ИИ-контроль мостовых кранов: 5 сценариев от безопасности до SLAM

Технологии ИИ-визуализации и обнаружения для мостовых кранов трансформируют организацию работ в цехах тяжелой промышленности — от защиты персонала и позиционирования грузов до контроля состояния оборудования и картографирования среды, глубокое обучение охватывает каждый ключевой этап интеллектуализации кранов. Компания Келуде Тяжёлая Промышленность на базе платформы граничных вычислений NVIDIA Jetson Orin NX и фреймворка обнаружения объектов YOLOv8 выстроила комплексную систему ИИ-визуализации, охватывающую все сценарии работы крана. Данная статья — центральное введение в цикл «Системы ИИ-визуализации и обнаружения для мостовых кранов»: представлен обзор технической архитектуры, вариантов развертывания и рекомендаций по выбору решений для пяти ключевых сценариев применения, что служит полным техническим навигатором для модернизации кранового парка.

Развитие AI-технологий технического зрения для мостовых кранов

В металлургии, судостроении, тяжёлом машиностроении и производстве оборудования для новой энергетики мостовой кран является ключевым звеном цеховой логистики, напрямую определяющим эффективность производства и уровень безопасности. Традиционная эксплуатация крана полагается на визуальный контроль машиниста, голосовую связь с наземным персоналом и регулярные остановки для ручного осмотра — такая модель сталкивается с фундаментальными вызовами в условиях роста производственных мощностей, удорожания трудовых ресурсов и ужесточения требований промышленной безопасности.

Зрелость промышленного AI-зрения, в особенности фреймворков глубокого обучения для детекции объектов, открыла экономичный и высокоэффективный путь интеллектуализации мостовых кранов. В отличие от традиционных сенсорных решений — шины с кодом Грея, лазерного измерения расстояния, энкодеров — AI-система технического зрения использует промышленную камеру в качестве основного датчика и не требует прокладки инфраструктуры вдоль рельсов. Такая система обеспечивает мониторинг безопасности персонала, позиционирование груза, контроль дефектов оборудования и построение карты окружающей среды. На базе унифицированной аппаратной платформы граничных вычислений (NVIDIA Jetson) и алгоритмического фреймворка (YOLOv8) система AI-зрения крана может развёртываться модульно по принципу «индивидуальное решение для каждого крана» — начиная с наиболее критичных сценариев защиты и постепенно расширяясь до комплексной интеллектуальной системы.

Собственная технологическая платформа AI-зрения и контроля Kelude охватывает пять ключевых сценариев применения: мониторинг безопасности, позиционирование груза, дефектоскопия каната, контроль сварных швов и SLAM-позиционирование. Эти пять сценариев формируют полную картину возможностей AI-зрения крана по пяти измерениям: человек (защита персонала), груз (перемещение), механизм (исправность оборудования), конструкция (контроль металлоконструкций), позиция (восприятие среды). Рассмотрим каждый сценарий подробно.

Система мониторинга безопасности крана: обнаружение вторжения персонала и защита от столкновений

Безопасность персонала при выполнении крановых операций — приоритет №1 в цеховом управлении. Согласно требованиям GB/T 28264-2017 «Грузоподъёмные машины. Система мониторинга и управления безопасностью», кран должен обеспечивать активное обнаружение опасных состояний в зоне перемещения груза и соответствующее реагирование. Традиционные решения — физические ограждения, предохранительный замок двери и ручное сопровождение — полагаются на пассивную изоляцию и внимание человека, что создаёт значительные слепые зоны в динамичной среде перемещения грузов.

Система визуального мониторинга безопасности крана Kelude оснащается тремя промышленными AI-камерами: по одной на каждой концевой балке и одна под тележкой — тройное резервирование зоны перемещения груза. Камеры захватывают изображение 1080P с частотой 30fps и передают его по гигабитному Ethernet на модуль граничных вычислений Jetson Orin NX (производительность 100 TOPS). Модель детекции объектов YOLOv8s, работающая на платформе Jetson, выполняет обнаружение человека (person) в каждом кадре; задержка однократного вывода — менее 15 мс, сквозное время отклика — менее 100 мс.

Ключевая логика безопасности системы — трёхуровневая стратегия сигнализации: жёлтая предупредительная зона (5–8 м) активирует звуковую и световую сигнализацию и замедление; оранжевая зона повышенной опасности (3–5 м) вызывает экстренное замедление и голосовое предупреждение об удалении; красная опасная зона (<3 м) инициирует аварийную остановку STO (Safe Torque Off). При нормальном освещении (500 лк) mAP детекции person ≥ 95%; при низкой освещённости (50 лк с ИК-подсветкой) mAP ≥ 90%. Тройное резервирование камер гарантирует, что каждый наземный работник одновременно находится в поле зрения минимум двух камер, исключая пропуски из-за затенения с одного ракурса. При работе нескольких кранов на одном пути применяется схема временного разделения и чередования частот подсветки; частота ложных срабатываний при трёх кранах на одном пути — менее 0,1 события/час. Подробнее: «Система визуального мониторинга безопасности крана: обнаружение вторжения персонала и защита от столкновений — инженерная практика».

Система визуального распознавания и точного позиционирования груза крана

Операции точного наведения груза — размещение стального рулона, стального листа, крупного оборудования или пресс-формы в заданной позиции — являются критическим узким местом производительности цеха. Традиционная практика, полагающаяся на визуальную оценку машиниста и координацию с наземным персоналом, ограничена квалификацией оператора и условиями обзора; одна операция наведения часто требует многократных повторных корректировок. С распространением технологии непрерывной разливки и прокатки «одного нагрева» в сталелитейной промышленности и ростом требований к точной сборке в производстве оборудования для новой энергетики традиционный ручной метод наведения более не отвечает ритму современного производства.

Система визуального распознавания и точного позиционирования груза крана построена по четырёхуровневой архитектуре (восприятие — вывод — преобразование — управление), формирующей замкнутый контур от захвата изображения до автоматического наведения. Уровень восприятия использует промышленные камеры Hikvision или Basler (5–20 Мп, интерфейс GigE Vision) со стробоскопической LED-подсветкой для компенсации изменений освещения в цехе. На уровне вывода модель YOLOv8s выполняет детекцию четырёх типов груза в реальном времени: стальной рулон (Steel_Coil), стальной лист (Steel_Plate), оборудование (Equipment) и пресс-форма (Mold); mAP@0.5 достигает 0,962, время однократного вывода — 12–18 мс (оптимизация TensorRT FP16).

Ядро позиционирования — уровень преобразования координат: на основе предварительно откалиброванной матрицы внутренних параметров камеры и матрицы перспективного преобразования пиксельные координаты выхода YOLOv8 преобразуются в координаты мировой системы на плоскости пола (в мм). Преобразование выполняется с билинейной интерполяцией и субпиксельной оптимизацией; точность позиционирования достигает ±5 мм. Уровень управления передаёт величину отклонения через шлюз PROFINET на ПЛК Siemens S7-1200/1500, формируя команды движения для моста крана, тележки и механизма подъёма. Сквозная задержка обработки системы не превышает 100 мс, что удовлетворяет требованиям управления в реальном времени при низкоскоростном режиме работы крана (≤20 м/мин). Подробнее: «Система визуального распознавания и точного позиционирования груза крана: детекция груза YOLOv8 и инженерная практика визуального наведения».

Система онлайн-дефектоскопии каната крана на базе AI-зрения

Канат стальной — наиболее ответственный несущий элемент крана; его состояние напрямую влияет на безопасность оборудования и персонала. Согласно требованиям GB/T 5972-2016 «Краны. Канаты стальные. Уход, техническое обслуживание, осмотр и выбраковка» и TSG Q7015-2016 «Правила периодического осмотра грузоподъёмных машин», канат подлежит регулярной проверке на обрывы проволок, износ, коррозию и деформацию. Традиционный визуальный контроль (ВК) полагается на опыт инспектора и характеризуется значительными слепыми зонами, неединообразием критериев оценки и невозможностью предупреждения в реальном времени.

Система онлайн-дефектоскопии каната крана на базе AI-зрения использует схему скоординированного размещения нескольких камер: верхняя камера охватывает зону крепления верхнего конца каната, боковая контролирует средний свободный участок, нижняя направлена на нижний конец каната и зону крюкового блока. Уровень восприятия оснащён глобальным затвором CMOS (до 200 fps); длительность импульса стробоскопической LED-подсветки регулируется до микросекундного уровня. На уровне вывода работает усовершенствованная модель YOLOv8s (с интегрированными деформируемыми свёртками DCNv4 и координатным вниманием Coordinate Attention), выполняющая детекцию трёх основных типов дефектов — обрывы проволок, износ, коррозия; суммарный mAP ≥ 0,93.

На аналитическом уровне система использует базовую сеть EfficientNet-B4 для вторичной тонкой классификации 11 подтипов дефектов (локальные обрывы проволок, концентрированные обрывы проволок, равномерный износ, локальный износ, точечная коррозия, равномерная коррозия, волнистая деформация, деформация типа «фонарь», уменьшение диаметра каната, недостаточная смазка, наличие посторонних частиц на поверхности). Точность классификации составляет ≥95%. Дефекты ранжируются по четырём классам серьёзности от Grade 0 до Grade 3; при достижении средней степени тяжести и выше автоматически срабатывает сигнализация. Уровень сигнализации интегрирован с системой прогностического обслуживания PHM и компьютеризированной системой управления техническим обслуживанием CMMS. Среднее время отклика от обнаружения до создания заявки на работу не превышает 30 секунд. Мультиспектральная стратегия (RGB+NIR) повышает полноту обнаружения коррозионных дефектов на 12,7%. Подробнее см. «Система AI-визуального контроля каната мостового крана: инженерная практика идентификации дефектов обрыва проволок/износа/коррозии на основе глубокого обучения».

AI-контроль стыковых и угловых сварных швов крана

Стыковые швы кранового рельса и угловые сварные швы главной балки являются наиболее уязвимыми элементами металлоконструкции. Сварные швы, подвергающиеся длительным знакопеременным нагрузкам, ударным нагрузкам и воздействию окружающей среды, при наличии необнаруженных трещин или непроваров могут привести к катастрофическому разрушению конструкции. AI-визуальный контроль сварных швов сталкивается с серьёзными техническими трудностями: ширина трещин составляет всего 0,05–0,3 мм, что относится к типичным задачам обнаружения малоразмерных объектов; на поверхности шва присутствуют такие сильные помехи, как шлак, брызги и окалина.

Система AI-контроля стыковых швов кранового рельса и угловых швов главной балки использует трёхформную архитектуру развёртывания: автоматическое диагностическое транспортное средство AGV (для автоматизированного осмотра протяжённых стыковых швов рельса), портативный прибор контроля (для угловых швов концевой балки и труднодоступных мест) и стационарный пост (на сборочно-сварочном участке главной балки). Все три формы используют единый программный стек. Сенсорный уровень оснащён двумя промышленными камерами (глобальный затвор, широкоугольная + макро), кольцевой структурной подсветкой и лазерным сканером контура (для получения трёхмерного профиля сварного шва).

На уровне логического вывода развёрнута модель YOLOv8s-weld, оптимизированная на основе YOLOv8s с добавлением головки обнаружения малоразмерных объектов, специально предназначенной для признаков дефектов сварных швов. На Jetson AGX Orin обеспечивается время однократного логического вывода ≤15 мс (≥60 FPS). Система обеспечивает идентификацию в реальном времени пяти типов дефектов: трещины (продольные, поперечные, кратерные), непровар, пористость, шлаковые включения и подрезы. Совокупный показатель mAP ≥0,94. Оценочный уровень автоматически сопоставляется с ГОСТ 7512-82 (аналог GB/T 3323-2020) для радиографического контроля сварных соединений, формируя оценку качества по классам I–IV и рекомендации по переделке. Охватываются три типичные для мостовых кранов сварные конструкции: V-образная разделка кромок стыковых швов рельсов QU70/80/100, двусторонние угловые швы главной балки и комбинированные швы концевой балки. Подробнее см. «Система AI-контроля стыковых швов кранового рельса и угловых швов главной балки: инженерная практика идентификации трещин/непроваров/пористости на основе глубокого обучения».

Система SLAM-картографирования и позиционирования крана

Одним из ключевых ограничений для полностью автоматической работы мостового крана является обеспечение высоконадёжного и точного глобального позиционирования внутри заводского здания, где GPS недоступен. Традиционные решения — лазерный дальномер (сильно подвержен влиянию пыли), шина с кодом Грея (высокие затраты на установку и обслуживание), энкодер (накопление ошибок из-за проскальзывания колёс) — обеспечивают лишь одно- или двухмерную информацию о положении и не способны воспринимать пространственную ориентацию крана по шести степеням свободы.

Система SLAM-картографирования и позиционирования крана на основе технического зрения объединяет два открытых фреймворка: ORB-SLAM3 и VINS-Mono. Используя монокулярную/стереопару камер и шестиосевой IMU в качестве датчиков, система одновременно выполняет оценку положения крана по шести степеням свободы и построение разреженной/плотной карты в неизвестной среде цеха. Извлечение признаков адаптировано для крана (nFeatures увеличен с 1200 до 2000, iniThFAST снижен с 20 до 12), а также добавлен слой сопоставления на основе отрезков LSD, что повышает коэффициент сопоставления признаков с 35% до 52%.

Связка предварительной интеграции IMU и плотной визуально-инерциальной оптимизации снижает частоту потери отслеживания при вибрациях с примерно 8% (в режиме только визуального восприятия) до 0,5%. Для решения проблемы роста карты в условиях большепролётных зданий (100–300 м) применяются три оптимизационные меры: обрезка графа совместного наблюдения (каждые 50 кадров, удаление избыточных 5–10%), активное управление локальными подкартами (разбиение на сетку 50 м × 30 м) и инкрементальное обнаружение замкнутых циклов (DBoW2 + оптимизация графа поз, обработка 3000 кадров за 500 мс). Точность позиционирования составляет ±10 см. Схема скользящего окна с нелинейной оптимизацией в VINS-Mono обеспечивает преимущества в реальном времени при развёртывании на периферийных устройствах с ограниченными вычислительными ресурсами. Система может быть развёрнута как автономный резерв глобального позиционирования крана, а также глубоко интегрирована с лазерным дальномером и энкодером для создания многодатчиковой архитектуры позиционирования. Подробнее см. «Система SLAM-картографирования и позиционирования крана на основе технического зрения».

Сравнение пяти систем и руководство по выбору

Пять систем различаются по технологическому стеку, ключевым показателям и стоимости оборудования. При практическом развёртывании необходимо проводить целенаправленный выбор с учётом условий эксплуатации крана, характеристик цеха и требований к управлению. Ниже приведено горизонтальное сравнение по основным параметрам:

Рекомендации по приоритету выбора: Для модернизации одного мостового крана рекомендуется поэтапное внедрение по восходящей траектории «безопасность → диагностика → позиционирование → построение карты». Система контроля безопасности (обнаружение вторжения персонала) является базовой комплектацией для всех мостовых кранов и относится к обязательному минимуму с наивысшим приоритетом внедрения. Дефектоскопия каната и контроль сварных швов настраиваются выборочно — в зависимости от срока службы крана и условий эксплуатации: для кранов с длительным сроком службы в первую очередь рекомендуется дефектоскопия каната, для новых кранов — контроль сварных швов на этапе заводских испытаний. Система позиционирования груза ориентирована на устранение узких мест производственного цикла и подходит для кранов с задачами автоматического совмещения позиций. Визуальная SLAM-навигация предназначена для полностью автоматической эксплуатации и сценариев интеллектуальной логистики. Все пять систем работают на единой платформе граничных вычислений Jetson Orin NX/AGX и экосистеме алгоритмов YOLOv8, что позволяет интегрировать их на одном кране с разделением ресурсов GPU по временным интервалам и динамической загрузкой моделей.

Многосенсорная интеграция и перспективы развития систем

Данные датчиков пяти основных систем глубоко интегрируются на единой платформе граничных вычислений, формируя замкнутый контур «восприятие — принятие решений — управление», охватывающий все сценарии работы мостового крана. Рассмотрим взаимодействие систем контроля безопасности и позиционирования груза: при обнаружении вторжения персонала в оранжевую предупредительную зону система позиционирования груза синхронно фиксирует текущие координаты груза, обеспечивая полную пространственно-временную картину для последующего анализа инцидентов. Серьёзные дефекты Grade 3, выявленные системой дефектоскопии каната, автоматически инициируют приоритетное задание на осмотр для системы контроля сварных швов — получив команду, AGV для контроля сварных швов самостоятельно прокладывает маршрут к участку кранового рельса вблизи места дефекта и проводит целенаправленный контроль сварных швов рельса и угловых сварных швов главной балки в соответствующей зоне.

В более широкой перспективе эти пять систем AI-визуализации вместе с основной системой управления краном (PLC), платформой прогностического обслуживания (PHM), системой управления производством (MES) и системой планирования ресурсов предприятия (ERP) образуют полноценную архитектуру промышленного Интернета Вещей (IoT). Данные реального времени, собираемые на уровне восприятия, обрабатываются AI-алгоритмами на граничном уровне, после чего структурированные результаты передаются в управляющие платформы цехового и корпоративного уровня, формируя основу для управления полным жизненным циклом оборудования, оптимизации производственного планирования и аудита соответствия требованиям безопасности. По мере роста вычислительной мощности граничного AI (следующее поколение платформы Jetson Orin ожидается с производительностью 200–500 TOPS) и развития мультимодальных больших языковых моделей, системы AI-визуализации для мостовых кранов будут эволюционировать от простого обнаружения к когнитивному пониманию — не только фиксируя вторжение персонала, но и распознавая жестовые команды и рабочие намерения персонала на площадке.

Часто задаваемые вопросы (FAQ)