Морской торговый порт: контроль целостности конвейерной ленты

АО «Находкинский морской торговый порт» — одна из крупнейших стивидорных компаний Дальнего Востока России. Для транспортировки угля и других насыпных грузов используются конвейерные линии, работающие практически непрерывно.

Конвейерная линия порта работает в непрерывном режиме и транспортирует насыпные абразивные грузы, включая уголь. Лента постоянно испытывает высокую механическую нагрузку, из-за чего со временем появляются локальные повреждения — надрывы, порезы и пробои.

На ранней стадии они практически незаметны, но под нагрузкой быстро деградируют: дефект проходит через ролики и пересыпные бункеры, увеличивается и в итоге приводит к разрыву ленты и аварийной остановке.

Чтобы не допустить разрыва, операторы контролировали состояние конвейера во время обходов. Требовались значительные трудозатраты для этого, учитывая длину ленты около 2 км и скорость движения конвейера (3,5 м/с). Но даже при регулярных обходах оставалась принципиальная проблема: обход фиксирует состояние ленты в конкретный момент, а не показывает, как быстро повреждение ленты увеличивается.

Даже если дефект был обнаружен, оценить динамику его дальнейшего увеличения без остановки оборудования и быстро найти его повторно при следующем осмотре было сложно — точных координат дефекта не было. Требовалась система, которая фиксирует повреждения автоматически, хранит историю наблюдений и помогает планировать обслуживание до того, как дефект приведёт к разрыву.

Задачи:

• организовать круглосуточный контроль состояния конвейерной ленты без остановки производственного процесса;
• обеспечить отслеживание дефектов в динамике, чтобы операторы могли оценивать их развитие и принимать решения о ремонте на основе фактических данных.

На объекте внедрили систему контроля конвейерной ленты на базе платформы ML Sense.

Работа началась с предпроектного обследования объекта.

Для системы машинного зрения было важно найти участок, где поверхность ленты хорошо просматривается независимо от времени суток и погодных условий.

Специалисты Nord Clan обследовали конвейерную линию и выбрали зону, где лента проходит без груза и меняет направление движения. На этом участке удалось организовать стабильное освещение и обеспечить качественную съемку поверхности.

Обычно для обучения нейросетей требуется большой архив размеченных изображений дефектов. В данном проекте таких данных было недостаточно. Кроме того, заранее невозможно предусмотреть все варианты повреждений конвейерной ленты, которые могут возникнуть в процессе эксплуатации.

Чтобы решить эту задачу, команда сформировала часть датасета самостоятельно. Для этого в лаборатории подготовили реальные образцы конвейерных лент с различными повреждениями и использовали их для обучения алгоритмов.

Над выбранным участком конвейера разместили пост контроля: промышленную камеру в защитном кожухе с системой обдува и освещения. Обдув предотвращает загрязнение защитного стекла пылью и угольной крошкой во время работы конвейера, что позволяет сохранять стабильное качество изображения без остановки системы.

Камера непрерывно фиксирует поверхность ленты и передаёт изображения в ML Sense для анализа.

Система обнаруживает:

• порезы;
• надрывы;
• пробои;
• другие нарушения целостности полотна.

Система не определяет тип дефекта, но фиксирует его размеры и отслеживает изменения во времени. Для заказчика такой подход оказался более полезным: при принятии решений о ремонте важен не класс повреждения, а его динамика и степень развития.

Для работы с результатами контроля разработана мнемосхема всей ленты.

На ней отображаются все обнаруженные повреждения и их расположение. Помимо координат используются дополнительные обозначения, которые помогают быстрее найти нужный участок во время осмотра.

Оператор видит полную картину состояния конвейера в одном интерфейсе и может сосредоточиться на наиболее критичных повреждениях.

Главная особенность решения — контроль не отдельных кадров, а жизненного цикла дефекта.

На конвейере определена условная нулевая точка. Энкодер отслеживает движение ленты и рассчитывает положение каждого обнаруженного повреждения.

Когда дефект повторно проходит через зону контроля, система снова фотографирует его и привязывает снимок к уже существующему событию. В результате оператор получает не разрозненные срабатывания, а историю развития конкретного повреждения.

В результате предприятие получило инструмент для непрерывного контроля состояния конвейерной ленты, который помогает оценивать развитие дефектов без постоянных обходов.

Это позволит:

• сократить трудозатраты операторов на контроль состояния ленты;
• ускорить поиск повреждений во время обслуживания;
• перейти от разовых визуальных осмотров к накоплению данных о состоянии оборудования;
• снизить риск аварийных остановок и связанных с ними затрат;
• прозрачно планировать технические остановки для ремонта и замены ленты.