Привет, Хабр! ИИ уже отбирал работу у веб-дизайнеров, программистов и копирайтеров. Теперь он пришел за операторами производственных цехов.
Интеллектуальная видеоаналитика давно помогает нам обрабатывать материалы точнее, да и в целом автоматизировать и отлаживать производство. Да, нейросеть тоже ошибается, как и живой оператор. Но оператор багует от случая к случаю: не угадаешь. А вот процент ошибок грамотно обученных нейросетей плавает в известных нам пределах.
Так что же — вместо операторов будут алгоритмы? Не всё так однозначно. Почему человека нельзя убрать из цепочки — под катом.
Недостатки живых людей
Разумеется, люди спят, едят, отвлекаются и расслабляются. Но самая большая проблема человека-оператора — субъективность. Оператор может иметь годы (а то и десятки лет) стажа, ювелирно работать… но его взгляд практически всегда будет отличаться от взгляда другого оператора — даже не менее маститого и опытного.
Это связано с особенностями зрения. Да, диоптрии можно пофиксить, надев очки или линзы. Но не все мы одинаково хорошо различаем оттенки цветов. Даже в нейтральных условиях многие люди увидят одну и ту же картинку с отличиями. А если оттенки искажаются внешними условиями, например паром, то два человека могут увидеть абсолютно разную картину.
Зачем тогда нужен человек-оператор? А как в медицине: если есть лишняя возможность проверить, надо её использовать, чтобы снизить риск трагедии. Ведь у нейросети при всех достоинствах нет параметра «здравый смысл». Поэтому её задача — анализировать входящие данные и подсказывать. Финальное же решение остаётся за оператором.
Сегодня мы рассмотрим два успешных кейса применения машинного зрения. И на практике покажем, как субъективный взгляд оператора может мешать качественному производству. Подчеркнём: это не пилотная разработка, а продуктивная система комбината.
Ванадиевые сливки
Вы когда-нибудь наливали молоко в кофе, стараясь, чтобы не попала пенка? Примерно так же извлекают из раскалённой породы ванадиевый шлак.
Кстати, термин «шлак» здесь — обманчивый. Из ванадиевого шлака можно сделать много полезного. Так что мы его не выкидываем, а отделяем от полупродукта — остальной субстанции, из которой позже сделают сталь. (Этот процесс называется дуплекс.)
Изначально смесь находится в конвертере. Шлак легче полупродукта и всплывает. Мы сливаем полупродукт из конвертера в специальный передвижной ковш, который повезёт слитое дальше, а шлак накапливаем в конвертере и сливаем отдельно в шлаковую чашу.
Как видите, задумка нехитрая. Сложность — слить как можно больше полупродукта и как можно меньше шлака.
Это очень тонкий процесс, который опирается на мастерство оператора. Сольём слишком много — в полупродукт попадёт драгоценный шлак, который мы бережно отделяем. Сольём мало — металл останется в конвертере, а его необходимо передать дальше по производственному процессу.
Как понять, насколько удачно сотрудник справился с работой? Визуально. Если посмотреть на ковш сверху, то по цвету массы и вкраплениям видна процентовка шлака. По нормативу — шлаком может быть занято не более 40 % площади зеркала металла.
Раньше это был ручной процесс. Человек через камеру наблюдал за ковшом и делал вывод о проценте шлака в ковше. Тут встречались сложности.
Во-первых, ковш сам по себе выглядит непрезентабельно. Он может быть «заросший», то есть наросты продукта по краям мешают определять не только процент шлака в светящемся металле, но и, в запущенных случаях, контур ковша.
Во-вторых, и это мы писали в начале, у разных людей разная острота зрения, может отличаться цветовосприятие и прочие моменты. А, напомню, камера висит над ковшом с раскалённым металлом. И это серьёзно усложняет задачу, ведь помимо субъективного восприятия к картинке добавляются пар и свечение расплавленной массы. Ненадёжно, в общем.
Потому мы попытались автоматизировать оценку. Заметили, что в ковше присутствует четыре оттенка (обычный металл, шлак, область вокруг шлака, яркие области металла). И создали алгоритм, опирающийся на цветоопределение.
К сожалению, подход не сработал. Причиной стал тот самый пар, который серьёзно и каждый раз по-разному искажал картинку. Требовался инструмент, который бы воспринимал картину целиком и умел делать скидку на окружающую среду.
Решили попробовать нейросети — и оказались более чем впечатлены результатом. Уже после первого дня работы алгоритм выдавал точность куда выше, чем у разных операторов и цветового определения. Поскольку нейросети не занимаются простым определением цветов, а могут создавать зависимости, алгоритм работал вплоть до ситуации, когда паром заволокло всё.
Так специалисты ЕВРАЗа получили предельно точный инструмент оценки работы сотрудников. Теперь ясно, какая бригада наловчилась филигранно сливать «без пенки», а кому стоит ещё поучиться.
Собственно, никаких наказаний отстающих не последовало. Напротив — мы внедрили обучение, где передовики делятся опытом с теми, кому стоит подтянуть навыки. На выходе получили систему, которая не допускает металла с примесями и постоянно тренирует операторов.
Информация с торца
Второй процесс, который помогли улучшить нейросети, — это оценка качества заготовки.
После ряда этапов в цех на рольганг попадает заготовка. Это квадратный раскат 35 на 35 сантиметров по торцу и 10–13 метров в длину.
До этого заготовка отлилась и съездила в пресс. Теперь почти готова к дальнейшим превращениям, например в арматуру. Но прежде она должна пройти выходной контроль.
Делается это следующим образом: огромные ножницы отрезают небольшой кусок с головной и донной части. (Донная — это задняя.) Иными словами, заготовку обрезают с обеих сторон.
Далее оператор оценивает поверхность среза. В идеале она должна быть абсолютно чистой, без дефектов, вкраплений каких-то примесей.
Если дефекты есть, например, знакомый нам уже шлак – это плохо. В этих точках у заготовки слабое место. При прокате такая заготовка может сломаться прямо в стане и это приведет к длительному простою. А если не сломается и из неё потом и правда сделать арматуру, то она выйдет бракованной и может не выдержать нагрузок. Или выдержит — как повезёт. Но рассчитывать на удачу в промышленном производстве никто, разумеется, не может.
Если обнаружен дефект, то оператор делает еще один рез. Как правило, дефект можно удалить с помощью 2-х – 3-х резов. Но бывает, что оператор видит: заготовка безнадёжно испорчена,— и ее режут на 4-5 частей и отправляют в переплавку.
Как и в случае с ковшом, огромную роль играет субъективный взгляд оператора. Раскат раскален до 1200 градусов, он буквально светится, как лампочка. И мы снова упираемся в проблему индивидуальных особенностей зрения каждого оператора.
В цехе всё так же жарко и идет пар от остывания ножниц — простой анализ цветов нам не поможет. Опять нужен инструмент, который видит ситуацию целиком. Как и в прошлый раз, выручают нейросети. ИИ довольно быстро справился с задачей обучения и предельно точно сообщает — эта заготовка ОК, а эту надо резать ещё.
Со временем удалось достичь точности 99,98 % и низкого показателя ложных срабатываний. То есть нейросеть пропускает брак лишь в 0,02 % случаев. Само собой, качество продукта выросло.
Кроме того, мы получили крайне объективный инструмент анализа. Допустим, у нас одна за одной идут бракованные заготовки. Что это значит? Что где-то в предыдущем цеху нарушен техпроцесс и коллегам можно об этом сообщить.
Чем смотрим
Отдельного рассказа заслуживает система, с помощью которой нейросеть оценивает происходящее.
Как мы уже помним, в цеху жарко и стоит пар. А зимой бывает ещё и холодно. Обычная камера там проживёт недолго.
Потому нужны хитрости. В случае с ковшом камера висит в защитном кожухе под самым потолком. Для улучшения картинки используют оптическое приближение. Камера передаёт видеопоток 1080р: не сверхвысоко, но вполне хватает для задачи.
Аналогичная система используется для ножниц, только камеры стоят в других местах. Разумеется, система требует пристального обслуживания: как минимум регулярно протирать защитное стекло.
Внутри кожуха мы обнаружим, к примеру, камеру Dahua DH-SD59225U-HNI. Она имеет скромный сенсор в 2 Мп, зато впечатляющий 25х оптический зум. Эта хитрость позволяет нам отдалить камеру от раскалённой заготовки.
Но та же хитрость создаёт проблемы. Ведь чем больше расстояние между объектом и сенсором камеры, тем больше вероятность, что вмешается агрессивная среда, в первую очередь пар. Поэтому в каждом случае необходимо найти баланс между близостью к объекту и безопасностью, чтобы и картинка вышла приемлемого качества, и за камеру не приходилось переживать.
Заключение
Как видно, не всегда внедрение ИИ связано с колоссальными системами обработки данных или монструозными цифровыми двойниками. Иногда нововведения могут быть точечными и не слишком сложными технически, однако способными улучшить процессы в разы.
Нейросети — относительно молодая технология для промышленности. Но ЕВРАЗ продолжает эксперименты с ИИ и поделится ещё не одним кейсом автоматизации производства.
А как нейросети внедряются у вас? Что вам было интересно узнать из статьи? Может, вы хотели бы что-то нам посоветовать? Пишите в комментариях.
К слову, мы регулярно проводим хакатоны для поиска лучших идей и решений. Один из последних, к примеру, прошёл в рамках саммита по развитию Бизнес-системы ЕВРАЗа в Нижнем Тагиле в конце сентября.
И мы всегда рады новым специалистам, готовым и дальше улучшать работу тяжёлой промышленности. Задач ещё много.
