4454
Контроль качества очистки чугуна
Январь, 2020 год.Автоматический контроль качества очистки чугуна с помощью Vmx видеоаналитики.
Какую проблему решали
В процессе выплавки стали из чугуна сырье очищается от серы (этот этап называется скачивание шлака). Важно найти баланс между качеством очистки чугуна от примесей и потерями самого металла.
Скачивание шлака осуществлялось вручную работником бригады, с опорой сотрудника на собственный опыт и субъективную оценку, достаточно ли хорошо очищен чугун. При этом ни сам процесс, ни его результаты нигде не фиксировались.
Скачивание шлака осуществлялось вручную работником бригады, с опорой сотрудника на собственный опыт и субъективную оценку, достаточно ли хорошо очищен чугун. При этом ни сам процесс, ни его результаты нигде не фиксировались.
Все это влияло на вес выпускаемого металла, эффективность работы цеха и качество производимой из чугуна стали.
Решение проблемы
Компания «ВидеоМатрикс» внедрила в ПАО «НЛМК» систему видеоаналитики Vmx Dequs: HistControl — собственное разработанное решение на базе технологий искусственного интеллекта и компьютерного зрения.
Система фиксирует весь процесс очистки чугуна от шлака и автоматически контролирует степень чистоты сырья. В базе анализируются данные, необходимые для оптимизации техпроцесса: индекс чистоты, время очистки, номер бригады, ФИО сотрудника и др.
У компании появилась возможность объективно оценивать качество скачивания шлака и улучшать процесс.
Применяемые технологии
Для анализа процесса очистки чугуна от примесей Vmx Dequs использует нейронные сети, инструменты компьютерного зрения и математические алгоритмы.
Нейронная сеть обнаруживает на видеопотоке ковш и скиммер, задействованные в процессе очистки чугуна, фиксирует границы чана и перемещения скиммера. Благодаря этому она определяет динамическую область жидкого шлака – зону для последующего сканирования и анализа. Затем математически вычисляется индекс частоты скачивания шлака и отображается в системе на экране оператора.
Нейронная сеть обучалась на датасете из 1,5 тысяч изображений. Использовалась «облегченная» модель yolo-v4 детектора — yolo-v4_tiny. В дальнейшем для повышения точности работы системы датасет для обучения был увеличен до 5 000 изображений.
Бизнес-процесс
До проекта:
- Качество скачивания шлака оценивалось субъективно сотрудниками бригады.
- 75% индекс чистоты скачивания шлака.
- Потери при скачивании шлака — более 3 тонн металла за одну плавку при стандарте не более 2 тонн.
После проекта:
- Единый стандарт расчета индекса чистоты.
- Объективные данные о качестве и степени очистки сырья.
- 90% индекс чистоты скачивания шлака.
- Прозрачность производственного процесса: расхода ресурсов, работы бригад и отдельных сотрудников.
- Сокращение потерь металла при скачивании шлака до норматива в рамках 2 тонн на плавку.
Результаты
Команда ПАО «НЛМК»
Артем Артемьев
Начальник отдела по организации и планированию производства
Евгений Исаенко
Главный специалист по видеоаналитике в дирекции по цифровой трансформации
Роман Маньшин
Руководитель продуктов дирекции по цифровой трансформации
Алексей Тюрин
Специалист по разработке в дирекции по цифровой трансформации
Сергей Утяцкий
Мастер участка
Владимир Шипилов
Начальник участка
Команда ООО «ВидеоМатрикс»
Антон Матыков
Инженер-программист
Сергей Мурга
Ведущий инженер-программист
Фарид Нигматуллин
Генеральный директор
Похожие кейсы
AI-кейсы с доказанной бизнес-эффективностью. Все проекты успешно прошли проверку комиссией из признанных экспертов в технологиях и бизнесе.