Промышленная автоматизация металлургического производства

Металлургическое предприятие с непрерывным производственным циклом.

Заказчик обратился с уже готовой концепцией: они провели анализ производственных процессов, определили архитектуру решения и выбрали технологический стек. Нашей задачей стала техническая реализация их видения в рамках пилотного проекта — перенос бизнес-логики со старых desktop-приложений на современную web-платформу для повышения доступности, отказоустойчивости и централизации расчетных модулей.

•    Реализовали систему видеоаналитики на Python + OpenCV для расчёта массы сырья на конвейере и интеграции с XRF-анализатором.

•    Организовали передачу данных через Redis для работы в режиме реального времени и параллельно сохранили «сырые» данные в БД для последующего анализа.

•    Внедрили модуль Connector для безопасной передачи информации в основную платформу при инфраструктурных ограничениях.

•    Замкнули контур автоматизации через Conundrum: данные от видеоаналитики используются для расчёта рекомендаций и автоматической корректировки параметров подачи воздуха в печь.

•    Разработали систему мониторинга и визуализации (АРМ) с графиками и таблицами, позволяющими отслеживать показатели процессов и корректировать их вручную при необходимости.

•    Настроили интеграцию датчиков подачи воздуха с обновлением данных каждые 3–4 секунды для повышения точности и энергоэффективности.

•    Обеспечили прозрачность и объяснимость работы системы за счёт двухуровневой записи данных (первичные значения + подготовленные для аналитики).

Процесс начинается с подачи исходного материала на ленточный конвейериз загрузочного бункера. На первый взгляд — это простая операция, но именно точность объёма подаваемого материала определяет качество всего последующего производственного процесса.Рядом с конвейерной лентой установлена камера (ВМ), задача которой — фиксировать изображение движущегося материала. Весь видеопоток поступает на виртуальную машину (VM-2), развёрнутую на базе Linux. Именно здесь запускается обработка: первым модулем в цепочке работает система видеоаналитики (ВА), реализованная на Pythonс использованием библиотеки OpenCV.

Техническая реализация видеоаналитики:

- Python-скрипт анализирует геометрию насыпи и определяет высотный профиль материала

- С учётом заданной плотности материала вычисляется масса проходящего сырья в килограммах

Интеграция с XRF-анализатором: Параллельно с видеоаналитикой система интегрируется с XRF-анализатором через консольное Windows-приложение.По нажатию клавиши "пробел" через заданное время например (10 секунд) делается скриншот экрана анализатора. OpenCV извлекает цифровые значения из изображения, после чего данные упаковываются в CSV-файлы и сохраняются в сетевую папку.Эти данные критически важны для точного контроля состава сырья и используютсяна всех последующих этапах технологической цепочки.

Дальше видеоаналитика передает результаты анализа одновременно в два направления: в Redis и в базу данных (DB).Redis в этом процессе выполняет роль временного кэша, работающего в оперативной памяти. Он необходим для того, чтобы передавать данные от видеоаналитики другим компонентам системы с минимальной задержкой, не прерывая общий поток обработки данных. Это обеспечивает стабильную работу всей архитектуры в режиме реального времени — особенно в условиях высокой нагрузки и интенсивных операцийна производственной линии.Автоматический мониторинг файлов: Отдельный модуль раз в минуту проверяет сетевую папку на появление новых CSV-файлов с данными анализа. При обнаружении новых файлов система автоматически их парсит и загружает данные на платформудля дальнейшей обработки.Параллельно с этим видеоаналитика также отправляет первичные данные напрямуюв базу данных. Это «сырые» значения, зафиксированные в момент измерения.Эти данные сохраняются надолго и могут быть использованы для анализа, визуализации, построения отчётов или обучения моделей.Затем данные, временно хранящиеся в Redis, поступают в Connector — промежуточный модуль, отвечающий за передачу информации на платформу.Connector был внедрён из-за инфраструктурных ограничений, которые не позволяли передавать данные напрямую.Таким образом, в базе данных формируются два типа данных:первичные значения от видеоаналитики;данные, подготовленные для передачи на платформу вычислений.Это важно для того, чтобы была возможность проводить дополнительную аналитикус целью корректировки существующих алгоритмов. Такая двухуровневая запись делает систему не только точной, но и прозрачной и объяснимой — что особенно важнов промышленной автоматике и при аудите.

После того как Connector передаёт эти данные на платформу (Conundrum), информация, полученная от видеоаналитики, сохраняется в (DB) для последующего использованияпри расчёте рекомендаций на следующий производственный цикл.Вывод: выше была описана первая часть производственного процесса.Однако параллельно с ней осуществляется работа системы мониторинга, которая отслеживает и анализирует происходящие процессы в реальном времени.

Мониторинг осуществляется через автоматизированное рабочее место (АРМ), которое представляет собой набор графиков и таблиц с показателями всех текущих процессов.АРМ автоматически определяет:какой именно процесс происходит на том или ином оборудовании (с учётом фактических данных и рекомендаций),и предоставляет возможность вручную редактировать данные при необходимости.Для того чтобы платформа могла определить, на каком оборудовании какой процесс происходит, ей необходимы два типа данных:данные видеоаналитики о начале и завершении загрузки в конвейер (время начала и окончания),данные о количестве воздуха, подаваемого в печь.Для этого используется специальный датчик, который передаёт данные о количестве воздуха в печи на платформу с периодичностью 3–4 секунды. На основе этих данных строится график, отражающий изменение объёма воздуха в реальном времени.Это позволяет понять, что происходит с загруженным сырьём — какой из трёх процессов в данный момент осуществляется.Дополнительно система выполняет мониторинг процессов: например, если масса сырья выше нормы, она может подать команду на увеличение подачи воздуха в печь, чтобы обеспечить нужный температурный режим и поддержать стабильность плавления.Или наоборот — если материала поступает меньше, чем требуется, подача воздуха может быть уменьшена, чтобы избежать перерасхода энергии и нарушения технологических параметров.Также реализовано управление конвейером: видеоаналитика контролирует объём подаваемого материала и при достижении требуемой массы автоматически включает сигнальную лампочку. Оператор, видя сигнал, останавливает конвейер. В перспективе возможна полная автоматизация этого процесса.Таким образом, данные, зафиксированные камерой и обработанные видеоаналитикой, через цепочку Redis → Connector → систему управления превращаются в конкретное управляющее действие. Это замыкает цифровой контур автоматизации, в котором система не просто наблюдает за процессом, а активно им управляет.Такая архитектура позволяет:поддерживать стабильность технологических параметров,оперативно реагировать на отклонения,повысить качество продукции и энергоэффективность.В результате MES становится точкой принятия решений, базирующейся на точных цифровых данных, а не на допущениях или ручных расчётах.На первом этапе достигнуто:

- Успешная интеграция всех компонентов микросервисной архитектуры

- Стабильная работа системы видеоаналитики и обработки данных в режиме реального времени

- Отладка замкнутого контура управления от измерения до исполнительных команд

- Подтверждение технической осуществимости концепции заказчика

По результатам успешного пилотного проекта планируется поэтапное масштабирование системы на другие производственные линии предприятия. Система видеоаналитики стабильно определяет массу сырья на конвейере с точностью, достаточной для управления технологическим процессом. Интеграция через Redis обеспечила передачу данных с минимальной задержкой, а замкнутый контур управления позволил автоматизировать корректировку параметров подачи воздуха в печь.