Промышленная автоматизация металлургического производства. Архитектурные решения и техническая реализация

Расскажем о практическом кейсе внедрения системы автоматизации на металлургическом предприятии. Покажем техническую реализацию архитектурных решений, разберем особенности интеграции промышленного оборудования и поделимся подходами к организации обмена данными в реальном времени. Особое внимание уделим реализации видеоаналитики производственных процессов и созданию замкнутого контура управления на базе микросервисной архитектуры.

Введение

MES (Manufacturing Execution System) — это цифровой диспетчер производства, который соединяет планирование с реальным производством. Если ERP говорит, что нужно сделать, то MES показывает, как именно это делать на заводе, собирая данные с оборудования и управляя процессами в режиме реального времени.

Если мы говорим про автоматизацию в металлургии, то здесь особенно важна точность состава сырья и контроль технологических параметров процесса — даже небольшие отклонения могут привести к браку целой партии. Поэтому автоматизация таких процессов дает измеримый экономический эффект.

Описание проекта

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.

Проект реализуется поэтапно: сначала новая система внедряется на одной производственной линии с использованием минимального количества ресурсов — чтобы протестировать ключевые гипотезы и убедиться в корректности работы. Если результаты подтверждаются, система масштабируется на аналогичные участки производства

По техническому заданию заказчика все новые сервисы должны были размещаться в виде облачных и web-сервисов (на инфраструктуре заказчика). Такой подход обеспечивал эффективное версионирование приложений, своевременное обновление, мониторинг состояния систем и удобный контроль доступа для сотрудников.

В данном кейсе мы рассмотрим:

• Архитектуру системы на базе микросервисов (Python, OpenCV, Redis, Linux)

• Интеграцию с промышленным оборудованием (XRF-анализаторы, датчики, камеры)

• Поэтапную реализацию: от видеоаналитики материалов до замкнутого контура автоматизации

• Практическое применение компьютерного зрения для извлечения данных с экранов приборов

• Интеграцию компонентов и обеспечение бесперебойной передачи данных через Redis

• Автоматизацию контроля множественных производственных процессов

• Технические детали реализации каждого этапа производственного процесса

Этап 1. Видеоаналитика движущегося материала

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

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

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

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 при необходимости предоставляет возможность вручную редактировать данные.

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

• 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.