На площадке в Татарстане внедрена система автоматического контроля качества труб ML Sense. Это ИИ-платформа для контроля качества продукции на производствах конвейерного типа, разработанная в России. Использование машинного (компьютерного) зрения позволило на 80% снизить число аварий на линии.
Напомним, что на производственной площадке в Татарстане производятся конвейерные ролики и металлоконструкции. На линии происходит резка металлических труб для изготовления конвейерных роликов. Ежемесячно через линию проходит 600-800 тонн труб. Качество поставляемого сырья сильно варьируется: оно поступает от разных заводов и не все производители выдерживают требуемые стандарты. Из-за этого в партию регулярно попадают трубы с браком. При транспортировке труб внутри завода также могут появляться дефекты. Если труба с браком попадает в зону резки, то она вызывает поломку станка (клин фрезерного узла), остановку линии и экстренный ремонт. Простой линии может стоить до 1 млн рублей в день.
Контроль качества ранее осуществлялся вручную: оператор визуально осматривал трубы перед подачей в станок. Но при объёмах 600–800 тонн в месяц такой подход оказался недостаточно надёжным: человеческий фактор, усталость и ограниченное время на осмотр приводили к пропуску дефектов. Надо было минимизировать простой оборудования и затраты на ремонт, исключив попадание бракованных труб в резку. Поэтому встал вопрос о внедрении автоматизированного контроля качества, которая будет точно выявлять дефект до попадания труд в станок и обеспечивать автоматическое оповещение и остановку линии при обнаружении брака. Причем ее внедрение не должно было повлечь изменение конструкций самой производственной линии.
Было решено обратиться к возможностям искусственного интеллекта. Так появилась система машинного зрения для промышленного контроля качества в реальном времени.
Для охвата всей поверхности трубы был спроектирован модуль из 4 камер, которые обеспечивают полный круговой контроль независимо от диаметра трубы, добавлена настраиваемая локальная подсветка, чтобы обеспечить чёткое изображение даже при нестабильном цеховом освещении.
Далее началось обучение нейросети выявлению ключевых дефектов – заусенец, вмятин, трещин, поперечных швов, загрязнений. Обучение проводилось с учётом различных ракурсов, размеров и условий съемки. После этого система была интегрирована в линию. Все ее компоненты были защищены от пыли и механических воздействий — с учётом условий тяжёлого производства.
Как работает ИИ на производстве?
1. В зоне подачи труб на резку установлена точка контроля с четырьмя камерами — каждая контролирует свою сторону трубы.
2. Система анализирует поверхность трубы на наличие дефектов до подачи во фрезерный узел, когда труба еще находится в накопителе или движется по роликам. Детектируется 5 видов дефектов. Минимальный размер детектируемого дефекта - 1 мм.
3. При обнаружении дефекта срабатывает светозвуковая колонна, и линия автоматически останавливается до вмешательства оператора
4. Для удобства контроля предусмотрен операторский интерфейс: в нём отображается видеопоток с камер в реальном времени, а все выявленные дефекты отмечаются визуально прямо на изображении. Это позволяет оператору быстро оценить ситуацию, подтвердить дефект и принять решение — убрать трубу или продолжить подачу.
5. Оператор извлекает трубу до попадания в зону резки.
В итоге точность обнаружения дефектов достигает 80%, соответственно, уменьшается количество аварий на линии. Также повышается стабильность производства, уменьшается влияние человеческого фактора и нагрузка на персонал.
«Мы идем в ногу со временем. Нужно использовать возможности, которые дает искусственный интеллект, что мы и сделали», - отметили в НПО «Аконит».
Кейс на производственной площадке НПО "Аконит" реализован при поддержке ООО "Норд Клан" машинное и компьютерное зрение в 2025 году. Благодарим коллег за работу и предоставленный для публикации материал и фото.
