Get best of the week

Cómo tomamos un tamiz de un hombre y ayudamos al molino

Los beneficios de la IA (y todas las tecnologías relacionadas) son difíciles de sobreestimar. Las redes neuronales adecuadamente entrenadas pueden fomentar el interés en la tecnología en sí, por ejemplo, creando máscaras para redes sociales o canciones generadas al estilo de sus artistas favoritos, y mostrar beneficios prácticos en casos reales, desde predecir eventos de producción hasta buscar personas desaparecidas.

En esta publicación, solo hablaremos sobre la aplicación práctica de IA en la industria pesada (sí, no solo podemos hacer aplicaciones), a saber, cómo las tecnologías ayudaron a una planta de procesamiento de minerales a aumentar significativamente la eficiencia del trabajo y dejar de perseguir a las personas un par de veces día tamizar piezas de roca a través de un gran tamiz.



En 1949, el piloto de exploración soviético Mikhail Surgutanov voló sobre uno de los territorios de Kazajstán (tracto Sarbay) y, mirando la brújula, notó que la flecha comenzó a ignorar el Norte y curó su vida. Sí, como en una película cuando se detecta algún tipo de anomalía magnética.

En realidad, fue ella quien fue confirmada por los geólogos que llegaron al lugar. Y luego fue simple: dado que hay más depósitos de mineral de hierro aquí, es necesario extraerlo. El resultado fue la construcción en 1957 de la planta minera y procesadora Sokolovsko-Sarbaisky . Y entonces había alguien para trabajar en eso, al mismo tiempo construyó una ciudad, que se llamaba Rudny.

Hoy, aproximadamente 115,000 personas viven en la ciudad, y esta es la producción más grande en Kazajstán, procesa más de 40 millones de toneladas de mineral de hierro por año.

¿Por qué el mineral necesita ser molido?


La idea misma del procesamiento del mineral es extraer metal de él. En nuestro caso, el mineral es hierro y el hierro se obtiene de él, para lo cual arrojan mineral al horno y lo funden activamente. Alimentar la estufa de inmediato es una idea una pieza de mineral del tamaño de un refrigerador. El mineral debe ser triturado. Por lo tanto, después de la trituración inicial de la roca, las piezas de mineral se conducen a través de un molino especial, que proporciona la fracción deseada en la salida.

Fue en este molino donde nos centramos. Gracias a los chicos de ERG (Eurasian Group) tuvimos la oportunidad de participar en este proyecto desde el punto de vista del software y ofrecer nuestras soluciones.

La eficiencia del molino está influenciada por los siguientes parámetros: distribución del tamaño de partícula del mineral en sí, suministro de agua y el modo de funcionamiento en sí (potencia suministrada, par, etc.). El problema es que generalmente en la producción este tipo de parámetros (por ejemplo, el tamaño de los fragmentos de mineral de entrada) están expuestos al ojo. Es decir, el empleado toma un tamiz grande un par de veces al día y tamiza el mineral a través de él, y luego, sobre la base de esto, instala el molino.

imagen

Por ejemplo, un especialista prescribió un modo de operación basado en un gran. composición (respectivamente, una vez) - y el molino funcionará precisamente esta vez. Si una persona es reasegurada con los cálculos, entonces el molino triturará todo con éxito, pero durante algún tiempo funcionará en reposo.

Si establece menos tiempo de operación del molino, entonces algunas piezas simplemente no se triturarán al tamaño requerido, y tendrá que comenzar el proceso nuevamente. Y cada minuto de la operación del molino son facturas de electricidad y agua, sin mencionar el tiempo dedicado en principio: debe volver a cargar el mineral y actualizar la configuración del molino. Un día de trabajo en este modo con lanzamientos repetidos puede ser costoso para la planta, y si esta situación se ha convertido en la norma, las pérdidas financieras anuales serán muy notables.

Por lo tanto, determinar el tamaño del mineral en el transportador es una tarea importante, y debemos hacerlo con la mayor precisión posible.

imagen

Como fue el trabajo



Primero esbozamos varias opciones, desde análisis de rayos X y láser hasta un modelo 3D y el uso de ultrasonido, pero decidimos seguir utilizando un sistema de cámaras y capacidades de visión por computadora: la calidad es nivelada, pero los recursos del proyecto se guardan notablemente.

Cuando crea un sistema que debe evaluar visualmente algunos objetos y dividirlos en "correcto" e "incorrecto", debe alimentar este "correcto" al algoritmo para que tenga algo en qué concentrarse. Según la información de ERG, registramos la ubicación del equipo: dónde y qué se debe colocar, dónde se encuentran algunas cubiertas, cómo instalar cámaras de video y más. (Pero con la entrega del equipo, no todo fue tan rápido: el piloto llegó en mayo, por lo que la mitad de las contrapartes cambiaron al modo "Vamos después de mayo").

imagen

Otra cosa es que la cinta se mueve a una velocidad de 2 metros por segundo, por lo que en unos 50 segundos una pieza de mineral logra pasar el estándar durante cien metros.

Nos tomó varias semanas configurar cámaras y recolectar fotografías para entrenar al modelo, tiempo durante el cual logramos recolectar aproximadamente 2000 fotos adecuadas, y comenzamos a diseñar imágenes en un modo semiautomático. Filmamos todo, por cierto, en cámaras industriales Basler con una velocidad de obturación de 1 / 2000s, de lo contrario es difícil obtener fotos adecuadas de objetos pequeños que se mueven a alta velocidad. En total, se compraron tres de esas cámaras, pero hasta ahora dos de ellas están funcionando.


Así se ve la cinta con los ojos de la cámara.

Por lo tanto, las piedras que deben enviarse al molino se consideran piezas de más de 16 milímetros. Cualquier cosa menos se considera basura relacionada (arena, polvo, otras bagatelas). Si una pieza de mineral es menor que una moneda de 1 kopeck (tiene un diámetro de 15.5 mm), esto es así, y todo lo que sea más grande debe considerarse como una carga útil para el molino.


Así es como el algoritmo de marcado automático ve las piedras, que se describen a continuación

Proceso


imagen


imagen
, , 4 . 2 ( ), .

imagen

imagen


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

Luego, el algoritmo convierte estos datos en métricas numéricas y calcula el área de cada pieza de mineral, lo que nos da valores promedio (la relación del área de píxeles de las piedras necesarias al área del transportador), además de un promedio flotante sobre los marcos vecinos.

Pero ni una sola foto, los colegas de ERG nos dieron muchos datos históricos útiles durante varios años, con los cuales fue posible determinar el porcentaje del tamaño del fragmento de mineral (composición granular y la proporción de piedras grandes en la masa total). La videovigilancia le permite evaluar solo la capa superior de mineral en la cinta, por lo que predijimos todo lo que está debajo.

En general, alimentamos el algoritmo con fotos de piedras en una cinta, marcamos imágenes con piedras de más de 16 mm, datos históricos de ERG y fuimos a probar. La precisión de salida resultó ser de aproximadamente el 80%, a escala de planta y en condiciones de transporte, este es un buen resultado. Usando toda esta información, el algoritmo determina el porcentaje de finura de los gránulos de mineral. Y este es el mismo parámetro desde el cual se repelen al configurar el molino.

Cómo entrenar una red neuronal


La base que hemos implementado en la red Fast-SCNN basada en UNet, pero no con tantos parámetros para el entrenamiento, además de que hay capas para combatir el efecto de la pérdida de información a niveles de fuerte reducción de dimensionalidad y una serie de otras optimizaciones útiles. Una de las características principales de dicha red es la capacidad de reducir adecuadamente el tamaño de la imagen de salida en 8 veces la altura y el ancho. Sus autores creen que no es práctico usar imágenes de más de 1024 píxeles en el lateral, porque ambas redes resultan ser de aproximadamente la misma calidad, pero el número de parámetros para el entrenamiento difiere en un par de órdenes de magnitud.

Realizamos varios experimentos e identificamos por nosotros mismos el mejor modelo en términos de visualización, para la verificación de los cuales necesitábamos validación en términos de precisión. Para llevarlo a cabo, marcamos varias fotos con nuestras propias manos para verificar qué tan bien la cuadrícula reconocerá las piedras (precisión obtenida al comienzo del 55.3% en términos de píxeles).

Aquí hay un ejemplo de visualización.

  • El color púrpura indica píxeles de piedras correctamente reconocidos.
  • Azul: píxeles de piedras que el predictor reconoció como fondo.
  • Y rojo: píxeles del fondo, que el predictor reconoció como piedras.






Saque conclusiones, condujo algunos entrenamientos más, llevando la precisión al 64.1%. Resultó así ya.





Como puede ver, la capacitación resultó ser útil. Las áreas rojas que indican el número de errores no se marcaron durante el marcado manual. Sí, las piedras también podrían ser visibles allí, pero su tamaño sería mucho más pequeño de lo que necesitamos. La idea era no solo reducir el número de áreas predichas incorrectamente (píxeles rojos), sino también aumentar el número de áreas azules. La métrica final tiene en cuenta el hecho de que los píxeles de fondo son mucho más grandes, por lo que incluso una ligera eliminación de las áreas rojas no aumenta la precisión tanto como la definición mejorada de las azules.

Pero fue necesario aumentar ligeramente el volumen de marcado. Hacer todo con las manos, por supuesto, es bueno, pero dentro de cierta escala. Por lo tanto, lanzaron el marcado semiautomático con la ayuda de herramientas adicionales, esto es cuando en algunos lugares te sientas y colocas manualmente, y en algunos lugares está involucrada la selección automática de áreas. Aquí hay un ejemplo de visualización: en



total, se marcaron 33 fotografías más, se realizó un entrenamiento adicional el 29, y luego verificamos los resultados en cuatro imágenes del nuevo lote y cuatro del anterior (que se etiquetaron manualmente). Aquí está el resultado: la precisión del marcado manual fue de 64.25%, la precisión semiautomática - 62.7%. Aquí está la visualización.





Intentaron reponer aún más el marcado semiautomático, pero la calidad no aumentó significativamente, por lo que comenzaron a considerar este modelo como el último dentro del piloto.

En los negocios


Dado que el cinturón se mueve rápidamente y logra transportar muchas piedras en un minuto, los datos del peso del mineral se actualizan una vez por segundo. Está claro que cuando tiene tales datos, realmente no desea dejarlos en algún lugar entre los signos intermitentes, e hicimos paneles especiales para los empleados de la planta con una representación visual del proceso. Puede realizar un seguimiento de los resultados generales para el período deseado, la dinámica de los cambios y otras cifras.



En julio, terminamos de entrenar el algoritmo y configurar todos los procesos relacionados, y en agosto lanzamos un piloto completo en una de las tuberías. ERG después de verificar los modelos dijo que su precisión alcanza el 98%.

Ponemos el servidor para controlar las cámaras en la línea de ensamblaje directamente en la planta: el aprendizaje automático y la visión por computadora son algo similares a Chrome, con mucho gusto "comerán" todos los recursos que tendrá. Por lo tanto, la planta, el servidor y las tarjetas de video GeForce GTX 1080.

Hicimos un servicio web en Docker, lo pusimos en 5 imágenes:

  • servicio websocket. Para agregar la capacidad de websocket para trabajar con varios artistas, esto es un intermediario entre el websocket en la ventana del navegador y el contenedor db docker.
  • servicio de datos. Un servicio para comunicarse con una cámara, reconocer piedras en imágenes, obtener métricas en términos de piedras, contiene un modelo desarrollado.
  • frente. Nginx proxies para acceder al sistema.
  • db. Imagen de acceso a la base de datos acumulada.
  • servicio frontal. La imagen de la interfaz web, así como el acceso a la API.


El resultado es el efecto justo que las tecnologías de inteligencia artificial y aprendizaje automático deberían tener en los procesos de producción: la productividad general aumenta, la influencia del factor humano se nivela, se extrae más hierro y, lo más importante, se reduce el costo de fabricación del producto final.

El director del departamento de metalurgia nos dijo que, según los resultados de 2020, utilizando el modelo, se planea producir aproximadamente 200,000 toneladas de productos terminados adicionalmente, mientras que el costo de producción caerá en aproximadamente un 5%. Por lo tanto, los chicos de la planta planean introducir esta tecnología en todos los procesos similares.

Bueno y sí, sobre historias de terror estándar en tales publicaciones. Nadie irá a despedir a un montón de personas después de la introducción de la tecnología de máquinas. Un buen técnico sigue siendo un buen especialista después de eso.

Y para los trabajadores que ocasionalmente tamizan mineral a través de un tamiz, simplemente puede encontrar una ocupación más útil en la planta.

More articles:


All Articles