Промышленная автоматизация металлургического производства

enterprise
Python
OpenCV
Redis
технологии
backend-разработчик
команда
-
срок
Содержание
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 — перенос 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 критически важно для технологических решений с высокой нагрузкой.
Процесс работы
Этап 1. Видеоаналитика движущегося материала
Этап 1. Видеоаналитика движущегося материала
схема работы видеоаналитики
схема работы видеоаналитики
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 критически важны для точного контроля состава сырья и используются
на всех последующих этапах технологической цепочки.
Этап 2. Передача данных через Redis и обработка
в Connector
Этап 2. Передача данных через Redis и обработка в Connector
схема работы передачи данных
Схема работы передачи и хранении данных
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 важно для того, чтобы была возможность проводить дополнительную аналитику
с целью корректировки существующих алгоритмов. Такая двухуровневая запись делает систему не только точной, но и прозрачной и объяснимой — что особенно важно
в промышленной автоматике и при аудите.
Этап 3. Замыкание контура автоматизации через Conundrum
Этап 3. Замыкание контура автоматизации через Conundrum
схема передачи данных в 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
Этап 4. Система мониторинга и визуализации данных
система мониторинга подачи воздуха
система мониторинга подачи воздуха
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.
В результате MES становится точкой принятия решений, базирующейся на точных цифровых данных, а не на допущениях или ручных расчётах.

На первом этапе достигнуто:

  • Успешная интеграция всех компонентов микросервисной архитектуры
  • Стабильная работа системы видеоаналитики и обработки данных в режиме реального времени
  • Отладка замкнутого контура управления от измерения до исполнительных команд
  • Подтверждение технической осуществимости концепции заказчика
Результаты
По результатам успешного пилотного проекта планируется поэтапное масштабирование системы на другие производственные линии предприятия. Система видеоаналитики стабильно определяет массу сырья на конвейере с точностью, достаточной для управления технологическим процессом. Интеграция через Redis обеспечила передачу данных с минимальной задержкой, а замкнутый контур управления позволил автоматизировать корректировку параметров подачи воздуха в печь.
Разработка
внутреннего сервиса
Разработка
внутреннего сервиса