Как дроны помогают нам управлять состоянием дорог в рудном карьере
Привет, Хабр! Беспилотные летательные аппараты (БПЛА) часто используются в горнодобывающем производстве чтобы ускорить и обезопасить работы в карьерах. В НЛМК мы, в частности, применяем дроны для анализа состояния дорог на Стойленском ГОКе, потому что хорошая дорога позволяет расходовать меньше топлива для автотранспорта и дольше сохранять шины.
Группа НЛМК производит больше всего стали в России. Сырьем ее обеспечивает Стойленский горно-обогатительный комбинат (СГОК). Он находится в Старом Осколе и относится к так называемой Курской магнитной аномалии.
С высоты птичьего полета карьер СГОКа выглядит так:
Карьер — это живой организм, его работу обеспечивают разные специалисты: геологи, маркшейдеры, производственники и логисты. Геологи управляют качественными параметрами руды, маркшейдеры занимаются измерениями — в каком объеме, когда и где именно будем взрывать породу, производственники непосредственно обеспечивают добычу, а логисты круглосуточно перевозят руду в нужном объеме в огромных самосвалах.
В среднем за сутки каждый самосвал перевозит где-то 10 000 тонн. В итоге специалисты разных служб обеспечивают добычу и доставку на производство самой лучшей руды, чтобы комбинат мог произвести максимально качественный железорудный концентрат.
Как я уже сказал, карьер — это живой организм, а дороги — его кровеносная система, от работы который зависит объем перевозимой руды.
От того, как организован процесс перевозки самосвалами, зависит многое. Во-первых, безопасность наших сотрудников. Например, если у дороги слишком большой уклон, есть риск, что самосвал завалится. Во-вторых, карьерные дороги имеют ограниченную пропускную способность, которую необходимо использовать максимально эффективно. Простой пример: из-за узкого участка образуется пробка, соответственно, сырье «опаздывает» на производство, могут возникнуть простои и так далее. В-третьих, можно говорить и о более тонких эффектах — вовремя отремонтированные ямы могут помочь сократить расход топлива самосвалов на миллионы рублей в год. Важным фактором является изменчивость дорог от взрыва к взрыву каждые 3 недели, примерно 20% маршрутов закрывается и открываются новые.
Строительство новых дорог и поддержание действующих также входит в обязанности логистов. Каждая дорога должна соответствовать требованиям безопасности и обладать пропускной способностью для перевозки нужного объема. За соблюдением нормативов следит дорожный инженер, который ежедневно проводит визуальный осмотр дорог и формирует план по улучшениям и ремонту.
Общая протяженность дорог внутри карьера составляет более 25 км. Очевидно, что один человек потратит очень много времени на то, чтобы все это регулярно объезжать и проверять.
Поэтому мы придумали ускорить этот процесс с помощью фотограмметрии, то есть с определенной периодичностью получать общую карту карьера для оценки состояния дорог с помощью беспилотников.
Мы используем для этого БВС (беспилотное воздушное судно) самолетного типа SenseFly eBee X,
получаем съемку, загружаем в аналитическую платформу Skyeer, которая проводит расчеты параметров дорог во всем карьере (например, определяет ширину, уклон и т.д.) и предоставляет набор отчетов с приоритезацией критичных отклонений по безопасности и эффективности.
Так выглядит интерфейс управления полетом. Он управляется с ноутбука — заносится полетное задание (координаты, высота, зона покрытия), запускается вручную, а далее полет полностью на автопилоте. Салатовым цветом показана траектория полета. Чтобы сохранить точность снимка, программа сама рассчитывает заданную высоту до объекта съемки.
На первом этапе полученные данные загружались в платформу, где дорожный инженер вручную измерял параметры дороги. Уже на старте стало понятно, что качество оценки дорог увеличилось относительно физического осмотра, но измерения вручную все еще требовали много времени.
И тогда мы подумали, а что если автоматизировать и измерения? Мы провели анализ рынка программ фотограмметрии и выяснили, что готового ПО под задачу не существует.
Проблема есть, потенциал есть, почему бы не разработать самим? Одной из основных задач было понять, как научить систему отличать дорогу от других объектов в карьере. Может быть, используя алгоритмы машинного зрения? Но для этого потребовалось бы собрать базу из тысяч фотографий, чтобы обучить систему. Это было бы слишком долго, и от идеи отказались.
Решение не заставило себя долго ждать, потому что, по-хорошему, дорога — это место, где может проехать самосвал. Мы протестировали алгоритм, по данному критерию система могла автоматически определять дорогу с точностью 95–98%. Дальше дело техники: задать критерии расчета, определить шаг измерений, настроить визуализацию. В итоге менее чем за 6 месяцев был разработан продукт, позволяющий в автоматическом режиме обрабатывать съемку с беспилотника и подсвечивать критичные места.
Когда все параметры дорог рассчитаны, программа «подкрашивает» их в зависимости от состояния по трем группам отклонений (критичное, удовлетворительное, нормальное состояние). Это выглядит вот так: Напоминает «Яндекс.Пробки».
Срез актуального состояния карьера
Процесс оценки состояния ускорился более чем в 5 раз, это позволило «лечить» дороги там, где оказывается наибольшее влияние на основные КПЭ перевозок. В результате использования инструмента за 2021 удалось достичь эффекта от снижения расхода топлива в среднем на 6%, эффект от увеличения ходимости шин требует большего периода наблюдения.
