Get best of the week

Bagaimana kami mengambil saringan dari seorang lelaki dan membantu penggilingan itu

Manfaat AI (dan semua teknologi terkait) sulit ditaksir terlalu tinggi. Jaringan saraf yang terlatih dengan baik dapat menumbuhkan minat pada teknologi itu sendiri, misalnya, dengan membuat topeng untuk jejaring sosial atau menghasilkan lagu dengan gaya artis favorit Anda, dan menunjukkan manfaat praktis dalam kasus nyata - dari memprediksi acara produksi hingga menemukan orang hilang.

Dalam posting ini, kita hanya akan berbicara tentang aplikasi praktis AI dalam industri berat (ya, kita tidak bisa hanya melakukan aplikasi), yaitu, bagaimana teknologi membantu satu pabrik pengolahan bijih secara signifikan meningkatkan efisiensi kerja dan berhenti mengejar orang beberapa kali di sehari menyaring potongan batu melalui saringan besar.



Pada tahun 1949, pilot eksplorasi Soviet Mikhail Surgutanov terbang di atas salah satu wilayah Kazakhstan (saluran Sarbay) dan, melihat kompas, memperhatikan bahwa panah mulai mengabaikan Utara dan menyembuhkan hidupnya. Ya, seperti di film ketika beberapa jenis anomali magnetik terdeteksi.

Sebenarnya, dialah yang dikonfirmasi oleh ahli geologi yang tiba di tempat itu. Dan kemudian itu sederhana: karena ada lebih banyak deposit bijih besi di sini, perlu untuk menambangnya. Hasilnya adalah pembangunan pabrik penambangan dan pengolahan Sokolovsko-Sarbaisky pada tahun 1957 . Maka ada seseorang untuk mengerjakannya, pada saat yang sama membangun sebuah kota, yang disebut Rudny.

Saat ini, sekitar 115.000 orang tinggal di kota, dan ini adalah produksi terbesar di Kazakhstan, memproses lebih dari 40 juta ton bijih besi per tahun.

Mengapa bijih harus digiling sesuai ukuran


Ide pengolahan bijih adalah untuk mengekstraksi logam dari itu. Dalam kasus kami, bijih adalah besi dan besi diperoleh darinya, untuk itu mereka membuang bijih ke dalam tungku dan secara aktif melelehkannya. Untuk memberi makan kompor segera sepotong bijih seukuran kulkas adalah ide. Bijih harus dihancurkan. Oleh karena itu, setelah penghancuran awal batu, potongan bijih didorong melalui pabrik khusus, yang memberikan fraksi yang diinginkan pada output.

Di pabrik inilah kami fokus. Terima kasih kepada orang-orang dari ERG (Eurasian Group) kami mendapat kesempatan untuk berpartisipasi dalam proyek ini dari sudut pandang perangkat lunak dan menawarkan solusi kami.

Efisiensi pabrik dipengaruhi oleh parameter berikut: distribusi ukuran partikel bijih itu sendiri, pasokan air dan mode operasi itu sendiri (daya yang disediakan, torsi, dll.). Masalahnya adalah bahwa biasanya dalam produksi parameter semacam ini (misalnya, ukuran fragmen bijih input) terpapar ke mata. Artinya, karyawan mengambil saringan besar beberapa kali sehari dan menyaring bijih melewatinya, dan kemudian atas dasar ini mendirikan pabrik.

gambar

Sebagai contoh, seorang spesialis meresepkan mode operasi berdasarkan satu gran. komposisi (masing-masing, satu kali) - dan gilingan akan bekerja tepat kali ini. Jika seseorang direasuransikan dengan perhitungan, maka gilingan akan berhasil menggiling semuanya, tetapi untuk beberapa waktu akan berputar idle.

Jika Anda menetapkan waktu pengoperasian pabrik lebih sedikit, maka beberapa bagian tidak akan digiling sesuai ukuran yang diperlukan, dan Anda harus memulai proses lagi. Dan setiap menit operasi pabrik itu adalah tagihan listrik dan air, belum lagi waktu yang dihabiskan pada prinsipnya - Anda harus memuat ulang bijih dan memperbarui pengaturan pabrik. Pekerjaan sehari dalam mode ini dengan peluncuran berulang bisa mahal untuk pabrik, dan jika situasi ini menjadi norma, maka kerugian finansial tahunan akan sangat terlihat.

Oleh karena itu, menentukan ukuran bijih pada konveyor adalah tugas penting, dan kita harus melakukan ini seakurat mungkin.

gambar

Bagaimana pekerjaannya



Kami pertama kali membuat sketsa beberapa opsi, dari analisis x-ray dan laser ke model 3D dan penggunaan ultrasound, tetapi memutuskan untuk menggunakan sistem dari kamera video dan kemampuan penglihatan komputer: kualitasnya rata, tetapi sumber daya proyek secara nyata tersimpan.

Saat Anda membuat sistem yang harus mengevaluasi beberapa objek secara visual dan membaginya menjadi "benar" dan "salah", Anda perlu memasukkan "benar" ini ke algoritme sehingga ada sesuatu yang menjadi fokus. Berdasarkan informasi dari ERG, kami mendaftarkan lokasi peralatan - di mana dan apa yang harus diletakkan, di mana beberapa sampul, cara memasang kamera video dan banyak lagi. (Tetapi dengan pengiriman peralatan, semuanya tidak berjalan begitu cepat: pilot datang pada bulan Mei, jadi setengah dari rekanan beralih ke mode "Ayo setelah Mei").

gambar

Hal lain adalah bahwa rekaman itu bergerak dengan kecepatan 2 meter per detik, jadi dalam beberapa 50 detik bijih berhasil melewati standar untuk seratus meter.

Kami butuh beberapa minggu untuk menyiapkan kamera dan mengumpulkan foto untuk melatih model, di mana saat itu kami berhasil mengumpulkan sekitar 2000 foto yang sesuai, dan kami mulai menata gambar dalam mode semi-otomatis. Kami memotret semuanya, dengan cara, pada kamera industri Basler dengan kecepatan rana 1/2000, jika tidak sulit untuk mendapatkan foto yang memadai dari objek kecil yang bergerak dengan kecepatan tinggi. Secara total, tiga kamera semacam itu dibeli, tetapi sejauh ini dua di antaranya berfungsi.


Ini adalah bagaimana rekaman terlihat dengan mata kamera

Jadi, batu-batu yang harus dikirim ke pabrik penggilingan, dianggap potongan lebih besar dari 16 milimeter. Kurang dari itu dianggap sampah terkait (pasir, debu, hal-hal sepele). Jika sepotong bijih kurang dari koin 1 kopeck (berdiameter 15,5 mm), ini adalah, dan segala sesuatu yang lebih besar harus dianggap sebagai muatan untuk pabrik.


Ini adalah bagaimana algoritma penandaan otomatis melihat batu, dijelaskan di bawah

Proses


gambar


gambar
, , 4 . 2 ( ), .

gambar

gambar


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

Kemudian algoritma mengubah data ini menjadi metrik numerik dan menghitung luas setiap bagian bijih, yang memberi kita nilai rata-rata (rasio area piksel dari batu yang diperlukan ke area konveyor), ditambah rata-rata mengambang dihitung untuk frame tetangga.

Tapi bukan foto tunggal, rekan ERG memberi kami banyak data historis yang berguna selama beberapa tahun, yang memungkinkan untuk menentukan persentase ukuran fragmen bijih (komposisi granular dan proporsi batu besar dalam massa total). Pengawasan video memungkinkan Anda untuk mengevaluasi hanya lapisan atas bijih pada kaset, jadi kami memperkirakan semuanya di bawahnya.

Secara umum, kami mengumpankan foto algoritme batu pada pita, menandai gambar dengan batu yang lebih besar dari 16 mm, data historis dari ERG dan pergi untuk menguji. Akurasi output ternyata sekitar 80%, pada skala pabrik dan dalam kondisi konveyor, ini adalah hasil yang baik. Menggunakan semua informasi ini, algoritma menentukan persentase kehalusan pelet bijih. Dan ini adalah parameter dari mana mereka menolak saat mengatur pabrik.

Cara melatih jaringan saraf


Basis kami diimplementasikan pada jaringan Fast-SCNN berdasarkan UNet, tetapi tidak dengan begitu banyak parameter untuk pelatihan, ditambah ada lapisan untuk memerangi efek kehilangan informasi pada tingkat pengurangan dimensi yang kuat dan sejumlah optimisasi bermanfaat lainnya. Salah satu fitur utama dari jaringan tersebut adalah kemampuan untuk secara memadai mengurangi ukuran gambar output dengan 8 kali tinggi dan lebar. Para penulisnya percaya bahwa menggunakan gambar yang lebih dari 1024 piksel tidak praktis, karena kedua jaringan ternyata memiliki kualitas yang kira-kira sama, tetapi jumlah parameter untuk pelatihan berbeda dengan beberapa urutan besarnya.

Kami melakukan beberapa percobaan dan mengidentifikasi untuk diri kami model terbaik dalam hal visualisasi, untuk verifikasi yang kami butuhkan validasi dalam hal akurasi. Untuk melakukan itu, kami menandai beberapa foto dengan tangan kami sendiri untuk memeriksa seberapa baik grid akan mengenali batu (akurasi diperoleh pada awal 55,3% dalam hal piksel).

Berikut ini contoh visualisasi.

  • Warna ungu menunjukkan piksel batu yang dikenali dengan benar.
  • Biru - piksel batu yang dikenali oleh prediktor sebagai latar belakang.
  • Dan merah - piksel latar belakang, yang dikenali oleh sang prediktor sebagai batu.






Menarik kesimpulan, mendorong beberapa latihan lagi, membawa akurasi menjadi 64,1%. Ternyata sudah seperti ini.





Seperti yang Anda lihat, pelatihan ternyata bermanfaat. Area merah yang menunjukkan jumlah kesalahan tidak ditandai selama penandaan manual. Ya, batu juga bisa terlihat di sana, tetapi ukurannya akan jauh lebih kecil dari yang kita butuhkan. Idenya adalah untuk tidak hanya mengurangi jumlah area yang diprediksi salah (piksel merah), tetapi juga meningkatkan jumlah yang biru. Metrik terakhir memperhitungkan fakta bahwa piksel latar belakang jauh lebih besar, sehingga bahkan sedikit penghapusan area merah tidak meningkatkan akurasi sebanyak definisi yang ditingkatkan dari yang biru.

Tapi itu perlu untuk sedikit meningkatkan volume markup. Untuk melakukan semuanya dengan tangan Anda, tentu saja, baik, tetapi dalam skala tertentu. Oleh karena itu, mereka meluncurkan penandaan semi-otomatis dengan bantuan alat tambahan, ini terjadi ketika di beberapa tempat Anda duduk dan menata secara manual, dan di beberapa tempat pemilihan area otomatis dilakukan. Berikut adalah contoh visualisasi: Secara



total, 33 foto lainnya ditandai, pelatihan tambahan dilakukan pada 29, dan kemudian kami memeriksa hasilnya pada empat gambar dari batch baru dan empat dari yang sebelumnya (yang ditandai secara manual). Inilah hasilnya: akurasi penandaan manual adalah 64,25%, akurasi semi-otomatis - 62,7%. Inilah visualisasi.





Mereka mencoba untuk menambah markup semi-otomatis lebih lanjut, tetapi kualitasnya tidak meningkat secara signifikan, sehingga mereka mulai menganggap model ini sebagai yang terakhir dalam pilot.

Dalam bisnis


Karena sabuk bergerak cepat dan mengelola untuk mengangkut banyak batu dalam satu menit, data berat bijih diperbarui satu detik sekali. Jelas bahwa ketika Anda memiliki data seperti itu, Anda tidak benar-benar ingin meninggalkannya di suatu tempat di tanda berkedip, dan kami membuat dasbor khusus untuk karyawan pabrik dengan representasi visual dari proses tersebut. Anda dapat melacak hasil keseluruhan untuk periode yang diinginkan, dinamika perubahan dan angka lainnya.



Pada bulan Juli, kami menyelesaikan pelatihan algoritme dan menyiapkan semua proses terkait, dan pada bulan Agustus kami meluncurkan pilot penuh di salah satu jalur pipa. ERG setelah memeriksa model mengatakan bahwa akurasinya mencapai 98%.

Kami menempatkan server untuk mengontrol kamera di jalur perakitan tepat di pabrik: pembelajaran mesin dan visi komputer agak mirip dengan Chrome, mereka dengan senang hati akan "menghabiskan" semua sumber daya yang akan Anda miliki. Oleh karena itu, tanaman, server, dan kartu video GeForce GTX 1080.

Kami membuat layanan web di Docker, kami memasukkannya dalam 5 gambar:

  • layanan websocket. Untuk menambahkan kemampuan websocket untuk bekerja dengan beberapa artis, ini adalah perantara antara websocket di jendela browser dan wadah docker db.
  • servis data. Layanan untuk berkomunikasi dengan kamera, mengenali batu dalam gambar, mendapatkan metrik dalam hal batu, berisi model yang dikembangkan.
  • depan. Nginx proksi untuk mengakses sistem.
  • db. Gambar akses ke akumulasi database.
  • layanan depan. Gambar antarmuka web, serta akses ke API.


Hasilnya adalah efek yang tepat yang harus dimiliki AI dan teknologi pembelajaran mesin pada proses produksi - keseluruhan produktivitas tenaga kerja meningkat, pengaruh faktor manusia diratakan, lebih banyak zat besi diekstraksi dan, yang paling penting, biaya produksi produk akhir dikurangi.

Direktur departemen metalurgi mengatakan kepada kami bahwa sesuai dengan hasil tahun 2020, direncanakan untuk menghasilkan sekitar 200.000 ton produk jadi tambahan menggunakan model, sedangkan biaya produksi akan turun sekitar 5%. Karena itu, orang-orang dari pabrik berencana untuk memperkenalkan teknologi ini dalam semua proses serupa.

Baik dan ya, tentang kisah-kisah horor standar di pos-pos semacam itu. Tidak ada yang akan memecat sekelompok orang setelah pengenalan teknologi mesin. Teknisi yang baik tetap menjadi spesialis yang baik setelah itu.

Dan bagi pekerja yang sesekali menyaring bijih melalui saringan, Anda dapat dengan mudah menemukan pekerjaan yang lebih berguna di pabrik.

More articles:


All Articles