Автоматизированный контроль целостности конвейерной ленты в морском порту

Главное о кейсе

Система с помощью машинного зрения и нейросетей выполняет круглосуточный контроль состояния конвейерной ленты в режиме реального времени.

Автоматически выявляет порезы, надрывы, пробои и другие повреждения поверхности на движущемся конвейере со скоростью до 3,5 м/с, фиксирует координаты дефектов и передает оповещения операторам.

Результат:

Снижение аварийных простоев за счет раннего выявления критических дефектов.
Уменьшение затрат на замену и ремонт конвейерных лент благодаря своевременному обнаружению планированию ремонта.

Как проект изменил жизнь пользователей

Решение переводит контроль конвейерной ленты от периодических визуальных осмотров к непрерывному наблюдению с фиксацией динамики повреждений. Это помогает своевременно выявлять риски нарушения целостности полотна и снижать вероятность аварийного разрыва и связанного с ним простоя оборудования.

Бизнес-задача и ее решение

Задача
В Находкинском морском торговом порту уголь и другие насыпные грузы транспортируются по конвейерным линиям. Одна из них имеет длину около 2 км, скорость движения ленты достигает 3,5 м/с.
При постоянной нагрузке на поверхности ленты возникают порезы, надрывы и пробои. Незамеченное повреждение может увеличиваться при прохождении через ролики и пересыпные участки, создавая риск разрыва полотна и незапланированного простоя оборудования.
Ранее состояние ленты проверяли во время регулярных обходов. Такой подход не обеспечивал непрерывного наблюдения и не позволял систематически отслеживать динамику обнаруженных дефектов.
Предприятию требовалось автоматизировать контроль, фиксировать местоположение повреждений и оценивать изменение их размеров при дальнейшей эксплуатации конвейера.
Решение
Специалисты Nord Clan внедрили систему машинного зрения на базе платформы ML Sense. Она анализирует изображения поверхности движущейся ленты, выявляет повреждения и сохраняет историю их изменения.
Для работы в условиях запылённого производства команда обследовала конвейер и выбрала участок, на котором можно получать стабильные изображения полотна. Пост контроля оснастили промышленной камерой, защитным кожухом, системой освещения и обдува защитного стекла.

Крафт (мастерство), реализация, технические детали

Отдельной инженерной задачей стала подготовка данных для обучения нейросетей. Архива реальных повреждений было недостаточно, поэтому специалисты Nord Clan создали дополнительные обучающие примеры на образцах конвейерных лент, самостоятельно сформировав на них различные виды дефектов.
Для отслеживания повреждений в динамике на конвейере определили условную нулевую точку и задействовали энкодер, фиксирующий движение полотна. Благодаря этому система рассчитывает положение дефектов и сопоставляет изображения одного участка при повторных проходах через зону контроля.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

ML Sense определяет размеры повреждений и отслеживает их изменение, не классифицируя дефекты по типам. Результаты контроля отображаются на мнемосхеме конвейерной линии, где оператор может определить расположение повреждённого участка.

Скриншоты