрессивные условия — летом жарко, а зимой холодно, да и зона взрывных работ как никак.

Чтобы ускорить процесс и точность подбора техники, специалист по 3D смоделировал копию стационарной точки – на модели отрабатывали функционал нейросети. Подобрали конфигурацию камер без выездов «в поле». Кроме того, такая модель позволила «переключаться» между днём и ночью, чтобы оценить качество изображения.

Вот он, карьер на горизонте…
Вот он, карьер на горизонте…

Все камеры стоят в зоне взрывных работ карьера. Поэтому используем влагозащищенные камеры Hikvision и инфракрасную камеру глубины Intel RealSense D40055. Для защиты камер от пыли, грязи и экстремальных температур оборудование поместили в телекоммуникационные шкафы, которые нередко используют сотовые операторы. Так как Intel RealSense D 40055 не предназначена для работы на улице, ее поместили в кастомный алюминиевый корпус.

Подготовка данных и обучение модели

Итак, с оборудованием «в полях» разобрались — переходим к самому интересному.

Сердце, а точнее, мозг нашего цифрового сервиса — нейросеть. Чтобы эта нейросеть могла действительно эффективно решать поставленную задачу, ее нужно обучить. Для обучения нам нужен был «материал» — размеченные изображения.

Разметка — процесс довольно длительный и монотонный. На разметку и валидацию одного изображения уходило от 30 до 60 минут. Для повышения стабильности работы нейросети использовали синтетические данные. Говоря простыми словами, взяли 3D-модель думпкара и написали скрипт, который рандомно генерировал случаи ненадлежащей погрузки — перегруз, недогруз, негабарит.

Процедурно сгенерированная руда для нейросети
Процедурно сгенерированная руда для нейросети

При этом синтетические данные не только быстро генерировались — на один кадр уходило минуты две — но и выходили уже размеченными. При необходимости можно было запустить непрерывную генерацию на нескольких машинах.

Стек технологий

В качестве формата разметки выбрали COCO. В качестве корневой технологии — фреймворк Detectron2 от Facebook для работы с machine learning. У используемой Instance Segmentation есть недостатки — она плохо работает с мелкими объектами, но у нас на точках все объекты довольно таки большие, поэтому этот минус оказался для нас абсолютно несущественным. Нейросеть хорошо справляется с задачей.

Для усреднения результатов предсказания между кадрами был разработан отдельный алгоритм. Он помогает получать усредненную информацию о перевозимой породе и устраняет случайные артефакты.

Кроме того, в сервис интегрированы цифровые линейки, которые переводят расстояние из пикселей в метры.

Обучение проходило в два этапа:

  • Обучили нейросеть на 1000 фото, добавили немного «синтетики» — получили рабочую модель.

  • Прогнали нейросеть по еще одному сету размеченных вручную кадров — получили улучшенную модель.

Для запуска MVP и «боевого» тестирования этого было достаточно.

Как работает сервис сейчас

Расскажем на примере ж/д. На пути смотрят три камеры:

  • Первая — на столбе — смотрит вниз, прямо на вагон с рудой. Изображение с нее уходит на сервер и обрабатывается: алгоритмы фиксируют отступы по краям и оценивают равномерность погрузки. Требования по отступам указаны в «паспорте загрузки» — это помогает избежать инцидентов со скатыванием камней с думпкара во время транспортировки породы.

  • Вторая камера снимает горку отгруженной железной руды. Она помогает найти физический центр массы и определить, правильно ли загружен вагон, нет ли перекоса.

Это красивая моделька
Это красивая моделька
А это уже наша реализация
А это уже наша реализация
  • Третья камера (инфракрасная) анализирует объем — создает профиль поверхности, благодаря которому алгоритм определяет высоту пика горки с погрешностью до десяти сантиметров. Кстати, именно благодаря этой камере система может определять вес. Работает это следующим образом. Поскольку профиль и геометрия кузова нам известна, для расчета объема достаточно несложных математических операций. Зная, что за порода погружена в вагон и какого она объема, мы можем узнать ее массу — для этого нужно плотность умножить на объём.

Чтобы наши камеры всегда видели четко, на точке установлены прожекторы на 72 000 люменов — прямо как на стадионах. Отдельная сложность с таким светом была на автодороге: водители сразу стали жаловаться на то, что он мешает и слепит при езде. Поэтому мы сразу сделали донастройку, чтобы свет был четко направленным.

Благодаря такому освещению изображение получается четким даже в самое темное время суток. Камеры в real time передают видео на сервер, где его обрабатывают алгоритмы. Для автономной работы системы на объекте установлен мини-компьютер и подведено питание.

Примерно такая же схема установки оборудования на автодороге.

Тут установлены 3 камеры: сверху камера, которая смотрит в кузов, передает информацию о отступах насыпи от бортов кузова и негабаритах + камера глубины. Камера на столбе считывает номера самосвалов и профиль насыпи. А в «шкафу» ниже стоит мини ПК, который управляет камерой глубины.  

Сорри, погодка была не очень)
Тут установлены 3 камеры: сверху камера, которая смотрит в кузов, передает информацию о отступах насыпи от бортов кузова и негабаритах + камера глубины. Камера на столбе считывает номера самосвалов и профиль насыпи. А в «шкафу» ниже стоит мини ПК, который управляет камерой глубины. Сорри, погодка была не очень)
Так было на модели.
Так было на модели.
А вот оно работает.
А вот оно работает.

Что умеет система сегодня

Сейчас система может оценивать не только процент загрузки самосвалов и думпкаров, но и ее правильность, т.е. сравнивать качество загрузки с «паспортом загрузки». Система определяет расстояния, такие как отступы загруженной породы от бортов карьерных самосвалов, количество и размер негабаритных кусков и сравнивает с указанными в паспорте.

Тут на модели мы видим, что самосвал загружен неверно, есть риск высыпания породы.
Тут на модели мы видим, что самосвал загружен неверно, есть риск высыпания породы.

Это позволяет оповестить о возможных проблемах машиниста экскаватора и своевременно скорректировать нагрузку. Если что-то корректировать поздно — можно оповестить о возможных рисках водителя самосвала или машиниста тягового агрегата. Они аккуратно транспортируют неправильно загруженный транспорт и смогут избежать нештатных ситуаций.

Подводим итоги

В прошлом году мы сделали прогноз и определили ожидаемые эффекты сервиса на конец 2022 года.

Итак, что получилось сделать:

  • снизить расход топлива для самосвалов на 1% и электричества для думпкаров на 6,5%;

  • увеличить объем перевозимой руды на 1–2% за счет достижения параметров паспортной загрузки транспортных средств;

  • сократить количество поломок карьерных самосвалов и думпкаров;

  • определять негабариты ещё до попадания на обогатительную фабрику, что позволяет исключить простои дробилки крупного дробления – зная, что на дроблении будет негабарит, оператор может принять оптимальное решение и предотвратить забутовку дробилки.

Планы на будущее

В будущем мы планируем еще раз обучить модель с учетом нового оборудования – доукомплектовать каждую точку контроля лидарами, а также связать этот цифровой сервис с системами СГОКа и автоматически передавать машинистам экскаваторов, тяговых агрегатов и водителям самосвалов информацию о загрузках.

Поскольку сервис успешно себя продемонстрировал и доказал свою эффективность, мы планируем масштабировать его на другие точки, чтобы покрыть весь трафик перевозок.

Комментарии (24)


  1. chnav
    00.00.0000 00:00
    +11

    Ностальгия... В детстве жил и учился в Рудном (Казахстан), у вас в Осколе, наверное, много работников оттуда. Жил совсем рядом с Сарбайским карьером, часто ездил в него с отчимом, изредка и в Соколовский карьер - развозили рабочих по сменам.

    В советские времена всем было пофиг, никаких шлагбаумов и охраны. Пацанами так вообще лазили по склонам вскрыши и собирали... акульи зубы !!! Небольшие, до 3 см длиной, их вымывало дождями из осадочных пород на поверхность, . Всё давно утеряно.

    Были в коллекции красивые кристаллы пирита, грозди аметиста (в основном помутневшие от взрывных работ), какие-то камни типа янтаря, по твёрдости ещё не янтарь, но уже не канифоль. Сейчас дома есть только пирит да искуственный корунд (кто не знает - второй по твёрдости после алмаза). Его там производят в электропечах а затем... перемалывают для изготовления высоковольтных изоляторов. Много всего интересного узнал в детстве о горной промышленности. Вот куда надо устраивать детям (да и взрослым тоже) промышленные экскурсии, а не на фабрики мороженого и йогурта. Одни шагающие экскаваторы чего стОят - эдакий средних размеров промышленный цех, которые крутится на месте ))

    И ещё про Сарбайский карьер. ЕМНИП максимальный горизонт, до которого они докопались, был около 500 метров, а затем, по исчерпанию руды в том месте, в целях оптимизации туда начали сбрасывать породу. Сколько ни пытался выяснить текущую актуальную глубину - ноль информации, словно военная тайна.

    Вам успехов в работе. Спасибо за статью и нахлынувшие воспоминания.


    1. kokorina_es Автор
      00.00.0000 00:00

      Спасибо!


  1. legor2012
    00.00.0000 00:00

    Подскажите как корректируется загрузка самосвала или думпкара, измерение проводиться после выхода из зоны погрузки. Как подсчитана экономия топлива и электричества, тот же вопрос с увеличением объема перевозимой руды, без возможности корректировки загрузки как получается экономия?


    1. kokorina_es Автор
      00.00.0000 00:00

      По сути система помогает нам лучше работать с людьми. Камера видит некорректную погрузку уже после того, как техника выехала в путь, и скорректировать ее в дороге, конечно, невозможно. Но если мы зафиксировали несоответствие паспорту погрузки, это означает, что мы совершенно точно можем повлиять на последующие загрузки. Мы тут же оповещаем машиниста экскаватора о том, что предыдущая погрузка была сделана неоптимально, и, как правило, люди начинают действовать внимательнее и "грузить лучше".

      Кроме того, если произошло так, что транспорт выехал с отклонениями по загрузке, у нас остаются возможности оповестить водителя самосвала и машиниста тягового агрегата для более аккуратной транспортировки горной массы.

       


      1. Germanjon
        00.00.0000 00:00

        Не проще ли поставить в схему весы, чтобы определять загрузку (массу) и нарушение развесовки на левую-правую стороны?


        1. legor2012
          00.00.0000 00:00

          весы гораздо дороже а экономический эффект расплывчатый, да и мерить вес вагона на разных сторонах одной оси так себе идея


          1. Germanjon
            00.00.0000 00:00
            +1

            Весы точнее, весы проще масштабировать для других задач. Весы можно использовать на этапе погрузки - лет 12 назад на одном карьере видел Коматсу с интегрированными весами, на борту грузовика было световое панно, которое показывает массу загруженной породы. Неизвестно, это промышленное решение или наколхозили на местной МТС.
            В случае с использованием ИИ для такой нетипичной задачи, складывается впечатление: у нас есть молоток (читай, мы хорошо умеем в распознавание), весь мир вокруг - гвозди.


            1. kokorina_es Автор
              00.00.0000 00:00

              Весы также используем для дополнительного контроля, но есть две проблемы: они требуют постоянной калибровки (точность сбивается достаточно быстро) и весы показывают общую загрузку, но не отражают соответствие паспорту погрузки (отступы, смещение профиля насыпи и т.д.).


      1. legor2012
        00.00.0000 00:00
        +1

        Как считали экономический эффект так и не рассказали :(. Согласен что любая диспетчеризация и контроль выполняемых работ дает экономический эффект - но расчеты очень увлекательные :). Перспективней, но гораздо сложней геометрический и объемный контроль погрузки - машинист экскаватора должен видеть в правильное ли место привел ковш ( как в прицеле самолета перекрестие совпало с целью - жми гашетку высыпай ковш) пока в качестве советчика с заделом на автоматизацию погрузки. Сложней разместить камеру, нужна чистка камеры но нет ничего невозможного. Даже в угольной шахте камеры с механической чисткой неплохо работали. На мой взгляд ваша реализация будет полезна для онлайн учета объема перевезенной горной массы для MES систем.


        1. kokorina_es Автор
          00.00.0000 00:00

          Интеграцию с MES планируем. А по поводу размещения камер, сейчас мы установили 2 камеры на головных блоках ЭКГ, но из-за сильной вибрации случается, что они выходят из строя. Мы пытаемся решить эту проблему изменением конструкции крепежей.


  1. AstorS1
    00.00.0000 00:00

    На этапе погрузки экскаватором экспертная система может подсказать оператору куда предпочтительнее выгружать ковш над самосвалом?

    Получается, что обратная связь приходит машинисту экскаватора с запозданием, когда авто уже уехало.


    1. kokorina_es Автор
      00.00.0000 00:00

      На данный момент не может. Но при наличии контроля и обратной связи, машинист экскаватора старается выполнять свою работу более качественно и у него вполне хватает знаний и опыта, чтобы это сделать.

      Сейчас мы разрабатываем сервис, который будет показывать машинисту ЭКГ, что у него в ковше, что сделает его работу ещё более эффективной.


      1. Javian
        00.00.0000 00:00

        Не проще ли монитор в кабине машиниста, показывающий изображение ковша наружной камерой?
        Пару лет назад попадалось видео работы китайского карьера, где машинист видел свой экскаватор с нескольких наружных камер одновременно.


        1. kokorina_es Автор
          00.00.0000 00:00
          +1

          Как раз это мы и делаем сейчас, но я бы не назвала этот сервис «проще». Он позволит нам с большой точностью отслеживать негабариты, а текущая система больше нацелена на соответствие паспортной загрузке.


      1. Proydemte
        00.00.0000 00:00

        А существует ли возможность измерить вес руды которая находится в ковше?


        1. kokorina_es Автор
          00.00.0000 00:00

          С определенной погрешностью – да. Нам известен объем ковша и коэффициент перевода объема разрыхленной породы в вес.


      1. legor2012
        00.00.0000 00:00

        Можно стимулировать дашбордом с указанием какой машинист с каким качеством грузит - может хорошо стимулировать. Как говориться каждая ошибка имеет ФИО.


  1. rudnik85
    00.00.0000 00:00

    Ох уж эти ЭКГ(на фото)..., как вспомнишь его систему управления и приводов, аж в дрожь берёт, целый шкаф электроники, а когда начинают драть цельный кусок породы, весь этот шкаф начинает трястись, что аж пайка на микросхемах ЛА7 отваливается.

    Хотя для 80-х годов вполне технологичный агрегат был! До сих пор на многих предприятиях работают. И всё так же, со шкафами электроники, который можно уместить в маааленький панельный компьютер!


    1. legor2012
      00.00.0000 00:00
      +2

      Был опыт автоматизации подъемной машины на скиповом подъеме по моему 1954 г. выпуска. Многие не верили что возможно. Сейчас работает практически без участия оператора, и экономический эффект реальный т.к. автоматика делает меньше ошибок и не устает как человек сидящий за рукоятками подъемной машины.


      1. rudnik85
        00.00.0000 00:00
        +1

        Мы тоже хотели, выкинуть аналоговый шкаф и поставить панельный компьютер и управлять работой приводов, но упёрлись в изменение проекта ЭКГ, т.к. техника подотчётная Ростехнадзору и все измнения нельзя делать так просто, а они быстро увидят изменения.


        1. legor2012
          00.00.0000 00:00

          Без проекта на опасных производственных объектах никуда не денешься, Ростехнадзор запретит эксплуатацию, есть организации с гораздо более печальными последствиями - ###. Но выгоды вполне могут окупить затраты за несколько дней (бывает и за несколько часов).


        1. kokorina_es Автор
          00.00.0000 00:00

          Да, Ростехнадзор наш карьер очень любит и регулярно проводит инспекции.


  1. Fenatik
    00.00.0000 00:00

    За ИИ будущее


  1. anvar_khafizov
    00.00.0000 00:00

    А как работает 3д моделирование? с помощью какой программы его создавали? 3д модеди белазов дополняли существующие фото для обучентя на синтетике или использовалась отдельная синтетическая 3д сцена? Если дополняли, то как автоматизировали процесс генерации таких фото?