Комментарии 16
Например, цикл разливки металла — 150 тонн. Минимальная скорость разливки на криволинейных установках — 0,8 метра в минуту. Если увеличить скорость до 1,1 метра в минуту, то это сократит время разливки одной плавки с 35 до 30 минут. То есть при непрерывном процессе за 12-часовую смену можно сделать бонусную плавку. Но для того, чтобы бригадир увеличил скорость, нужна аргументация. С камерами и визуализацией процессов аргументы стали весомее.
То есть просто вычислений бригадиру не хватило? Сомнительно.
Раньше, если происходила поломка, мы не могли сразу понять, что случилось: нужно было дождаться вердикта бригадира и мастера. Например, если скорость разливки становилась нулевой, мы не знали, сломался ли стопор или остыл металл. Теперь благодаря камерам можно сразу увидеть, что происходит, быстро понять причину проблемы и принять меры: остановить серию, вызвать нужного специалиста или подготовить оборудование.
Тк все равно люди будут решать что делать дальше и смотреть в камеры.
А ещё мы часто теряли время при перевозке чугуна из миксерного отделения в конвертерное. Когда тепловоз приезжал, чугун начинали лить не сразу, потому что нужно было завершить другие операции, например, слив ковша в миксер. Сейчас местоположение тепловоза выводится в цех, и как только он двигается в сторону миксерного отделения, бригада сразу готовится наливать чугун.
А просто позвонить и сообщить что в сторону бригады выехали тепловоз нельзя?
Резюмирую: Вы придумали усложнили систему слежения в несколько раз (даже судя по количеству камер) , но не автоматизации. По мне так сомнительное занятие.
По ссылкам в статье есть дополнительный материал.
За сбором сигналов и визуализацией стоит следующий модуль - графикователь (мат модель, советчик, с функцией решения NP сложных задач, разработанный при поддержке кафедры больших данных УРФУ).
Вот этот графикователь в теории автоматизации и может давать и даёт 3-5% производительности, эффективности на том же оборудовании, при том же потреблении ресурсов.
Использование таких графикователей - это общий существующий тренд в металлургии.
Расчетов реально недостаточно. Бригадир понимает процесс через наблюдение и личный опыт. Просто сказать «увеличь скорость» — это, может, и правильно, но так можно качество на ноль помножить. Камеры дают наглядный контроль за металлом — бригадир видит, что процесс устойчив при большей скорости, и тогда уже даёт добро.
Тут сработает сломанный телефон. Могут забыть, не дозвониться или дать неполную информацию (например, тепловоз уже стоит, а мы в бинокли в другую сторону смотрим). Когда местоположение выводится сразу в цех на экран — это объективная картинка, все участники процесса видят одно и то же в реальном времени. Это снижает простои при наливе чугуна.
Тут суть не в полной автоматизации, а в повышении прозрачности процессов. Камеры — инструмент для снижения задержек и аварий за счет более быстрого принятия решений. Тут не замена людям, плюс к эффективности.
Когда смотришь на всю эту автоматизацию с сотнями параметров, удивляешься - как же вообще справлялись без неё.
Раньше всё держалось на опыте и интуиции людей — параметры контролировали «на глаз» и «на слух». Теперь автоматизация и прозрачность позволяют точно видеть что происходит и быстрее реагировать на отклонения. Это даёт стабильность, снижает ошибки и повышает безопасность процесса.
Раньше было все не так эффективно. Сейчас на тех же мощностях вырос выход продукции. И это не только в металлургии так.
А как учитываются люди в опасных зонах - тоже камеры, или какие-либо РФИД метки в касках и т.п.? Или это относится не к производству, а к безопасности?
Безопасность — это особое и важное направление. Для её обеспечения в компании есть отдельные проекты. Если читатели проявят заинтересованность — с удовольствием напишем и про них.
Да, пожалуйста!
Дополнительные вопросы:
детектируется ли падение человека (тело лежит где-либо)?
если ли "запретные" зоны, где присутствие людей не должно быть и это отслеживается, например, камерами
и более простые техники: человек зашёл и не выходил более 32 часов - протокол на такой случай
Не для рекламы, но для познания. Достаточно много информации представлено на сайте известной фирмы занимающееся контролем промбезопасности и охраны труда. Там и видео, и кейсы есть по интересующим вас вопросам.
Ну всё, придётся теперь купить ваши акции :)
Поделитесь, пожалуйста, какие модели брали для определения параметров металла и как дообучали. Вряд ли под такую задачу есть что-то готовое, как и датасеты
Надеюсь, что покупка акций принесёт вам доход.
Что же касается вашего вопроса про модели — в зависимости от задач, можно использовать разные архитектуры. Применяются классические ML, нейросети. Дообучение проводится на основе производственных или лабораторных данных с учётом закономерностей металлургии.
Спасибо за статью
Мне кажется, лучше фотографии для обложки статьи не придумаешь😄
Кстати, мы для прослеживаемости сырья в доменном цеху поднимали схожее количество сигналов для решения задач, выглядит, что почти для любого более-менее серьезного решения приходится "поднимать" Тучу сигналов. В нашем случае с помощью TSDB/IIoT платформы, о которой вскользь упомянул Александр тут.
Не все знал, как у нас, в конвертерном цеху происходит, спасибо за знания.
Работа просто титаническая! Снимаю шляпу и аплодирую!
Как мы делали диспетчерскую цеха выплавки металла