Искусственный интеллект на производстве руды дал +10% к выработке без дня простоя

Крупный горнодобывающий комбинат, разрабатывающий рудные месторождения, обратился к разработчикам с конкретным запросом: нужна система, которая в реальном времени оценивает состав, размер и качество руды на входе в производство. Классический контроль качества с отбором пробы, лабораторным анализом и визуальным осмотром оператора перестал устраивать предприятие по четырём причинам, каждая из которых напрямую бьёт по экономике.

Ниже разбираю, как устроено такое внедрение, что получилось в цифрах и как подобный подход применим за пределами горнодобычи. Если вы работаете с производственным контентом или ищете примеры, где искусственный интеллект на производстве даёт измеримый результат, этот кейс пригодится.

Почему лабораторный контроль перестал справляться?

Привычная схема «проба, лаборатория, заключение» рабочая и проверенная отраслью. Но у неё четыре слабых места.

• Данные приходят с опозданием. Анализ занимает часы, иногда сутки. За это время руда уже прошла дробление и попала в передел. Заключение описывает прошлое, а корректировать нужно настоящее.
• Оценка субъективна. Визуальный контроль зависит от опыта конкретного человека и его состояния в смену. Два оператора одну и ту же горную массу опишут по-разному.
• Проба не равна потоку. Реальный поток руды неоднороден: качество плывёт от вагона к вагону, от забоя к забоя. Точечные замеры эту изменчивость не ловят.
• Пропущенное включение стоит дорого. Зуб экскаватора, обломок арматуры или футеровки (защитная облицовка внутренних стенок оборудования), попавший в поток, ломает дробилку. Ручной осмотр такие вещи находит не всегда.

Лабораторию при этом никто не отменяет. Она остаётся арбитром по химическому составу. Система на базе искусственного интеллекта закрывает другое: непрерывный поток данных, который лаборатория дать физически не может.

Что понадобится

• Камеры и датчики глубины над конвейерами, бункерами-питателями и транспортом (думпкары, самосвалы).
• Программная платформа для детекции объектов и анализа видеопотока, алгоритмы компьютерного зрения (computer vision, распознавание объектов на изображениях и видео с помощью нейросетей).
• Математические модели и MES-контур (MES, система управления производственными процессами, связывающая оборудование с планированием).
• Интеграция с существующей инфраструктурой предприятия, без остановки производства.
• Время на внедрение: техническое решение подготовили за неделю, далее разработка ПО, монтаж, тестирование и обучение персонала, всё в согласованные сроки.

Пошаговая инструкция

1. Обследование производства. Изучить технологические процессы, найти проблемные участки, зафиксировать ручные операции, которые имеет смысл автоматизировать. На этом этапе формулируются конкретные задачи: анализ изображений руды, определение размера частиц, содержания полезных ископаемых и контроль посторонних включений.

2. Подготовка технического решения. Подобрать оборудование (камеры, датчики) и программную часть, согласовать с заказчиком. В данном случае этот этап занял неделю.

3. Разработка и монтаж. Камеры и датчики устанавливаются над конвейерами и в бункерах-питателях. Параллельно идёт разработка программного обеспечения: алгоритмы распознавания фрагментов руды, классификации качества, детекции посторонних предметов.

4. Настройка гранулометрического анализа. Гранулометрический состав (распределение кусков руды по размеру) система определяет по цветовому градиенту относительно фактических размеров, опираясь на модели Rosin-Rammler и Swebrec. Это стандартные для отрасли математические модели распределения частиц, но обычно их применяют к разовым съёмкам. Здесь они работают непрерывно, с точностью до 5 см прямо в забое.

5. Интеграция с производственным контуром. Данные компьютерного зрения уходят в математическую модель. По ним оперативно регулируется работа мельниц и питателей, стабилизируется качество сырья на входе в дробильно-обогатительную фабрику. Отдельно система фиксирует распределение руды по слоям в бункерах для улучшения шихтования (смешивания сырья в нужных пропорциях).

6. Тестирование и обучение персонала. Перед запуском провести комплексное тестирование. Обучить операторов работе с новым интерфейсом. Принципиальный момент: производство при этом не останавливается. Для горного предприятия остановка передела на время внедрения съела бы весь экономический эффект.

7. Запуск детекции дефектов. Параллельно с основным анализом работают модули детекции: ищут недробимые элементы, обломки арматуры, зубья экскаватора, куски футеровки. Крупные фракции, превышающие стандарт, система подсвечивает отдельно.

Результаты, которые зафиксировал комбинат

По данным комбината, после внедрения зафиксированы следующие показатели:

• Рост производительности труда до 10% за счёт оптимизации загрузки руды в печи.
• Снижение расхода топлива до 5% благодаря более эффективному сжиганию.
• Уменьшение брака до 15% за счёт выявления и удаления посторонних включений.
• Сокращение простоев до 10% за счёт защиты оборудования от крупных фракций.

Дополнительно идёт оптимизация затрат на топливо, обслуживание и утилизацию брака, но выделить вклад именно системы компьютерного зрения сложно, поэтому отдельной цифрой разработчики это не заявляют. Честная оговорка, которая внушает больше доверия, чем красивый процент.

Что делать с этим прямо сейчас, по ролям

Автору, который пишет про промышленность и технологии. Этот кейс показывает структуру, по которой можно строить материалы об искусственном интеллекте на производстве: конкретная боль (запаздывание данных), конкретное решение (компьютерное зрение), конкретные цифры (до 10% рост производительности). Такой формат хорошо работает на Дзене, потому что читатель видит не абстрактное «ИИ меняет мир», а понятную цепочку «было, сделали, стало».

Маркетологу промышленной компании. Если ваш клиент или работодатель занимается добычей, обогащением или металлургией, кейс показывает, какие аргументы работают: не «внедрим ИИ», а «сократим простои до 10%, снизим брак до 15%». Цифры из реального внедрения убедительнее любого обещания.

Предпринимателю в РФ. Подход применим к любому производству, где качество входящего сырья изменчиво: уголь, металлы, драгметаллы, редкоземельные элементы, обогатительные фабрики. Экологический эффект тоже считается: чем точнее контроль на входе, тем меньше пустой породы уходит в переработку. В России компьютерное зрение для промышленности развивают несколько команд, проект показывает, что технология уже на стадии рабочих внедрений, а не лабораторных пилотов.

Производственные кейсы с компьютерным зрением перестали быть экзотикой для российских предприятий. Главный вывод из этого внедрения прост: начинайте не с технологии, а с конкретной боли, которая стоит денег каждую смену, и считайте эффект в тех единицах, которые понимает директор комбината: тонны, простои, процент брака.