«Промышленный интеллект», или как мы создали нейросеть для контроля качества продукции машиностроительного завода
Я, Илья Померанцев, руководитель ML-направления в Globus IT. Хочу поделиться интересным кейсом по использованию нейросетей в промышленности.
О проекте
Активное развитие информационных технологий запустило важный для бизнеса процесс — оптимизацию. Выполнение задач, которые раньше занимали несколько часов и делались специалистами вручную, теперь занимает всего несколько минут благодаря современному программному обеспечению. И если мы видим положительный результат такой автоматизации в небольших компаниях, представьте каковы его масштабы в рамках крупных производств. Да, зачастую промышленные предприятия с трудом соглашаются на внедрение новых технологий, а переходы с одной модели работы на другую требуют значительных ресурсов. Но и выгоды от автоматизации производственных процессов переоценить сложно:
Повышается качество и надежность изделий за счет высокой точности оборудования
Увеличивается производительность: объемы производства растут, временные затраты сокращаются
Уменьшаются операционные расходы
Значительно сокращается время на подготовку технической документации, отчетности и аналитики
Повышается конкурентоспособность компании за счет улучшения качества выпускаемой продукции, возможности быстро адаптировать производство к меняющимся требованиям и масштабировать его при необходимости
Именно эти причины подтолкнули нашего клиента, крупный машиностроительный завод, к реализации проекта по автоматизации контроля качества сварных соединений (швов) на рамах тележек. Главная цель проекта — создание и внедрении универсальной роботизированной измерительной ячейки (РИЯ), которая самостоятельно контролирует качество сварки шва, исключая человеческий фактор, обнаруживает различные дефекты, готовит техническую документацию (паспорт) по каждому выпущенному изделию, а также собирает и хранит данные о возможных несоответствиях изделий установленным нормам.
Задача
Заказчик решил заменить текущую технологию, где проверку качества и соответствия изделия технической документации осуществлял человек (контролер), и подобрал для этого оптимальную модель — 3D-сканер с лазерным трекером. Данная технология измерения позволяет получить цифровой 3D-двойник готового изделия, контролировать его геометрические параметры, наличие приварных элементов и правильность их размещения.
Проектной команде Globus IT предстояло:
осуществить автоматизацию процессов контроля качества, исключить человеческий фактор и обеспечить надежность и точность контроля;
разработать ПО, которое сможет определять наличие дефектов сварного шва и их координаты, а также формировать электронные паспорта изделий с информацией о геометрических параметрах и дефектах сварных соединений;
сделать реверс-инженеринг (так как манипулятор поставлялся уже с встроенным ПО) и разработать систему автоматического формирования отчетности по выявленным нарушениям качества изделия с привязкой к конкретному чертежу;
интегрировать созданные веб-решения в информационную систему управления компании.
Реализация
В рамках проекта была создана специализированная программа для разметки данных с использованием C# .Net и интерфейсом WinForms с подробной инструкцией по разметке данных. В качестве основы использовались около 12 000 фотографий, предоставленных РИЯ.
В процессе команда столкнулась с отсутствием достаточного количество данных, в связи с чем приходилось специально браковать изделия в рамках рабочего процесса и фиксировать случаи брака, накапливая необходимый «опыт».
Программа для обучения нейронных сетей создавалась на языке программирования Python 3.6 с использованием библиотек и инструментов TensorFlow 2, OpenCV и tensorboard. Нейронные сети разрабатывались вручную и предназначались для определения дефектов сварных соединений. Одной из сложностей, с которой столкнулась команда на данном этапе, стала необходимость создания сбалансированных и непересекающихся наборов данных (mini-batch).
Программа анализа данных на РИЯ была построена на языке программирования C# .Net с использованием TensorFlow .Net. А для обмена данными использовался протокол OPC через OPC UA SDK.
В итоге командой Globus IT было разработано комплексное программное обеспечение, которое обнаруживает дефекты сварного шва и автоматически определяет координаты этого дефекта, делает его фотографии и формирует отчет в режиме реального времени, а также веб-решение по формированию отчетов, интегрированное во внутреннюю информационную систему компании.
Результат
Подводя итоги, мы можем уверенно сказать, что автоматизация процесса обнаружения и фиксации дефектов сварных соединений дала устойчивый положительный результат:
количество брака на производстве снизилось на 10%;
проект полностью окупил себя, а экономический эффект от внедрения РИЯ превышает 16 млн рублей/год;
улучшено качество и надежность выпускаемых изделий за счет 100% исключения человеческого фактора;
оптимизированы производственные процессы по подготовке технической отчетности — вся информация об изделиях и случаях брака передается в режиме реального времени, формируя единую базу данных.
Проект демонстрирует успешное внедрение искусственного интеллекта в производственный процесс крупного промышленного предприятия, что дает возможность масштабировать данную практику, экспериментировать с построением различных моделей на основе нейронных сетей и реализовывать их в других компаниях.
Стек технологий
OpenCV
C# .Net
TensorFlow .Net
WinForms
Python 3.6
TensorFlow 2
Tensorboard
OPC UA SDK
