промышленная автоматизация металлургического производства
Перенос логики старых desktop-приложений на web-платформу Внедрение видеоаналитики и обработки данных realtime Интеграция с XRF-анализатором
Python OpenCV Redis
2х backend-разработчик
1 год
Вводные данные
Клиент
Металлургическое предприятие с непрерывным производственным циклом.
Ключевая задача — повысить точность контроля состава и объёма сырья
без остановки производства и без полной модернизации оборудования.
Задача
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 — переноса бизнес-логики со старых desktop-приложений на современную web-платформу для повышения доступности, отказоустойчивости и централизации расчетных модулей.
Выбор стека разработки
Все сервисы должны были работать в виде облачных и web-приложений
на инфраструктуре клиента. Для обеспечения стабильности и масштабируемости была выбрана микросервисная архитектура на Python с Redis, OpenCV и Linux.
Передача и обработка данных между модулями выполнялась в реальном времени, что было критически важным для технологических решений с высокой нагрузкой.
Процесс работы
Этап 1. Видеоаналитика движущегося материала
схема работы видеоаналитики
Процесс начинается с подачи исходного материала на ленточный конвейер из загрузочного бункера. Точность объёма подаваемого материала определяет качество последующего производственного процесса. Камера фиксирует изображение движущегося материала, а видеопоток поступает на виртуальную машину VM-2 на базе Linux. Здесь запускается система видеоаналитики на Python с использованием 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
- 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.
Этап 2. Передача данных через Redis и обработка в Connector
Схема работы передачи и хранении данных
- первичные значения от видеоаналитики;
- данные, подготовленные для передачи на платформу вычислений.
Этап 3. Замыкание контура автоматизации через Conundrum
схема передачи данных в conundrum
После того как Connector передаёт эти данные на платформу (Conundrum), информация, полученная от видеоаналитики, сохраняется в (DB) для последующего использования при 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.
Этап 4. Система мониторинга и визуализации данных
система мониторинга подачи воздуха
- какой именно процесс происходит на том или ином оборудовании (с учётом фактических данных и рекомендаций),
- и предоставляет возможность вручную редактировать данные при необходимости.
- данные видеоаналитики о начале и завершении загрузки в конвейер (время начала и окончания),
- данные о количестве воздуха, подаваемого в печь.
- поддерживать стабильность технологических параметров,
- оперативно реагировать на отклонения,
- повысить качество продукции и энергоэффективность.
Результаты
- Успешная интеграция всех компонентов микросервисной архитектуры
- Стабильная работа системы видеоаналитики и обработки данных в режиме реального времени
- Подтверждение технической осуществимости концепции заказчика
- Планирование поэтапного масштабирования системы на другие производственные линии предприятия по итогам успешного пилотного проекта
