Контроль качества очистки чугуна

Январь, 2020 год.

Автоматический контроль качества очистки чугуна с помощью Vmx видеоаналитики.

Промышленность Производство Рост выручки Рост производительности Повышение качества Крупный бизнес Videomatrix Computer vision Image recognition Data analysis

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.

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.