Система визуального контроля каната мостового крана на базе ИИ

Канат стальной — важнейший несущий компонент мостового крана, от его состояния напрямую зависят безопасность оборудования и бесперебойность производственного процесса. Традиционный метод ручного осмотра, основанный на визуальной проверке и применении ручных измерительных инструментов, характеризуется наличием слепых зон, субъективностью оценки и невозможностью оперативного предупреждения дефектов. С развитием технологий глубокого обучения системы онлайн-контроля каната на базе AI-зрения становятся ключевым направлением цифровизации отрасли. В данной статье на примере реального инженерного внедрения компании Келуде Тяжёлая Промышленность рассматриваются общая архитектура, основные алгоритмы, аппаратное обеспечение и практические аспекты эксплуатации системы онлайн-контроля каната мостового крана на базе AI-зрения.

Общая архитектура системы контроля каната крана

Система онлайн-контроля каната мостового крана на базе AI-зрения построена по четырехуровневой архитектуре, обеспечивающей замкнутый цикл от сбора данных на нижнем уровне до интеграции с бизнес-процессами на верхнем. Такая структура гарантирует оперативность, точность и прослеживаемость результатов контроля.

1. Сенсорный уровень (сбор изображений)

Сенсорный уровень — основа всей системы, состоящая из высококачественных промышленных камер, светодиодных стробоскопических подсветок и оптических объективов. С учетом различных участков каната и требований к контролю применяется схема с несколькими камерами: верхняя камера охватывает зону крепления верхнего конца каната, боковая камера контролирует средний свободный участок, нижняя камера направлена на нижний конец каната и зону крюкового блока. Каждая камера оснащена КМОП-датчиком с глобальным затвором и поддерживает частоту до 200 кадров/с, что позволяет четко фиксировать микроскопические дефекты поверхности каната во время работы крана. Светодиодная подсветка работает в стробоскопическом режиме с регулируемой длительностью импульса до микросекунд, что эффективно устраняет блики от масляных загрязнений и неравномерность освещения, обеспечивая стабильное качество изображения.

2. Уровень логического вывода (AI-вычислительная платформа)

Уровень логического вывода развернут на устройствах граничных вычислений NVIDIA Jetson и работает на улучшенной модели обнаружения объектов YOLOv8s. Модель оптимизирована с помощью механизма логического вывода TensorRT: время обработки одного кадра не превышает 25 мс, что удовлетворяет требованиям контроля в реальном времени при скорости движения каната мостового крана 0,5 м/с. Уровень логического вывода выполняет обнаружение дефектов на каждом кадре, формируя координаты ограничивающих рамок, уровень уверенности класса и маски сегментации для таких дефектов, как обрыв проволок, износ и коррозия. Результаты обнаружения и векторы признаков синхронно передаются на аналитический уровень.

3. Аналитический уровень (классификация и оценка дефектов)

Аналитический уровень работает на сервере: он получает результаты от уровня логического вывода и выполняет вторичную точную классификацию каждого обнаруженного объекта с помощью специализированной модели классификации дефектов. Модель, основанная на базовой сети EfficientNet-B4, способна различать 11 подтипов дефектов каната: локальный обрыв проволок, концентрированный обрыв проволок, равномерный износ, локальный износ, точечная коррозия, равномерная коррозия, волнообразная деформация, фонареобразная деформация, уменьшение диаметра каната, недостаточная смазка и наличие посторонних частиц на поверхности. Аналитический уровень также интегрирует данные временных рядов, отслеживая результаты многократных проверок одного и того же участка для оценки динамики развития дефекта и класса его серьезности.

Результаты оценки, формируемые аналитическим уровнем, классифицируются по четырем классам серьезности дефекта: норма (Grade 0), легкая степень (Grade 1), средняя степень (Grade 2), тяжелая степень (Grade 3). При достижении дефектом средней степени и выше система автоматически активирует механизм оповещения.

4. Уровень оповещения (интеграция с PHM и ТОиР)

Уровень оповещения глубоко интегрирован с платформой прогностического управления здоровьем (PHM) и компьютеризированной системой управления техническим обслуживанием (CMMS). При обнаружении дефекта каната, достигающего порога оповещения, система автоматически выполняет следующие действия: (1) отображение всплывающего оповещения на панели PHM с подсветкой местоположения и типа дефекта; (2) автоматическое формирование стандартизированного заказа на техническое обслуживание на основе класса и местоположения дефекта с передачей в систему CMMS; (3) уведомление ответственного за обслуживание персонала по SMS, через мессенджер или по электронной почте; (4) запись полной контекстной информации об инциденте, включая изображение дефекта, временную метку, идентификатор оборудования и режим работы, для последующего ретроспективного анализа. Среднее время отклика всего процесса оповещения — от обнаружения до формирования заказа — не превышает 30 секунд.

Типы дефектов каната мостового крана и методы ИИ-обнаружения

В процессе длительной эксплуатации канат мостового крана подвергается комплексному воздействию знакопеременных напряжений, фрикционного износа, коррозионной среды и усталостных нагрузок, что приводит к возникновению повреждений различных типов. Согласно стандарту ГОСТ 25573-82 «Канаты стальные. Дефекты и методы их обнаружения», канаты требуют периодического осмотра с регистрацией всех выявленных дефектов. Система визуального контроля на основе ИИ должна обеспечивать точную идентификацию следующих основных типов дефектов.

1. Обрыв проволок

Обрыв проволок — наиболее распространённый и опасный тип дефекта каната. По характеру распределения обрывы подразделяются на рассредоточенные и концентрированные. Рассредоточенные обрывы — это единичные обрывы проволок, распределённые по длине каната в разных местах; они обычно вызваны локальной перегрузкой или усталостью проволок, на ранней стадии изломы имеют малые размеры и трудно обнаруживаются невооружённым глазом. Концентрированные обрывы — это обрывы нескольких проволок вблизи одного сечения, возникающие вследствие механического повреждения или значительной перегрузки; изломы имеют неровный зубчатый характер. Система ИИ-обнаружения использует усовершенствованную модель YOLOv8s с модифицированным модулем извлечения признаков C2f, включающим деформируемые свёртки (DCNv4) и механизм координатного внимания (Coordinate Attention), что позволяет модели фокусироваться на тонких текстурных различиях в зоне обрывов. В сети пирамиды признаков модель объединяет высокоразрешённые признаки нижних слоёв с семантическими признаками глубоких слоёв, что обеспечивает сохранение мелких объектов обрыва при субдискретизации признаков.

2. Износ каната

Износ подразделяется на равномерный и местный. Равномерный износ проявляется в равномерном уменьшении диаметра каната по всей длине и истирании наружных проволок; он обычно возникает при длительном трении о шкивы и барабан. Местный износ характеризуется заметным уменьшением диаметра на отдельных участках каната или появлением плоских лысок на поверхности; он вызывается трением между канатами или контактом с элементами конструкции. При обнаружении износа ИИ-модель комплексно использует градиентные признаки контура каната и текстурные признаки поверхности. В головной ветви модели добавлена дополнительная ветвь регрессии диаметра, которая напрямую выдаёт оценку диаметра каната в каждой области детекции; сопоставление с данными предыдущих осмотров позволяет выполнять количественную оценку величины износа с погрешностью измерения не более 0,3 мм.

3. Коррозия каната

Коррозионные дефекты особенно характерны для канатов мостовых кранов, эксплуатирующихся в условиях повышенной влажности и агрессивной среды — на металлургических предприятиях, химических производствах, в портах. На начальной стадии коррозия проявляется в виде точечных ржавых пятен на поверхности; при углублении процесса развивается пластинчатое отслоение и язвенная коррозия; при значительном развитии эффективная площадь сечения проволок существенно уменьшается. На изображениях коррозионные дефекты выглядят как зоны аномального цвета (красно-коричневые, тёмно-чёрные) с неровной текстурой поверхности. ИИ-модель обнаружения использует стратегию мультиспектральной интеграции: выполняется слияние признаков RGB-изображения и изображения в ближнем инфракрасном диапазоне. Высокая отражательная способность продуктов коррозии в ближнем ИК-диапазоне усиливает контраст зон коррозии. Эксперименты показали, что мультиспектральная стратегия повышает полноту обнаружения коррозионных дефектов на 12,7%.

4. Деформация каната

Деформационные дефекты каната включают волнистость и бочкообразное (фонарное) расширение. Волнистость проявляется в виде волнообразного изгиба оси каната; она обычно возникает при резком снятии нагрузки или образовании петли (узла) и в процессе дальнейшей эксплуатации ускоряет усталостное разрушение проволок. Бочкообразное расширение выражается в локальном увеличении диаметра каната с распушением прядей по типу фонаря; это внешнее проявление внутренних обрывов проволок или разрушения сердечника. Визуальные признаки деформации достаточно выражены, однако диапазон морфологических вариаций широк, что предъявляет повышенные требования к обобщающей способности модели. Для повышения устойчивости обнаружения деформаций на этапе обучения выполняется масштабное аугментирование деформационных образцов: случайное вращение (от -45° до 45°), случайное масштабирование (от 0,5 до 1,5) и моделирование упругих деформаций, что обеспечивает надёжную адаптацию модели ко всем формам деформации.

3. Проектирование системы захвата изображения

Система захвата изображения — это «глаза» AI-визуального контроля, и качество её проектирования напрямую определяет эффективность последующего обнаружения дефектов. Канат мостового крана работает в сложных условиях: яркий свет, масляные загрязнения, вибрация, пыль — всё это предъявляет повышенные требования к системе захвата изображения. Данная система разработана комплексно по трём направлениям: схема размещения камер, выбор оптики и стратегия подсветки.

1. Схема синхронного размещения трёх камер

С учётом геометрических характеристик и особенностей движения каната мостового крана система использует три камеры, работающие синхронно, что обеспечивает полное покрытие длины каната без мёртвых зон:

2. Выбор камер и оптические параметры

При выборе камер учитывались ключевые параметры: разрешение, частота кадров, тип затвора, светочувствительность и степень защиты (IP). Камера верхней съёмки использует линейный CMOS-датчик с разрешением 8192×1 пиксель и частотой строк до 80 кГц, что в сочетании с синхронизацией по энкодеру обеспечивает равномерную съёмку, согласованную со скоростью движения каната. Камеры боковой и нижней съёмки оснащены матричными датчиками с глобальным затвором разрешением 1920×1080 и максимальной частотой 200 кадр/с. Технология глобального затвора исключает искажения и смазывание изображения при высокоскоростном движении каната, характерные для rolling shutter. Все камеры имеют промышленный корпус со степенью защиты IP67, оснащены встроенным нагревателем и функцией антизапотевания, что обеспечивает работу в широком диапазоне температур от -20℃ до 60℃.

3. Стробоскопическая LED-подсветка и защита от помех

Поверхность каната мостового крана обычно покрыта смазочным маслом и консистентной смазкой, которые при обычном освещении создают сильные зеркальные блики, серьезно ухудшающие качество изображения. Система использует стробоскопическую LED-подсветку: длительность импульса источника светаКонтролировать в пределах10-50в диапазоне микросекунд,с точной синхронизацией с временной диаграммой экспозиции.Стробоскопический режим обеспечивает высокую яркость заКратковременно,превращать отражённое пятно в микроскопическую точку, а не в обширное яркое пятно,Одновременно значительно снижает влияние окружающего света. Подсветка выполнена по кольцевой схеме — источники равномерно распределены вокруг оптической оси объектива, что гарантирует однородность освещения по всей окружности каната. По цветовой температуре выбрано белое свечение 5000K-6000K, совпадающее с пиком спектральной чувствительности сенсора промышленной камеры, что максимизирует эффективность фотоэлектрического преобразования.

Обучение модели и подготовка данных

Качественный набор данных и продуманная стратегия обучения — основа производительности модели ИИ-детектирования. Система выстраивает полный рабочий процесс из трёх этапов: сбор данных, разметка и обучение, что гарантирует высокую точность обнаружения и устойчивость модели к различным условиям эксплуатации.

1. Формирование набора данных

В ходе эксплуатации на производственных площадках было собрано более 10 000 изображений каната стального, охватывающих четыре типа дефектов — обрыв проволок, износ, коррозия, деформация — а также образцы исправного каната. Все снимки выполнены в реальных условиях работы мостового крана: при различном освещении (пасмурно, ясно, ночная подсветка), в разных режимах движения (статика, малая скорость, номинальная скорость) и при различных нагрузках (без груза, половинная, полная). Для расширения разнообразия выборки в набор включены данные с пяти металлургических заводов и портов, охватывающие канаты разных диаметров (от 16 мм до 48 мм) и конструкций свивки (6×19, 6×37, 8×19 и др.).

2. Разметка данных

Разметка выполнена в формате COCO: для каждого изображения создан файл аннотации в формате JSON, содержащий метку класса дефекта, координаты ограничивающего многоугольника и маску сегментации. Разметку выполняют прошедшие специальную подготовку инженеры по контролю качества; каждая аннотация проходит перекрёстную проверку старшим экспертом, что обеспечивает точность разметки не ниже 98%. Спорные образцы (например, граничные случаи между лёгким износом и нормальной текстурой поверхности) уточняются в ходе группового обсуждения и сверки с реальными образцами. Итоговый набор данных содержит 11 целевых классов со следующим распределением: локальный обрыв проволок — 1 200 изображений, концентрированный обрыв — 800, равномерный износ — 1 500, локальный износ — 1 000, точечная коррозия — 1 200, равномерная коррозия — 800, волнистая деформация — 400, деформация типа «фонарь» — 300, уменьшение диаметра каната — 600, недостаточная смазка — 900, нормальное состояние — 1 300.

3. Аугментация данных

Для повышения обобщающей способности и устойчивости модели в процессе обучения применяется расширенная стратегия аугментации: (1) геометрические преобразования — случайное вращение (от −30° до 30°), горизонтальное и вертикальное отражение, случайное кадрирование и масштабирование (от 0,5 до 1,5); (2) цветовые преобразования — регулировка яркости (±20%), контраста (±15%), насыщенности (±10%), сдвиг цветового тона (±5°); (3) добавление шума — гауссов шум (σ = 5–15), импульсный шум (плотность 0,01–0,03); (4) имитация размытия — гауссово размытие (размер ядра 3–7), размытие движения (имитация смаза при движении каната); (5) имитация перекрытий — Random Erasing и CutOut для моделирования загрязнения маслом. Благодаря этим методам эквивалентный объём обучающей выборки увеличивается более чем в 20 раз, что существенно улучшает качество обнаружения в сложных условиях эксплуатации.

4. Конфигурация и процесс обучения

Обучение модели выполняется на базе архитектуры YOLOv8s; входные изображения масштабируются до 640×640 пикселей. Гиперпараметры обучения: оптимизатор SGD with momentum (импульс 0,937), начальная скорость обучения 0,01, планировщик — косинусный отжиг; коэффициент затухания весов 0,0005; размер пакета (batch size) 32; количество эпох 300; применяется стратегия предварительного подогрева: первые 3 эпохи скорость обучения линейно возрастает с 0,001 до начального значения. Используется механизм ранней остановки (Early Stopping): обучение автоматически прекращается, если mAP на валидационном наборе не улучшается в течение 30 последовательных эпох. Обучение на одной видеокарте NVIDIA RTX 4090 занимает около 24 часов до сходимости; итоговое значение функции потерь опускается ниже 1,2, а mAP на валидационном наборе достигает проектных показателей.

Показатели обнаружения и интеграция с ТОиР

После развёртывания и непрерывной оптимизации система онлайн-обнаружения дефектов каната мостового крана на базе ИИ достигла всех целевых показателей, необходимых для промышленной эксплуатации. Кроме того, система глубоко интегрирована в процессы технического обслуживания и ремонта оборудования, формируя замкнутый цикл: «обнаружение — оценка — предупреждение — обслуживание».

1. Ключевые показатели эффективности обнаружения

Показатели производительности системы, полученные на собственном тестовом наборе (2 000 изображений, не пересекающихся с обучающим и валидационным наборами), приведены в таблице ниже. Все значения измерены на устройстве граничных вычислений Jetson Orin NX; частота обработки стабильно превышает 40 FPS, что обеспечивает обнаружение в реальном времени при скорости движения каната мостового крана 0,5 м/с.

2. Интеграция с CMMS-системой технического обслуживания

Система интегрируется с существующей компьютерной системой управления техническим обслуживанием (CMMS) предприятия через стандартный RESTful API. При обнаружении AI-системой дефектов каната, достигающих заданного уровня тревоги, автоматически выполняется следующий интегрированный процесс: (1) получение из CMMS основной информации об оборудовании, истории технического обслуживания и данных о наличии запчастей; (2) автоматический подбор рекомендаций по обслуживанию и критериев браковки на основе типа и уровня серьезности дефекта в соответствии со стандартом ГОСТ 33710-2015; (3) формирование стандартизированного наряда на техническое обслуживание, содержащего номер оборудования, местоположение дефекта (с указанием смещения по длине каната), изображение дефекта, уровень серьезности, рекомендуемые меры и приоритетную метку; (4) передача наряда в CMMS с автоматическим назначением конкретной специальности и обслуживающей бригаде; (5) после завершения работ обслуживающий персонал вносит результаты, а система повторно захватывает изображение обработанного каната и включает его в цикл непрерывного обучения модели. Среднее время всего интегрированного процесса от обнаружения до выдачи наряда не превышает 30 секунд, что обеспечивает замкнутый цикл управления от выявления проблемы до ее решения.

3. Соответствие государственным стандартам

Стратегия обнаружения и критерии браковки системы полностью основаны на следующих государственных стандартах: ГОСТ 33710-2015 «Краны грузоподъемные. Канаты стальные. Эксплуатация, техническое обслуживание, контроль и браковка» определяет методы, периодичность и критерии браковки при ежедневном осмотре каната и является основой для принятия решений системой; ГОСТ 32579.1-2013 (ISO 4301-1) устанавливает требования к коэффициенту запаса прочности при выборе и проектировании каната; ГОСТ Р 55526-2013 (ISO 12480-1) регламентирует требования к безопасной эксплуатации грузоподъемных кранов. Система включает цифровой механизм сопоставления с нормами стандартов, который при оценке результатов автоматически подбирает соответствующие пункты, гарантируя полное соответствие рекомендаций по обслуживанию и уровней тревоги требованиям нормативной базы.

Часто задаваемые вопросы