Get best of the week

كيف أخذنا منخل من رجل وساعدنا الطاحونة

من الصعب المبالغة في تقدير فوائد الذكاء الاصطناعي (وجميع التقنيات ذات الصلة). يمكن للشبكات العصبية المدربة بشكل صحيح أن تعزز الاهتمام بالتكنولوجيا نفسها ، على سبيل المثال ، من خلال إنشاء أقنعة للشبكات الاجتماعية أو إنشاء الأغاني بأسلوب الفنانين المفضلين لديك ، وإظهار الفوائد العملية في الحياة الواقعية - من التنبؤ بأحداث الإنتاج إلى العثور على الأشخاص المفقودين.

في هذا المنشور ، سنتحدث فقط عن التطبيق العملي للذكاء الاصطناعي في الصناعة الثقيلة (نعم ، لا يمكننا تنفيذ التطبيقات فقط) ، أي كيف ساعدت التقنيات مصنع معالجة خام واحد على زيادة كفاءة العمل بشكل كبير والتوقف عن مطاردة الأشخاص عدة مرات في نخل اليوم قطع من الصخور من خلال منخل كبير.



في عام 1949 ، طار طيار الاستكشاف السوفييتي ميخائيل سورجوتانوف فوق أحد أراضي كازاخستان (منطقة سارباي) ولاحظ ، بالنظر إلى البوصلة ، أن السهم بدأ يتجاهل الشمال وشفى حياته. نعم ، كما هو الحال في فيلم عندما يتم الكشف عن نوع من الشذوذ المغناطيسي.

في الواقع ، كانت هي التي أكدها الجيولوجيون الذين وصلوا إلى المكان. ثم كان الأمر بسيطًا: نظرًا لوجود المزيد من رواسب خام الحديد هنا ، فمن الضروري تعدينه. وكانت النتيجة بناء مصنع سوكولوفسكو-ساربايسكي للتعدين والمعالجة عام 1957 . وهكذا كان هناك شخص يعمل عليها ، وفي نفس الوقت قام ببناء مدينة سميت رودني.

اليوم ، يعيش حوالي 115000 شخص في المدينة ، وهذا هو أكبر إنتاج في كازاخستان ، حيث يعالج أكثر من 40 مليون طن من خام الحديد سنويًا.

لماذا يحتاج الخام إلى التأريض


الفكرة الأساسية من معالجة الخام هي استخراج المعادن منه. في حالتنا ، يكون الخام من الحديد ويتم الحصول على الحديد منه ، حيث يرمون الخام في الفرن ويصهره بنشاط. لإطعام الموقد على الفور قطعة من خام بحجم الثلاجة فكرة. يجب سحق الخام. لذلك ، بعد التكسير الأولي للصخور ، يتم دفع قطع الخام من خلال مطحنة خاصة ، والتي تعطي الجزء المطلوب عند الإخراج.

كان في هذا الطاحونة التركيز. بفضل رفاق ERG (مجموعة يوراسيا) ، حصلنا على فرصة المشاركة في هذا المشروع من وجهة نظر برمجية وتقديم حلولنا.

تتأثر كفاءة المطحنة بالمعايير التالية: توزيع حجم الجسيمات للخام نفسه ، وإمدادات المياه ووضع التشغيل نفسه (الطاقة الموردة ، وعزم الدوران ، وما إلى ذلك). المشكلة هي أنه في الإنتاج عادة ما يتعرض هذا النوع من المعلمات (على سبيل المثال ، حجم شظايا مدخلات الخام) للعين. أي أن الموظف يأخذ منخلًا كبيرًا بضع مرات في اليوم وينقل الخام من خلاله ، ثم على أساس هذا يقوم بإعداد المطحنة.

صورة

على سبيل المثال ، وصف أحد المتخصصين طريقة تشغيل تستند إلى حبيبة واحدة. التكوين (على التوالي ، مرة واحدة) - وستعمل المطحنة بدقة هذه المرة. إذا تم إعادة التأمين على شخص ما بالحسابات ، فإن المطحنة ستطحن كل شيء بنجاح ، ولكن لبعض الوقت ستدور الخمول.

إذا قمت بتعيين وقت تشغيل المصنع أقل ، فلن يتم طحن بعض القطع ببساطة إلى الحجم المطلوب ، وسيتعين عليك بدء العملية مرة أخرى. وفي كل دقيقة من تشغيل المطحنة ، تكون فاتورة الكهرباء والماء ، ناهيك عن الوقت المستغرق من حيث المبدأ - سيتعين عليك إعادة تحميل الخام وتحديث إعدادات المصنع. يمكن أن يكون العمل اليومي في هذا الوضع مع عمليات الإطلاق المتكررة مكلفًا للمصنع ، وإذا أصبح هذا الوضع هو القاعدة ، فستكون الخسائر المالية السنوية ملحوظة للغاية.

لذلك ، يعد تحديد حجم الخام على الناقل مهمة مهمة ، ويجب علينا القيام بذلك بأكبر قدر ممكن من الدقة.

صورة

كيف كان العمل



لقد رسمنا أولاً عدة خيارات ، من تحليل الأشعة السينية والليزر إلى النموذج ثلاثي الأبعاد واستخدام الموجات فوق الصوتية ، لكننا قررنا استخدام النظام من كاميرات الفيديو وقدرات رؤية الكمبيوتر: الجودة هي المستوى ، ولكن يتم حفظ موارد المشروع بشكل ملحوظ.

عندما تنشئ نظامًا يجب أن يقيِّم بعض الأشياء بشكل مرئي ويقسمها إلى "صحيح" و "خطأ" ، تحتاج إلى تغذية هذا "الحق" إلى الخوارزمية بحيث يكون لديها شيء للتركيز عليه. استنادًا إلى المعلومات الواردة من ERG ، قمنا بتسجيل موقع المعدات - أين وماذا يجب وضعه ، وأين توجد بعض الأغطية ، وكيفية تثبيت كاميرات الفيديو والمزيد. (ولكن مع تسليم المعدات ، لم يكن كل شيء يسير بسرعة: جاء الطيار في مايو ، لذا تحول نصف الأطراف المقابلة إلى وضع "تعال بعد مايو").

صورة

شيء آخر هو أن الشريط يتحرك بسرعة 2 متر في الثانية ، لذلك في حوالي 50 ثانية تمكنت قطعة من الخام من تمرير المعيار لمائة متر.

استغرق الأمر عدة أسابيع لإعداد كاميرات وجمع صور فوتوغرافية لتدريب النموذج ، وخلال ذلك الوقت تمكنا من جمع حوالي 2000 صورة مناسبة ، وبدأنا في وضع الصور في وضع شبه تلقائي. نلتقط كل شيء ، بالمناسبة ، على كاميرات باسلر الصناعية بسرعة غالق 1 / 2000s ، وإلا فإنه من الصعب الحصول على صور كافية للأجسام الصغيرة تتحرك بسرعة عالية. في المجموع ، تم شراء ثلاث من هذه الكاميرات ، ولكن حتى الآن اثنان منهم يعملان.


هكذا يبدو الشريط بعيون الكاميرا

لذلك ، تعتبر الأحجار التي يجب إرسالها إلى مطحنة الطحن قطعًا أكبر من 16 ملم. يعتبر أي شيء أقل من القمامة ذات الصلة (الرمل والغبار وغيرها من التفاهات). إذا كانت قطعة خام أقل من عملة كوبيك واحدة (يبلغ قطرها 15.5 مم) ، فهذا يعني أن كل شيء أكبر يجب اعتباره حمولة للمصنع.


هذه هي الطريقة التي ترى بها خوارزمية وضع العلامات التلقائي الأحجار ، الموضحة أدناه

معالجة


صورة


صورة
, , 4 . 2 ( ), .

صورة

صورة


, 15 ( , , 16 , 16 20 , 15, ).

ثم تحول الخوارزمية هذه البيانات إلى مقاييس رقمية وتحسب مساحة كل قطعة من الركاز ، مما يمنحنا متوسط ​​القيم (نسبة مساحة البكسل للحجارة المطلوبة إلى منطقة الناقل) ، بالإضافة إلى حساب متوسط ​​عائم على الإطارات المجاورة.

ولكن ليس صورة واحدة ، فقد أعطانا زملاء ERG الكثير من البيانات التاريخية المفيدة لعدة سنوات ، والتي كان من الممكن من خلالها تحديد النسبة المئوية لحجم قطعة الخام (التركيب الحبيبي ونسبة الأحجار الكبيرة في الكتلة الإجمالية). تسمح لك المراقبة بالفيديو بتقييم الطبقة العليا فقط من الخام على الشريط ، لذلك توقعنا كل شيء تحته.

بشكل عام ، قمنا بتغذية صور الخوارزمية للحجارة على الشريط ، ووضع علامة على الصور بالحجارة التي يزيد حجمها عن 16 مم ، والبيانات التاريخية من ERG وذهبت للاختبار. تحولت دقة الإخراج إلى حوالي 80 ٪ ، على نطاق المصنع وفي ظروف الناقل ، هذه نتيجة جيدة. باستخدام كل هذه المعلومات ، تحدد الخوارزمية النسبة المئوية لنقاء حبيبات الخام. وهذه هي المعلمة التي يصدون منها عند إنشاء المطحنة.

كيفية تدريب شبكة عصبية


الأساس الذي قمنا بتطبيقه على شبكة Fast-SCNN استنادًا إلى UNet ، ولكن ليس مع العديد من المعلمات للتدريب ، بالإضافة إلى وجود طبقات لمكافحة تأثير فقدان المعلومات على مستويات تقليل الأبعاد القوي وعدد من التحسينات المفيدة الأخرى. واحدة من الميزات الرئيسية لهذه الشبكة هي القدرة على تقليل حجم صورة الإخراج بشكل كافٍ بمقدار 8 أضعاف الارتفاع والعرض. يعتقد مؤلفوها أنه من غير العملي استخدام صور أكثر من 1024 بكسل على الجانب ، لأن كلا الشبكتين يتبين أنهما بنفس الجودة تقريبًا ، لكن عدد معلمات التدريب يختلف باختلاف الحجم.

لقد أجرينا العديد من التجارب وحددنا لأنفسنا أفضل نموذج من حيث التصور ، للتحقق من أننا نحتاج إلى التحقق من حيث الدقة. لإجراء ذلك ، قمنا بتمييز العديد من الصور بأيدينا من أجل التحقق من مدى جودة الشبكة في التعرف على الأحجار (تم الحصول على الدقة في بداية 55.3٪ من حيث البكسل).

هنا مثال على التصور.

  • يشير اللون الأرجواني إلى وحدات البكسل المعترف بها بشكل صحيح.
  • الأزرق - بكسل من الحجارة يعرفها المتنبئ كخلفية.
  • والأحمر - بكسل للخلفية ، والتي اعترف بها المتنبئ بالحجارة.






استخلاص النتائج ، وقيادة عدد قليل من التدريبات ، ليصل الدقة إلى 64.1٪. اتضح مثل هذا بالفعل.





كما ترى ، تبين أن التدريب مفيد. لم يتم تمييز المناطق الحمراء التي تشير إلى عدد الأخطاء أثناء وضع العلامات اليدوي. نعم ، يمكن أن تكون الأحجار مرئية أيضًا ، لكن حجمها سيكون أصغر بكثير مما نحتاجه. كانت الفكرة ليس فقط تقليل عدد المناطق التي تم التنبؤ بها بشكل غير صحيح (بكسل أحمر) ، ولكن أيضًا زيادة عدد المناطق الزرقاء. يأخذ المقياس النهائي في الاعتبار حقيقة أن وحدات بكسل الخلفية أكبر بكثير ، لذلك حتى الإزالة الطفيفة للمناطق الحمراء لا تزيد من الدقة مثل التعريف المحسن للمساحات الزرقاء.

ولكن كان من الضروري زيادة حجم الترميز بشكل طفيف. إن القيام بكل شيء بيديك ، بالطبع ، أمر جيد ، ولكن ضمن نطاق معين. لذلك ، أطلقوا وضع العلامات شبه الأوتوماتيكية بمساعدة أدوات إضافية ، وذلك عندما تجلس في بعض الأماكن وتضع يدويًا ، وفي بعض الأماكن ، يتم الاختيار التلقائي للمناطق. فيما يلي مثال على التصور: في



المجموع ، تم تمييز 33 صورة أخرى ، وتم إجراء تدريب إضافي في 29 ، ثم قمنا بفحص النتائج على أربع صور من الدفعة الجديدة وأربع من الصورة السابقة (التي تم تمييزها يدويًا). إليكم النتيجة: كانت دقة الوسم اليدوي 64.25٪ ، والدقة شبه الأوتوماتيكية - 62.7٪. هنا التصور.





حاولوا تجديد الترميز شبه الأوتوماتيكي أكثر ، لكن الجودة لم تزداد بشكل ملحوظ ، لذلك بدأوا يعتبرون هذا النموذج كنموذج نهائي داخل الطيار.

في الاعمال


نظرًا لأن الحزام يتحرك بسرعة ويدير نقل الكثير من الأحجار في دقيقة واحدة ، يتم تحديث بيانات وزن الخام مرة واحدة في الثانية. من الواضح أنه عندما يكون لديك مثل هذه البيانات ، فأنت لا ترغب حقًا في تركها في مكان ما في العلامات الوامضة ، وقمنا بإنشاء لوحات تحكم خاصة لموظفي المصنع مع تمثيل مرئي للعملية. يمكنك تتبع النتائج الإجمالية للفترة المطلوبة ، وديناميكيات التغييرات والأرقام الأخرى.



في يوليو ، انتهينا من تدريب الخوارزمية وإعداد جميع العمليات ذات الصلة ، وفي أغسطس أطلقنا تجربة تجريبية كاملة على أحد خطوط الأنابيب. قال ERG بعد التحقق من النماذج أن دقتها تصل إلى 98 ٪.

نضع الخادم للتحكم في الكاميرات على خط التجميع في المصنع مباشرة: التعلم الآلي ورؤية الكمبيوتر يشبهان إلى حد ما كروم ، وسوف يسعدهما "تناول" جميع الموارد التي لديك. لذلك ، بطاقة المصنع والخادم وبطاقة الفيديو GeForce GTX 1080.

قمنا بعمل خدمة ويب على Docker ، وضعناها في 5 صور:

  • خدمة websocket. لإضافة قدرة websocket للعمل مع العديد من الفنانين ، هذا هو وسيط بين websocket في نافذة المتصفح وحاوية dber docker.
  • خدمة البيانات. خدمة للتواصل مع الكاميرا ، والتعرف على الأحجار في الصور ، والحصول على المقاييس من حيث الأحجار ، تحتوي على نموذج مطور.
  • أمامي. وكلاء Nginx للوصول إلى النظام.
  • ديسيبل. صورة الوصول إلى قاعدة البيانات المتراكمة.
  • الخدمة الأمامية. صورة واجهة الويب ، بالإضافة إلى الوصول إلى API.


والنتيجة هي التأثير الصحيح الذي يجب أن يكون لتقنيات الذكاء الاصطناعي والتعلم الآلي على عمليات الإنتاج - حيث تزيد إنتاجية العمالة بشكل عام ، ويتم تسوية تأثير العامل البشري ، ويتم استخراج المزيد من الحديد ، والأهم من ذلك ، يتم تقليل تكلفة تصنيع المنتج النهائي.

أخبرنا مدير قسم المعادن أنه وفقًا لنتائج عام 2020 ، باستخدام النموذج ، من المخطط إنتاج حوالي 200،000 طن من المنتجات النهائية بالإضافة إلى ذلك ، بينما ستنخفض تكلفة الإنتاج بنحو 5 ٪. لذلك ، يخطط الأشخاص من المصنع لتقديم هذه التكنولوجيا في جميع العمليات المماثلة.

حسنًا ونعم ، عن قصص الرعب القياسية في مثل هذه المشاركات. لن يذهب أحد لإطلاق النار على مجموعة من الناس بعد إدخال تكنولوجيا الماكينة. يبقى الفني الجيد متخصصًا جيدًا بعد ذلك.

وبالنسبة للعمال الذين ينخلون في بعض الأحيان الخام عبر منخل ، يمكنك ببساطة العثور على وظيفة أكثر فائدة في المصنع.

More articles:


All Articles