
4297
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
НЛМК Стойленский ГОК
Елена Кокорина
главный специалист управления по цифровой трансформации Дивизиона «Руда»
Андрей Немировский
Начальник управления по цифровой трансформации Дивизиона «Руда»
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.