В конце апреля 2023 г. аналитики департамента горнодобывающих решений «Рексофт» представили результаты опроса о необходимости цифровизации российских предприятий, работающих в добывающей индустрии. В опросе приняли участие 138 руководителей ИТ и бизнес-подразделений предприятий отрасли. Исследование выявило, что большинство компаний горнодобывающей промышленности далеки от полномасштабного использования цифровых технологий в производстве: 27% респондентов указали, что цифровизация находится в начальной стадии, а у 33% на данный момент цифровизацией охвачены только ключевые процессы (рис. 1). Однако интерес к полномасштабному применению технологий существенный: 31% предприятий находится на стадии формирования своей цифровой стратегии.
Рис. 1. Степень покрытия производственных процессов цифровыми технологиями на горнодобывающих предприятиях
Бесспорно, горнодобывающая отрасль не демонстрирует таких впечатляющих результатов в цифровизации, как банки или телеком-операторы. Но дело здесь совсем не в консерватизме горняков, а в сложности индустрии. Огромный комплекс бизнес-процессов, необходимость управления сложными производственными площадками и отраслевая специфика порождают большое число препятствий, преодоление которых становится непростой задачей, в том числе на этапе защиты инвестиционных бюджетов по цифровым проектам.
Горно-обогатительное производство отличается особенно сложной организацией. И дело не только в том, что в нем задействованы тысячи сотрудников и сотни единиц техники, которые обеспечивают множество бизнес-процессов и технологических операций. В отрасли в один комплекс объединены три типа производства: собственно горные работы, обогатительная фабрика и перерабатывающее предприятие (например, металлургический комбинат).
Бизнес-процессы предприятий, которые входят в этот комплекс, тесно взаимосвязаны. Поэтому внедрение цифровых инструментов даже на отдельных предприятиях (рис. 2) может улучшить производственные и экономические показатели в рамках всего холдинга.
Рис. 2. ТОП-5 систем по цифровизации горнодобывающих предприятий
От добычи до обработки
Оптимизировать и согласовать бизнес-процессы, которые происходят на всех этапах, призвана концепция Mine to Mill (или М2М), в буквальном переводе означающая «от добычи до обработки». Суть концепции в следующем: чтобы добиться максимальной эффективности и сократить затраты на производство руды, необходимо связать в единый комплекс все процессы и этапы цепи.
М2М — интегрированный подход к оптимизации процесса добычи и обработки руды в горнодобывающей промышленности. Там, где он реализуется, все подразделения горнорудного предприятия, геологи, горные инженеры, металлурги и множество других специалистов работают совместно. Это позволяет учитывать различные факторы, от геологических условий и качества руды до организации процессов добычи и обогащения, и в результате оптимизировать работу предприятия и добиться ее максимальной эффективности.
Реализация подхода Mine to Mill не только управленческая задача. Полноценная реализация М2М невозможна без использования современных технологий. Их роль — обеспечить связь между бизнес-процессами на всех этапах горнорудного производства, а также согласовать процессы добычи и переработки сырья, чтобы оптимизировать выполнение технологических операций. Наконец, еще одна роль технологий — обеспечение сквозного потока данных, которые используются как в производственных процессах, так и в менеджменте на уровне всего предприятия.
Машинное зрение
Один из инструментов, применяемых в рамках подхода М2М на разных этапах производства, — гранулометрия. Это сбор статистики о размере фракций породы, необходимой для того, чтобы оценить качество выполненной на предыдущем этапе работы с породой, а также для контроля размера и формы породы при последующей переработке. Размер гранул, к примеру, может контролироваться для оценки качества буровзрывных работ во время погрузки руды в ковш экскаватора, во время перевозки породы в самосвале или на конвейерной ленте. Необходим контроль и для того, чтобы выявить в породе крупные негабаритные фракции, а также посторонние предметы, которые могут в нее попасть.
Автоматизировать эти процессы помогает машинное зрение — технология компьютерного зрения, адаптированная для применения на промышленных предприятиях. Система в режиме реального времени анализирует изображения, поступающие с одной или нескольких камер, выявляет на них нестандартные объекты. В случае гранулометрии это могут быть фракции породы, чьи габариты превышают установленные для данного этапа нормы, куски дерева или арматуры, которые могли попасть в породу во время ее изъятия, и т. п.
Еще одна сфера применения машинного зрения для ГОКов — контроль состояния зубьев ковша. Попадание отломившегося зубца, изготовленного из высокоуглеродистой стали, в породу может впоследствии привести к повреждению дорогостоящего дробильного оборудования. А машинное зрение позволит отследить попадание обломка в породу, состояние зубьев, степень их износа. Все это даст возможность предотвратить поломку оборудования и добиться заметной экономии в части ремонта и обслуживания техники.
Машинное зрение — технология универсальная, которая может использоваться на многих этапах горнорудного производства. При этом постоянно находятся новые области ее применения. Например, для задач диспетчеризации, которая включает учет технологических операций (количество погруженных ковшей или погруженных самосвалов), а также учет режимов работы: движение груженым или порожним, вспомогательные работы либо простаивание. Для автоматического определения этих режимов традиционно используются дополнительные датчики и сенсоры, которые определяют положение рабочих органов и тем самым дают информацию алгоритму о том, что происходит с машиной. Традиционные сенсоры не всегда способны определить факт совершенного рейса или причину простоя — в классических системах оператор машины вводит такую информацию в бортовой компьютер вручную. Однако алгоритм на основе машинного зрения можно обучить распознавать объекты в окружении машины (рис. 3), положение рабочих органов (рис. 4) и тем самым автоматически определять факт загрузки ковша, отличать разгрузку в самосвал от разгрузки на склад или в рудоспуск.
Рис. 3. Распознавание людей, грузового автомобиля и буровой установки в окружении погрузчика
Рис. 4. Распознавание положения рабочих органов погрузчика и самосвала
Для реализации такого алгоритма используются сверточные нейронные сети, обучение алгоритма производится на основе датасетов — предварительно записанных видеоданных, где собраны разнообразные примеры типовых операций машины. Обучение алгоритма машинного зрения на таком датасете требует серьезных вычислительных мощностей, а для последующей эксплуатации обученного алгоритма необходима установка бортового компьютера, оснащенного специальным нейронным процессором.
Системы контроля ходимости шин
Значительные затраты горнорудных предприятий связаны с обслуживанием колесной техники, в первую очередь — карьерных самосвалов. Слабым местом таких автомобилей являются шины, которые подвержены быстрому износу и при этом имеют высокую стоимость. Конечно, учет шин в той или иной степени ведется практически на всех предприятиях. Однако только отдельные эксплуатирующие организации управляют их износом и используют для этого аналитическую систему.
Чаще всего контроль состояния шин ведется при помощи датчиков, которые позволяют отслеживать давление и температуру. У такого подхода есть два недостатка — датчики, которые накручиваются на вентиль, не защищены от камней и грязи и часто выходят из строя. Кроме того, они измеряют температуру только в точке расположения вентиля, а значит, перегруженная шина успеет нагреться и разрушиться до того, как об этом просигнализирует система.
На рынке существуют датчики, которые вклеиваются в шину изнутри. Они расположены непосредственно на внутренней поверхности шины, и поэтому информация о температуре более достоверная. Однако у таких датчиков тоже есть недостатки. Прежде всего, чтобы оснастить каждую шину, потребуется разобрать и перемонтировать каждое из шести колес, и если речь о самосвале типа БелАЗ, это достаточно трудоемкий процесс. Такой датчик измеряет температуру в одной точке, а крупногабаритные шины зачастую имеют зоны локального перегрева. Таким образом, если датчик расположен на противоположной стороне шины, то данный тип перегрева он отследить не сможет.
В связи с подобными сложностями компания «Рексофт» предлагает использовать технологию машинного зрения вместе с тепловизионной камерой. Камера даст термоизображение шин самосвала, а машинное зрение будет обучено на автоматический поиск зон локального перегрева на каждой шине (рис. 5).
Рис. 5. Распознавание зоны локального перегрева шины в инфракрасном спектре
Такой контроль может быть организован во время техобслуживания или пересменки. Его может выполнять оператор с портативной тепловой камерой, либо можно установить камеру возле дороги, по которой регулярно проезжают самосвалы: в таком случае процесс будет полностью автоматизирован, а ответственный персонал будет получать только уведомления с фотографией, например, «на самосвале бортовой номер N обнаружен локальный перегрев шины на переднем правом колесе». Агрегирование данных о перегревах шин в аналитической системе позволит построить рекомендательную систему, предоставляющую рекомендации о необходимости ротации шин либо сигнализирующую о том, что конкретный самосвал работает в режиме перегрузки. А при дополнительной интеграции с системой диспетчеризации водителю самосвала может быть автоматически дано указание снизить скорость движения либо даже поменять маршрут, чтобы сохранить ресурс шины.
Что дает бизнесу машинное зрение
Приведем примеры экономической эффективности, которую дает применение машинного зрения. Например, Стойленский ГОК использует машинное зрение для контроля гранул породы на разных этапах производства. В режиме реального времени система определяет размер гранул, контролирует наличие посторонних объектов и генерирует данные для анализа эффективности буровзрывных работ. Внедрение машинного зрения было для предприятия непростым: пришлось заниматься трудоемкой настройкой алгоритмов и обучением модели. Но, если ранее ручной пробоотбор занимал около двух часов, то машинное зрение позволило оценивать размер фракций в режиме реального времени, а кроме того, попутно контролировать положение конвейерных лент и выявлять их дефекты.
Для контроля состояния зубьев ковша экскаватора машинное зрение применяется на руднике Актогай компании KAZ Minerals. Здесь с помощью внедренной системы удалось до минимума сократить простои, связанные с неисправностью оборудования (один час простоя дробилки оценивается $5000–$8000), сохранить производительность экскаваторов и повысить уровень безопасности производства.
Системы контроля ходимости шин активно применяются на горнорудных предприятиях Северной и Южной Америки, а также в Австралии. В общей сложности их используют несколько сотен рудников в разных странах мира. Внедрение данных систем связано с затратами на оборудование шин датчиками. Инвестировать приходится и в проведение интеграции с другими системами. Но и экономическая отдача таких систем весьма высока. Предприятия сокращают затраты на покупку, ремонт и обслуживание шин, увеличивают производительность колесной техники, поскольку получают возможность планировать ремонт и своевременно проводить ротацию самосвалов. Наконец, предприятиям горнодобывающей отрасли становится доступным использование шин карьерной техники по модели Tire as a Service, то есть аренда резины у сторонних компаний с оплатой за единицу пробега. Это позволяет перевести капитальные затраты на шины в категорию операционных.
Внедрение каждой из таких систем — трудоемкий и затратный проект, решение о запуске которого требует глубинной экспертной оценки специалистами, имеющими опыт подобных внедрений. Оценка важна для понимания цикла возврата инвестиций. Такие проекты — это всегда работа на будущее, ведь предприятие получит в свое распоряжение инструментарий, позволяющий оптимизировать эксплуатацию оборудования, повысить его производительность, предотвратить потери, связанные с его преждевременным выходом из строя.
Источник: Control Engineering Russia
Фото: igormakarov/Shutterstock.com
