Промышленная автоматизация металлургического производства

Металлургическое предприятие с непрерывным производственным циклом.
Ключевая задача — повысить точность контроля состава и объёма сырья
без остановки производства и без полной модернизации оборудования.

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.

Процесс начинается с подачи исходного материала на ленточный конвейер
из 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 Python
с 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 необходимы для точного контроля состава сырья и используются на 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 операций на 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 платформу для дальнейшей обработки.

Параллельно с этим видеоаналитика также отправляет первичные данные напрямую в 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 необходимо для того, чтобы была возможность проводить дополнительную аналитику с целью корректировки существующих алгоритмов.

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.

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.