Автоматизация промышленных процессов машинное зрение и координация производства с помощью искусственного интеллекта

Почему это стало доступно

Ещё относительно недавно подобные системы в основном представляли собой дорогие закрытые решения крупных мировых производителей промышленной автоматизации. Их внедрение требовало существенных инвестиций, а дальнейшее обслуживание нередко оставалось привязано к поставщику. Для многих предприятий такая автоматизация была просто экономически недоступна.

Сегодня ситуация меняется.

Современные микроконтроллеры, доступные датчики, машинное зрение, беспроводные сети и ИИ позволяют создавать системы автоматизации значительно дешевле и, что особенно важно, постепенно масштабировать их под конкретное производство.

Я вижу основную ценность таких решений не в том, чтобы заменить существующую промышленную автоматику. Задача интереснее: связать оборудование, данные и действия людей в единую систему, которая не просто фиксирует происходящее, а помогает принимать решения.

От простого датчика к системе управления

Современные микроконтроллеры обладают достаточно серьёзными вычислительными возможностями при небольшой стоимости. Контроллеры семейства STM32, например, применяются и в бытовой электронике, и в автомобилях, медицинском оборудовании, промышленной автоматике.

На их основе можно строить распределённые системы контроля отдельных узлов оборудования, технологических линий, складских и производственных операций.

Второй элемент — датчики.

Сегодня можно относительно недорого измерять температуру, ток, вибрацию, ускорение, давление, освещённость, кислотность, концентрацию газов и множество других параметров.

Разумеется, промышленное применение требует правильного подбора датчиков, защиты оборудования, резервирования и учёта условий эксплуатации. Но принципиально технология уже вполне доступна.

Датчик получает физический параметр. Микроконтроллер обрабатывает сигнал. Система передаёт данные на верхний уровень. При необходимости управляющий сигнал возвращается обратно на привод, насос, клапан, запорную арматуру или другое оборудование.

А оператор вместо десятков разрозненных показаний получает единую картину происходящего.

Но самое интересное начинается тогда, когда к этому контуру добавляется искусственный интеллект.

«Цифровой» инженер по охране труда

Машинное зрение представляет отдельное направление.

Представьте цифрового инженера по охране труда, который 24 часа в сутки наблюдает за опасной зоной работающего оборудования.

Система видит появление человека в зоне движения механизма, фиксирует нарушение и подаёт сигнал тревоги. В критической ситуации она может сформировать команду на остановку оборудования.

То есть событие фиксируется до несчастного случая, а не после него.

Таким же образом машинное зрение может контролировать состояние оборудования, движение материалов, заполнение ёмкостей, положение механизмов, наличие средств индивидуальной защиты, качество продукции и соблюдение отдельных технологических операций.

Поломка обнаружена. Что происходит дальше?

На мой взгляд, одна из самых недооценённых проблем производства не само обнаружение неисправности, а скорость дальнейшей реакции.

Именно здесь теряется огромное количество времени.

За годы работы на производстве я неоднократно видел примерно одну и ту же цепочку: обнаружена проблема с оборудованием, информация передана руководителю, затем ремонтной службе, определяется приоритет, выясняется наличие запчастей, оформляется получение со склада, организуются работы.

Каждая отдельная операция выглядит логичной. Но вместе они превращаются в часы простоя.

Теперь представим другую ситуацию.

На корпусе привода в районе подшипникового узла установлен акселерометр. Он постоянно контролирует вибрацию.

Система обнаруживает отклонение от нормального режима и автоматически проводит повторную проверку. Отклонение подтверждается.

Дальше без дополнительных телефонных звонков и переписки информация поступает в единый контур управления.

Система сообщает оператору о проблеме и предлагает снизить нагрузку на оборудование. Одновременно формируется сообщение для ремонтной службы, определяется приоритет относительно других текущих неисправностей, проверяется наличие необходимой детали на складе МТО и подготавливаются документы на её выдачу.

При этом система уже учитывает предстоящую остановку оборудования в производственном плане: рассчитывает необходимое снижение подачи сырья на время ремонта и передаёт соответствующие команды или рекомендации смежным участкам технологической цепочки. После завершения работ производство может так же последовательно вернуться к штатному режиму.

Именно в этом я вижу одно из главных применений ИИ в промышленности.

Не в красивом интерфейсе и не в чат-боте для оператора, а в сокращении времени между событием и действием.

Производство без бесконечной ручной отчётности

Есть ещё один большой резерв.

Значительная часть рабочего времени инженерно-технических работников уходит не непосредственно на производство, а на сбор и обработку информации: ежесменные отчёты, сводки, доклады, оперативки, переписку между подразделениями.

При этом большая часть исходных данных уже существует в цифровом виде.

Если оборудование, датчики, складские системы, ремонтные службы и производственные подразделения находятся в едином информационном контуре, значительная часть отчётности может формироваться автоматически.

ИИ здесь может выполнять роль дополнительного аналитического слоя: собирать данные из разных источников, находить отклонения, выделять действительно важные события и готовить информацию для руководителя.

Вместо нескольких таблиц и отчётов руководитель получает ответ на гораздо более важный вопрос: что сейчас происходит на производстве и где требуется моё решение?

Где это можно применять

Архитектура такой системы всегда будет зависеть от конкретного предприятия. Универсального решения для всех производств не существует.

Но сам подход применим практически в любой отрасли, где есть оборудование, непрерывные или циклические технологические процессы, материальные потоки и необходимость быстро координировать несколько подразделений.

• горнодобывающая и горно-обогатительная промышленность;
• обогатительные фабрики и переработка минерального сырья;
• металлургические предприятия;
• химическая и нефтехимическая промышленность;
• нефтегазовая отрасль;
• цементные заводы и производство строительных материалов;
• машиностроение и металлообработка;
• энергетика;
• деревообработка и целлюлозно-бумажная промышленность;
• пищевая промышленность;
• фармацевтическое производство;
• производство удобрений;
• складские и логистические комплексы;
• портовые и перегрузочные терминалы;
• конвейерные и сортировочные комплексы;
• предприятия с большим количеством насосного, компрессорного, дробильного, транспортного и вращающегося оборудования.

Причём начинать необязательно с автоматизации всего предприятия.

Гораздо разумнее выбрать один конкретный процесс, где существуют измеримые потери: простой оборудования, аварийность, ручной контроль, задержки между подразделениями или большой объём ручной отчётности. Сделать работающий контур на этом участке, посчитать эффект и только после этого масштабировать решение.

Что уже работает в промышленности

Некоторые элементы такого подхода используются уже сегодня.

Например, в горно-обогатительной отрасли мне знакомы решения, где машинное зрение контролирует работу конвейеров и позволяет останавливать оборудование при возникновении заторов руды.

Другой пример — контроль процесса флотации по изображению поверхности пенного слоя. Камера позволяет оценивать параметры пузырьков и использовать эту информацию для контроля технологического процесса.

И что интересно: для решения подобных узких задач далеко не всегда требуется большая облачная ИИ-модель с постоянной тарификацией запросов.

Во многих случаях правильно настроенный алгоритм компьютерного зрения или локальная модель способны выполнять конкретную производственную задачу непосредственно на предприятии.

Четыре направления, которые я считаю ключевыми

Если свести моё представление о такой системе к нескольким направлениям, я бы выделил четыре:

1. 01

   Контроль технологического процесса

   Непрерывный сбор параметров и автоматическая подстройка оборудования для удержания процесса в заданном диапазоне.

2. 02

   Предиктивный контроль оборудования

   Выявление изменений вибрации, температуры, тока и других параметров до того, как отклонение превратится в аварийную остановку.

3. 03

   Промышленная безопасность

   Машинное зрение, контроль опасных зон и автоматическая реакция на потенциально опасные события.

4. 04

   Координация подразделений

   Связь производства, ремонтной службы, МТО, склада, транспорта, промышленной безопасности и руководства в едином информационном контуре.

В конечном итоге все эти направления решают одну задачу — сокращают расстояние между информацией и действием.