Цифровизация в металлургии давно стала трендом, но редко у нас есть возможность разложить техн [...]

Цифровизация в металлургии давно стала трендом, но редко у нас есть возможность разложить технологию на атомы, а это жуть как интересно. Спасибо "Полиметаллу" и rdl by red_mad_robot за возможность увидеть, как нейросети анализируют гранулометрический состав руды и определяют негабарит при производстве золота.

В чем проблема?

Как правило, для измельчения руды применяют специальные мельницы, где руда частично дробится сама за счёт крупных кусков, а частично — с помощью стальных шаров. Соотношение кусочков no руды должно быть оптимальным, чтобы она перемалывалась быстрее. Всё, что крупнее нужного размера, считается негабаритом. Негабарит может заблокировать прохождение руды между конвейерами или подачу руды в мельницу. Это значит, что около 11 тыс. тонн руды обработано не будет. В каждой тонне — 1,7 грамма драгметаллов, которые предприятие рискует потерять. А вместе с ними - и прибыль.

Если слишком большой кусок руды попадает на конвейер, его удаляют вручную, поэтому небольшие остановки конвейера неизбежны. Но это не проблема, если изымать негабариты до перетечек. Самая большая проблема, если негабарит заблокирует выход загрузочной телеги мельницы. Здесь придётся её полностью разгружать, чтобы изъять негабарит. Это останавливает подачу руды в мельницу на долгий срок.

Сложность еще и в том, что руда всегда разная. Например, из-за плотности породы или качества взрыва. rdl by red_mad_robot помог "Полиметаллу" оптимизировать ресурсы, затрачиваемые на работу мельниц, и минимизировать простои из-за попадания на конвейер крупных камней.

Как оптимизировать процесс?

• Негабарит можно отслеживать камерой вместо оператора.

• Гранулометрический состав требует анализа скрытого слоя и разделения камней по классам крупности. Вместо сита и взвешивания в бункере можно применять компьютерное зрение. Это даёт картину в реальном времени, а алгоритмы машинного обучения предсказывают скрытый слой.

При этом операторы, технологи и лаборатории по-прежнему работают, просто делают анализ реже и занимаются другими задачами. Их результаты принимают как эталонные замеры и используют для настройки нейросетей.

rdl by red_mad_robot уже разрабатывали подобные решения для ERG и НЛМК, так что уже знали проблемные точки процесса и имели экпертизу. Правда, "Полиметаллу" нужны были более легкие и быстрые модели, т.к. при анализе негабарита нельзя пропустить ни одного кадра.

Поэтому перед мельницами устанавливают камеры Basler. Снимки передаются на сервер, который также подключен к контроллеру. Оператор выставляет пороговое значение негабарита. Если машинное зрение находит такие камни, то сервер отправляет сигнал на контроллер об автоматической остановке конвейера. Оператор устраняет кусок руды и снова запускает конвейер.

Модель позволяет определить контуры всех камней и перевести их размер на фото из пикселей в миллиметры. Дальше отсекает все камни больше определенной длины. Веб-приложение показывает снимки с разметкой в реальном времени и формирует отчёт по найденным негабаритам.

Система предсказывает состав внутреннего слоя, который не попадает на снимок, и строит гистограмму распределения грансостава по классам. На основе этих данных оператор может корректировать режим работы мельниц, а руководитель — оценивать качество буровзрывных работ. Более подробно о процессе можно прочитать здесь.

Проект для "Полиметалла" уникальный. Он целиком проходил дистанционно. Эксперты rdl by red_mad_robot и "Полиметалла" трудились не покладая рук, пока точность распознавания негабарила не превысила 90% с показателем уверенности 97%. Средняя абсолютная ошибка по грансоставу за все дни испытаний — менее 5%. Причем время на получение информации о гранулометрическом составе руды сократилось с двух часов до десяти секунд. Вот это мы понимаем РЕЗУЛЬТАТ.

В общем-то, нейросистема готова к запуску в промышленную эксплуатацию.