Get best of the week

Como tiramos uma peneira de um homem e ajudamos o moinho

Os benefícios da IA ​​(e de todas as tecnologias relacionadas) são difíceis de superestimar. As redes neurais adequadamente treinadas podem promover o interesse na própria tecnologia, por exemplo, criando máscaras para redes sociais ou músicas geradas no estilo de seus artistas favoritos e mostrando benefícios práticos em casos reais - desde a previsão de eventos de produção até a localização de pessoas desaparecidas.

Neste post, falaremos apenas sobre a aplicação prática da IA ​​na indústria pesada (sim, não podemos apenas fazer aplicações), ou seja, como as tecnologias ajudaram uma planta de processamento de minério a aumentar significativamente a eficiência do trabalho e parar de perseguir as pessoas algumas vezes peneire pedaços de rocha através de uma peneira grande.



Em 1949, o piloto soviético Mikhail Surgutanov sobrevoou um dos territórios do Cazaquistão (trato de Sarbay) e, olhando a bússola, percebeu que a flecha começou a ignorar o norte e curou sua vida. Sim, como em um filme quando algum tipo de anomalia magnética é detectada.

Na verdade, foi ela quem foi confirmada pelos geólogos que chegaram ao local. E então foi simples: como há mais depósito de minério de ferro aqui, é necessário minerá-lo. O resultado foi a construção em 1957 da planta de mineração e processamento de Sokolovsko-Sarbaisky . E havia alguém para trabalhar nisso, ao mesmo tempo em que construiu uma cidade, chamada Rudny.

Hoje, cerca de 115.000 pessoas vivem na cidade e, essa é a maior produção do Cazaquistão, processa mais de 40 milhões de toneladas de minério de ferro por ano.

Por que o minério precisa ser moído


A própria idéia do processamento de minério é extrair metal dele. No nosso caso, o minério é ferro e dele é obtido ferro, pelo qual jogam minério no forno e o derretem ativamente. Alimentar o fogão imediatamente com um pedaço de minério do tamanho de uma geladeira é uma idéia. O minério deve ser triturado. Portanto, após o esmagamento inicial da rocha, as peças de minério são conduzidas através de um moinho especial, que fornece a fração desejada na produção.

Foi nessa fábrica que tivemos o foco. Graças ao pessoal do ERG (Eurasian Group) , tivemos a oportunidade de participar deste projeto do ponto de vista de software e oferecer nossas soluções.

A eficiência do moinho é influenciada pelos seguintes parâmetros: distribuição do tamanho de partícula do próprio minério, suprimento de água e modo de operação propriamente dito (potência fornecida, torque, etc.). O problema é que geralmente na produção esse tipo de parâmetro (por exemplo, o tamanho dos fragmentos de minério de entrada) é exposto ao olho. Ou seja, o funcionário pega uma peneira grande algumas vezes ao dia e peneira o minério através dela e, com base nisso, monta a fábrica.

imagem

Por exemplo, um especialista prescreveu um modo de operação com base em um gran. composição (respectivamente, uma vez) - e o moinho funcionará precisamente neste momento. Se uma pessoa for ressegurada com os cálculos, o moinho moerá com sucesso tudo, mas por algum tempo ficará inativo.

Se você definir o tempo de operação da fábrica menos, algumas peças simplesmente não serão trituradas com o tamanho necessário e você terá que iniciar o processo novamente. E a cada minuto da operação da usina são contas de eletricidade e água, sem mencionar o tempo gasto em princípio - você precisa recarregar o minério e atualizar as configurações da usina. Um dia de trabalho nesse modo com lançamentos repetidos pode ser caro para a fábrica e, se essa situação se tornar norma, as perdas financeiras anuais serão muito visíveis.

Portanto, determinar o tamanho do minério no transportador é uma tarefa importante, e devemos fazer isso com a maior precisão possível.

imagem

Como foi o trabalho



Primeiro esboçamos várias opções, da análise de raios-x e lasers a um modelo 3D e o uso de ultrassom, mas decidimos ainda usar um sistema de câmeras e recursos de visão computacional: a qualidade é nivelada, mas os recursos do projeto são visivelmente salvos.

Quando você cria um sistema que deve avaliar visualmente alguns objetos e dividi-los em “certo” e “errado”, você precisa alimentar esse “certo” ao algoritmo para que ele tenha algo em que se concentrar. Com base nas informações do ERG, registramos a localização do equipamento - onde e o que deve ser colocado, onde estão algumas capas, como instalar câmeras de vídeo e muito mais. (Mas com a entrega do equipamento, tudo não foi tão rápido: o piloto chegou em maio, então metade das contrapartes passou para o modo "Venha depois de maio").

imagem

Outra coisa é que a fita se move a uma velocidade de 2 metros por segundo; portanto, em cerca de 50 segundos, um pedaço de minério consegue passar o padrão por cem metros.

Levamos várias semanas para montar câmeras e coletar fotografias para treinar o modelo, durante o qual conseguimos coletar cerca de 2000 fotos adequadas e começamos a exibir as fotos em um modo semi-automático. A propósito, filmamos tudo em câmeras industriais Basler com velocidade de obturador de 1 / 2000s; caso contrário, é difícil obter fotos adequadas de pequenos objetos em movimento em alta velocidade. No total, três dessas câmeras foram compradas, mas até agora duas delas estão funcionando.


É assim que a fita fica com os olhos da câmera

Portanto, as pedras que devem ser enviadas para o moinho são consideradas peças maiores que 16 milímetros. Qualquer coisa menos é considerada lixo relacionado (areia, poeira, outras ninharias). Se um pedaço de minério é menor que uma moeda de 1 kopeck (tem 15,5 mm de diâmetro), isso ocorre e tudo o que for maior deve ser considerado uma carga útil para a usina.


É assim que o algoritmo de marcação automática vê as pedras, descritas abaixo

Processo


imagem


imagem
, , 4 . 2 ( ), .

imagem

imagem


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

Em seguida, o algoritmo converte esses dados em métricas numéricas e calcula a área de cada pedaço de minério, o que nos fornece valores médios (a proporção da área de pixels das pedras necessárias e a área do transportador), além de uma média flutuante sobre os quadros vizinhos.

Mas nem uma única foto, os colegas do ERG nos forneceram muitos dados históricos úteis por vários anos, com os quais foi possível determinar a porcentagem do tamanho do fragmento de minério (composição granular e proporção de pedras grandes na massa total). A vigilância por vídeo permite avaliar apenas a camada superior de minério na fita, portanto previmos tudo abaixo dela.

Em geral, alimentamos as fotos do algoritmo de pedras em uma fita, marcamos imagens com pedras maiores que 16 mm, dados históricos do ERG e fomos testar. A precisão da saída foi de cerca de 80%, em escala de planta e em condições de transportador, este é um bom resultado. Usando todas essas informações, o algoritmo determina a porcentagem de finura dos pellets de minério. E este é o próprio parâmetro do qual eles se repelem ao instalar o moinho.

Como treinar uma rede neural


A base que implementamos na rede Fast-SCNN baseada na UNet, mas não com tantos parâmetros para treinamento, além de haver camadas para combater o efeito da perda de informações em níveis de forte redução de dimensionalidade e várias outras otimizações úteis. Uma das principais características dessa rede é a capacidade de reduzir adequadamente o tamanho da imagem de saída em 8 vezes a altura e a largura. Seus autores acreditam que é impraticável usar imagens de mais de 1024 pixels ao lado, porque ambas as redes têm aproximadamente a mesma qualidade, mas o número de parâmetros para o treinamento difere em algumas ordens de magnitude.

Realizamos várias experiências e identificamos para nós mesmos o melhor modelo em termos de visualização, para verificação da qual precisávamos de validação em termos de precisão. Para conduzi-lo, marcamos várias fotos com nossas próprias mãos, a fim de verificar quão bem a grade reconhecerá as pedras (precisão obtida no início de 55,3% em termos de pixels).

Aqui está um exemplo de visualização.

  • A cor púrpura indica pixels de pedras reconhecidos corretamente.
  • Azul - pixels de pedras que o preditor reconheceu como plano de fundo.
  • E vermelho - pixels de fundo, que o preditor reconheceu como pedras.






Tire conclusões, conduziu mais alguns exercícios, elevando a precisão para 64,1%. Acabou assim já.





Como você pode ver, o treinamento acabou sendo útil. As áreas vermelhas indicando o número de erros não foram marcadas durante a marcação manual. Sim, as pedras também podem ser visíveis lá, mas seu tamanho seria muito menor do que o que precisamos. A idéia era não apenas reduzir o número de áreas previstas incorretamente (pixels vermelhos), mas também aumentar o número de áreas azuis. A métrica final leva em consideração o fato de os pixels de fundo serem muito maiores, portanto, mesmo uma leve remoção das áreas vermelhas não aumenta a precisão tanto quanto a definição aprimorada das azuis.

Mas foi necessário aumentar levemente o volume da marcação. Fazer tudo com as mãos, é claro, é bom, mas dentro de uma certa escala. Portanto, eles lançaram a marcação semiautomática com a ajuda de ferramentas adicionais. É quando, em alguns lugares, você senta e coloca o layout manualmente e, em alguns lugares, a seleção automática de áreas está envolvida. Aqui está um exemplo de visualização: no



total, outras 33 fotografias foram marcadas, um treinamento adicional foi realizado às 29 e, em seguida, verificamos os resultados em quatro imagens do novo lote e quatro do anterior (marcadas manualmente). Aqui está o resultado: a precisão da marcação manual foi de 64,25%, a precisão semi-automática - 62,7%. Aqui está a visualização.





Eles tentaram reabastecer ainda mais a marcação semiautomática, mas a qualidade não aumentou significativamente, então começaram a considerar esse modelo como o final do piloto.

Em negócios


Como a correia se move rapidamente e consegue transportar muitas pedras em um minuto, os dados de peso do minério são atualizados uma vez por segundo. É claro que, quando você tem esses dados, não deseja deixá-los em algum lugar nos sinais intermitentes, e criamos painéis especiais para os funcionários da fábrica com uma representação visual do processo. Você pode acompanhar os resultados gerais do período desejado, a dinâmica das alterações e outras figuras.



Em julho, terminamos o treinamento do algoritmo e a configuração de todos os processos relacionados e, em agosto, lançamos um piloto de pleno direito em um dos pipelines. O ERG, após verificar os modelos, disse que sua precisão chega a 98%.

Colocamos o servidor para controlar as câmeras na linha de montagem na fábrica: o aprendizado de máquina e a visão computacional são um pouco semelhantes ao Chrome; eles terão o prazer de “consumir” todos os recursos que você terá. Portanto, a fábrica, o servidor e as placas de vídeo GeForce GTX 1080.

Criamos um serviço da Web no Docker e colocamos em 5 imagens:

  • websocket-service. Para adicionar a capacidade do websocket de trabalhar com vários artistas, este é um intermediário entre o websocket na janela do navegador e o contêiner db docker.
  • serviço de dados. Um serviço de comunicação com uma câmera, reconhecendo pedras nas imagens, obtendo métricas em termos de pedras, contém um modelo desenvolvido.
  • frente. Proxies Nginx para acessar o sistema.
  • db. Imagem de acesso ao banco de dados acumulado.
  • serviço de frente. A imagem da interface da web, bem como o acesso à API.


O resultado é o efeito certo que as tecnologias de IA e aprendizado de máquina devem ter nos processos de produção - a produtividade geral da mão-de-obra aumenta, a influência do fator humano é nivelada, mais ferro é extraído e, mais importante, o custo de fabricação do produto final é reduzido.

O diretor do departamento de metalurgia nos disse que, de acordo com os resultados de 2020, usando o modelo, está planejado produzir cerca de 200.000 toneladas de produtos acabados adicionalmente, enquanto o custo de produção cairá cerca de 5%. Portanto, os funcionários da fábrica planejam introduzir essa tecnologia em todos os processos semelhantes.

Bem, sim, sobre histórias de horror comuns em tais posts. Ninguém vai demitir um monte de pessoas após a introdução da tecnologia da máquina. Um bom técnico continua sendo um bom especialista depois disso.

E para os trabalhadores que ocasionalmente peneiravam minério através de uma peneira, você pode simplesmente encontrar uma ocupação mais útil na fábrica.

More articles:


All Articles