AI-визуальный контроль мостового крана: дефекты каната и рельса
Система ИИ-визуального контроля мостового крана на базе фреймворка глубокого обучения YOLOv8 обеспечивает точность обнаружения обрывов проволок каната mAP≥95,3%, вероятность выявления трещин на подкрановом рельсе ≥92%, а время обработки одного кадра составляет ≤12 мс (Jetson Orin NX). Это решение заменяет традиционный ручной осмотр, повышая эффективность в 8–10 раз.
Обрыв каната, трещины в рельсе и деформация крюка — три наиболее критичных фактора опасности для мостового крана. Традиционный визуальный контроль (ВК) полностью зависит от опыта персонала, характеризуется низкой полнотой охвата и нестабильностью соблюдения стандартов. Осмотр одного крана занимает от 2 до 4 часов. Учитывая количественные требования к визуальному осмотру каната согласно ГОСТ 33750-2016 (аналог ISO 4309:2017) и стандарту ISO 4309 — стандарт контроля стальных канатов, а также регламентные сроки проверки ответственных компонентов, установленные стандартом ISO 4301 (ранее ISO 4301 / FEM 1.001), внедрение полностью автоматической ИИ-системы для непрерывной идентификации поверхностных дефектов становится объективной необходимостью для интеллектуального управления грузоподъёмными машинами.
Система ИИ-визуального контроля крана состоит из трёх ключевых модулей: массива промышленных камер, периферийного ИИ-терминала и облачной платформы управления. Высококачественные промышленные камеры устанавливаются в стратегически важных точках: вдоль трассы каната механизма подъёма, по линии подкранового рельса и в зоне шейки крюка. Они в реальном времени передают изображения на периферийное устройство, где модель глубокого обучения выполняет вывод за миллисекунды. Результаты обнаружения и аннотации дефектов синхронизируются с платформой управления, обеспечивая переход от пассивного ремонта к активному предупреждению отказов.
Архитектура модели глубокого обучения и ключевые алгоритмы
В системе применяется каскадная архитектура из двух моделей: YOLOv8 и SegFormer. Модель YOLOv8 отвечает за быструю локализацию и классификацию объектных дефектов, включая обнаружение обрывов проволок каната, маркировку зон вмятин на рельсе и выявление аномалий раскрытия зева крюка. Точность обнаружения (mAP@0.5) достигает 95,3%.
Семантическая сегментационная модель SegFormer специализируется на задачах, требующих попиксельной точности: выявление поверхностных микротрещин, оценка площади коррозии и степени износа. Показатель mIoU составляет 82,7%. Результаты обеих моделей объединяются и анализируются облегчённым модулем голосования, что позволяет снизить долю ложных срабатываний с 6,8% до 1,9%.
Для обеспечения работы в реальном времени на производстве модель оптимизирована с помощью TensorRT FP16 и развёрнута на модуле периферийных вычислений NVIDIA Jetson Orin NX. Время обработки одного кадра не превышает 12 мс, а скорость обработки видеопотока достигает 83 FPS, что полностью покрывает потребности непрерывного контроля всех механизмов крана.
Для обучения моделей использовался собственный набор данных по дефектам кранов, включающий 82 000 аннотированных изображений четырёх типов типовых дефектов: обрыв проволок каната, трещины рельса, деформация крюка и электрическая эрозия троллейного шинопровода. Данные были разделены на обучающую, валидационную и тестовую выборки в пропорции 7:2:1.
Сравнение ключевых характеристик: традиционный ручной осмотр и ИИ-визуальный контроль
| Параметр | Традиционный ручной осмотр | ИИ-визуальный контроль |
|---|---|---|
| Время осмотра одного крана | 2–4 часа | В реальном времени (83 FPS) |
| Точность обнаружения обрывов проволок | Зависит от опыта, субъективно | mAP ≥ 95,3% |
| Выявление трещин на рельсе | Низкая вероятность, визуально | Вероятность ≥ 92% |
| Стандартизация контроля | Низкая, зависит от человека | Полностью автоматический, соответствует стандарту |
| Эффективность | Низкая, прерывистая | Высокая, непрерывная (в 8–10 раз выше) |
Периферийные вычисления и промышленная интеграция
Ключевая особенность системы — обработка данных непосредственно на кране. Модуль Граничные Вычисления на базе NVIDIA Jetson Orin NX обеспечивает низкую задержку и автономную работу даже при нестабильном сетевом соединении. Это критически важно для синхронизации данных с механизмом подъёма и мостом крана.
Интеграция с существующей инфраструктурой включает подключение к троллейному шинопроводу для питания и обмен данными с системой управления краном по промышленному протоколу. Модернизация не требует замены основного оборудования и может быть выполнена в рамках планового технического обслуживания.
Техническое обслуживание и модернизация: новые стандарты безопасности
Переход на ИИ-визуальный контроль меняет подход к техническому обслуживанию грузоподъёмных машин. Система позволяет перейти от регламентных осмотров к обслуживанию по фактическому состоянию, что снижает затраты и повышает безопасность. Точность обнаружения дефектов на ранней стадии предотвращает разрушение компонентов и увеличивает срок службы оборудования.
Внедрение системы — это не просто замена ручного труда, а модернизация всей системы безопасности предприятия. Полностью автоматический контроль в соответствии с ISO 4309 и ISO 4301 обеспечивает соответствие международным стандартам и снижает риски, связанные с человеческим фактором.
| Сравниваемый параметр | Традиционный ручной методОсмотр | AIсистема визуального контроля |
|---|---|---|
| ОбнаружениеСпособ | Визуальный осмотр+Штангенциркуль+ЛупаРучнойКонтроль | 4Kпромышленная камераАвтоматический сбор данных+AIАнализ в реальном времени |
| На один кранОсмотрЗатраты времени | 2~4часов(Требуется остановка крана) | Непрерывный мониторинг в реальном времени,Без остановки крана |
| Канат стальнойДоля обнаружения обрывов проволок | около40%~60%(Зависит от освещения и квалификации оператора) | ≥95.3%(YOLOv8+SegFormerКомбинированный анализ) |
| ТрещинаминимумМинимальный выявляемый размер | ≥0.3mm(С помощью лупы) | ≥0.1mm(4KИзображение+СверхразрешениеУлучшенный) |
| ОбнаружениеПериодичность | Ежемесячно/ЕжеквартальноПериодический Осмотр | Автоматическое формирование ежедневноОбнаружениеОтчет |
| СправочноСтандарт | GB/T 5972-2016 Требования к визуальному контролю | GB/T 28264 — система мониторинга и управления безопасностью-2017 МониторингАрхитектура системы |
Ключевые параметры и технические показатели
Основные показатели эффективности системы визуального контроля на базе ИИ охватывают три аспекта: точность обнаружения, скорость обработки и адаптацию к условиям окружающей среды. Что касается точности, система достигает mAP 95,3% для обрывов проволоки каната стального, 92,1% для трещин на рельсах, 97,6% для деформации крюка и 94,8% для дуговых разрядов на троллейном шинопроводе.
Скорость обработки: время обработки одного кадра на граничном устройстве составляет 12 мс, поддерживается параллельная обработка до 6 видеопотоков. Адаптация к среде: система использует ИК-подсветку 850 нм для обеспечения нормального обнаружения при низкой освещённости 0–20 лк, степень защиты (IP) камеры IP67 обеспечивает работу в широком диапазоне температур от –20 °C до 60 °C.
Обнаружение множественных дефектов и построение набора данных
Система охватывает типичные поверхностные дефекты четырёх основных объектов контроля мостового крана. Обнаружение дефектов каната стального фокусируется на трёх категориях: обрывы проволоки, уменьшение диаметра из-за износа и площадь коррозии. Классификация дефектов выводится моделью ИИ напрямую в соответствии с правилами браковки по стандарту GB/T 5972-2016.
Обнаружение дефектов рельса охватывает три аспекта: трещины на поверхности катания, глубину вмятин и односторонний износ головки рельса. Оценка проводится по Стандарту Приемки согласно GB/T 10183-2018 «Колеса и рельсы. Допуски на монтаж». Обнаружение дефектов крюка сосредоточено на двух ключевых показателях: изменение степени раскрытия зева и длина поверхностных трещин. Обнаружение дефектов троллейного шинопровода обеспечивает онлайн-контроль износа угольной щётки и следов дуговых ожогов.
Стратегия построения набора данных сочетает сбор данных на реальных предприятиях с синтетическим расширением данных. Временные устройства сбора были установлены на трёх типичных объектах — в металлургии, порту и энергетике — для получения 42 000 исходных изображений. С помощью генеративно-состязательных сетей (GAN) было синтезировано 40 000 дополнительных образцов с различным освещением и ракурсами, что эффективно решает проблему естественной разрежённости дефектов в промышленных условиях. Разметка данных выполняется в формате полигональной сегментации; среднее время разметки одного изображения составляет 15 минут. Качество разметки контролируется двойной проверкой инженером по инспекции кранов и специалистом по ИИ-разметке.
Граничные вычисления и оптимизация производительности
Вычислительная конфигурация — в качестве граничной платформы используется модуль NVIDIA Jetson Orin NX 16GB, обеспечивающий производительность до 100 TOPS при точности FP16, что удовлетворяет требованиям обработки нескольких видеопотоков в реальном времени.
Оптимизация вывода — модель оптимизируется с помощью движка TensorRT для YOLOv8 и SegFormer, включая слияние операторов и оптимизацию памяти. Задержка вывода снижается с исходных 267 мс до 12 мс, что соответствует коэффициенту сжатия 22,3 раза.
Механизм отказоустойчивости — система поддерживает резервный режим ONNX Runtime Fallback: в экстремальных сценариях, когда TensorRT недоступен, происходит автоматическое переключение на движок ONNX, гарантируя непрерывность функции обнаружения.
При развёртывании на объекте камеры синхронизируются с движением механизмов крана по сигналу энкодера. Камеры для контроля каната стального устанавливаются на поперечной балке над механизмом подъёма, камеры для контроля рельсов — по обеим сторонам платформы тележки, камеры для контроля крюка — под кабиной оператора с видом сверху. Все камеры подключаются по промышленному Ethernet к ближайшему защищённому шкафу граничных вычислений. Собранные данные передаются в облачную платформу управления через 4G/5G или проводную сеть. В соответствии с требованиями к интерфейсам данных, изложенными в GB/T 28264-2017 «Система мониторинга и управления безопасностью грузоподъёмных машин», платформа предоставляет стандартный REST API для интеграции с MES и EAM системами.
Точки размещения системы визуального контроля на базе ИИ и сопоставление параметров обнаружения
| Места установки | Тип камеры | ОбнаружениеОбъект контроля | минимумДефектМинимальный выявляемый размер |
|---|---|---|---|
| механизм подъёмаПоперечная балка | 4KЛинейная камера | Канат стальнойОбрыв проволок/Износ/Коррозия | 0.1mmОбрыв проволок |
| ТележкаС обеих сторон тележки | 4KМатричная камера | РельсТрещина/Вмятины/Односторонний износ | 0.2mmТрещина |
| Кабина оператораСнизу | Стереокамера | зев крюкаЕжемесячно/Деформация/Трещина | 0.05mmРаскрытие зева |
| Троллейный шинопроводВдоль каната | Тепловизионная камера | Угольная щёткаЭлектрическая дуга/Плохой контакт | 10°CПорог превышения температуры |
Преимущества системы и экономическая эффективность
Ключевая ценность системы визуального контроля на базе ИИ заключается в преобразовании непредсказуемых внезапных разрушений в управляемый процесс раннего предупреждения. Система способна заблаговременно подать сигнал о необходимости замены каната, когда количество обрывов проволок достигает 80% от норматива выбраковки по GB/T 5972-2016, обнаруживая ранние дефекты на 7–30 суток раньше традиционного ежемесячного осмотра.
На примере сталелитейного завода с годовым производством 1 млн тонн, потери от остановки производства из-за однократного обрыва каната составляют от 300 000 до 800 000 юаней. Внедрение системы ИИ-контроля позволяет снизить частоту аварий, связанных с обрывом каната, более чем на 85%, предотвращая в среднем 2–3 крупных отказа в год.
В части эксплуатационных расходов система способна заменить 50%–70% объёма работ по ручному осмотру, переориентируя ресурсы аттестованных специалистов с повседневного патрулирования на контроль результатов и углублённую диагностику, что повышает эффективность использования кадровых ресурсов.
Совокупная стоимость владения системой на протяжении всего жизненного цикла (включая обслуживание камер, обновление моделей и аренду вычислительных мощностей) составляет примерно 60 000–100 000 юаней в год на один мостовой кран, тогда как убытки от одного крупного инцидента покрывают эксплуатационные расходы системы за 3–5 лет. Данные, накопленные системой, также используются для итеративного улучшения моделей, формируя замкнутый цикл непрерывного совершенствования на основе данных.
Часто задаваемые вопросы
В: Может ли система ИИ-контроля полностью заменить ручную проверку канатов?
О: Полностью заменить — нет. ИИ-контроль способен заменить ежедневный внешний осмотр и часть ежемесячных проверок, однако согласно требованиям GB/T 5972-2016, ежегодное комплексное обследование каната и принятие решения о выбраковке должны выполняться аттестованными специалистами. Система ИИ позволяет значительно увеличить интервалы между ручными проверками, автоматизируя ежемесячный осмотр, при этом специалисту остаётся лишь проверять аномальные изображения, переданные системой.
В: Как обеспечивается точность обнаружения в условиях запылённости и замасливания?
О: Система использует три меры защиты от помех: объективы камер оснащены системой обдува высокого давления для предотвращения оседания пыли; в обучающую выборку искусственно включены имитационные образцы с масляными загрязнениями и повреждениями объектива (составляющие 12% от общего объёма данных); модель обладает способностью к адаптивному подавлению шумов. В ходе полевых испытаний в литейном цеху при концентрации пыли 5 мг/м³ снижение точности обнаружения не превысило 3 процентных пункта.
В: Как модель адаптируется к различным моделям мостовых кранов разных производителей?
О: Система использует стратегию переноса обучения: предобученная базовая модель адаптируется на новом объекте путём сбора 500–1000 изображений непосредственно на площадке, период тонкой настройки составляет 5–7 рабочих дней. По всей стране развёрнуто более 120 систем ИИ-контроля, что позволило накопить обширную библиотеку моделей для адаптации к различным сценариям.
В: Как данные системы интегрируются с существующей системой мониторинга и управления безопасностью крана?
О: Система поддерживает стандартные протоколы REST API и MQTT. Результаты обнаружения и изображения дефектов передаются в режиме реального времени на сторонние платформы в формате JSON. В соответствии со спецификацией интерфейса мониторинга GB/T 28264-2017, система предоставляет данные в виде кортежа: класс дефекта, координаты, временная метка и URL исходного изображения, что обеспечивает бесшовную интеграцию с системой мониторинга и управления безопасностью крана, а также с EAM-платформой предприятия.
——Келуде Тяжёлая Промышленность специализируется на интеллектуальном контроле мостовых кранов, поставив более 120 систем ИИ-контроля, охватывающих четыре ключевых объекта: канат стальной, рельс, крюк и троллейный шинопровод. Для получения дополнительной информации о применении GB/T 5972-2016 «Краны грузоподъёмные. Канаты стальные. Эксплуатация, техническое обслуживание, инспекция и выбраковка» и стандарта ISO 4301 / FEM 1.001 «Краны грузоподъёмные. Нормы расчёта и проектирования» в решениях на базе ИИ, пожалуйста, свяжитесь с технической командой Келуде Тяжёлая Промышленность.
