3230
Контроль погрузки железной руды
2021 год.Оценка качества погрузки железной руды в вагоны с помощью набора камер и алгоритмов машинного зрения
Какую проблему решали
Железная руда доставляется от карьера до обогатительной фабрики Новолипецкого металлургического комбината в самосвалах и вагонах-думпкарах.
Соблюдение оптимальных норм загрузки каждого вида транспорта отслеживается работниками визуально, что нередко приводит к недостаточной или избыточной загрузке.
В результате растут себестоимость руды и амортизационные издержки предприятия.
Решение проблемы
Компания RDL by red_mad_robot разработала для НЛМК систему автоматизированного контроля качества погрузки руды. Она состоит из видеокамер над железнодорожными путями, где проходят думпкары, и алгоритма распознавания изображений. Система анализирует не только объем сырья в думпкарах, но и качество их загрузки – например, присутствие в вагонах больших валунов, не подлежащих дроблению на фабрике.
Автоматизация контроля качества позволяет в реальном времени давать обратную связь машинисту или экскаваторщику для корректировки процессов.
Применяемые технологии
В состав решения от RDL by red_mad_robot входят:
- Алгоритмы распознавания геометрического профиля погрузки руды и его соответствия паспорту загрузки;
- Алгоритмы распознавания перекосов и перегрузов руды;
- Модуль детектирования негабарита на этапах погрузки горной породы в думпкары и самосвалы.
Помимо обычных видеокамер применяются и камеры глубины, которые могут определять объем руды в думпкаре.
- Алгоритмы распознавания геометрического профиля погрузки руды и его соответствия паспорту загрузки;
- Алгоритмы распознавания перекосов и перегрузов руды;
- Модуль детектирования негабарита на этапах погрузки горной породы в думпкары и самосвалы.
Помимо обычных видеокамер применяются и камеры глубины, которые могут определять объем руды в думпкаре.
Бизнес-процесс
До проекта:
- Погрузку руды контролирует персонал, выборочно взвешивая сырье
- Контроль происходит уже после доставки руды
- Ошибки при загрузке самосвалов и вагонов увеличивают себестоимость сырья
После проекта:
- Камеры и алгоритмы машинного зрения анализируют загрузку каждого вагона или самосвала
- Контроль качества работ происходит в реальном времени
- Техника используется эффективнее, позволяя снизить себестоимость и увеличить объемы производимого сырья
Результаты
Команда НЛМК Стойленский ГОК
Елена Кокорина
главный специалист управления по цифровой трансформации Дивизиона «Руда»
Андрей Немировский
Начальник управления по цифровой трансформации Дивизиона «Руда»
Команда RDL by red_mad_robot
Полина Рядинская
Руководитель проекта
Алексей Соколов
CTO
Иван Тимофеев
Team Lead Data Science
Похожие кейсы
AI-кейсы с доказанной бизнес-эффективностью. Все проекты успешно прошли проверку комиссией из признанных экспертов в технологиях и бизнесе.
