Мы перезвоним вам

Закажите обратный звонок, и мы
перезвоним вам в ближайшее время

Нажимая кнопку «Заказать звонок» вы даёте согласие на обработку персональных данных

ИИ-датчик контроля коробления картона

Автономный визуальный датчик для раннего выявления коробления на гофроагрегате и снижения брака на 44%

Датчик коробления

Рэмос-Альфа производит картон и изделия из картона. Одной из самых чувствительных зон на производстве оказался гофроагрегат, где из-за коробления листов в брак могло уходить от 6 до 8 тысяч квадратных метров материала в месяц.

Проблема была не редкой, а регулярной: коробление возникало примерно 30-50 раз в сутки. При скорости линии до 150 метров в минуту оператор не успевал устойчиво замечать момент начала отклонения, а периодический ручной контроль означал, что сигнал о проблеме приходил уже после накопления брака.

Для пилота мы спроектировали автономный визуальный датчик на верхнее полотно гофроагрегата. Задача состояла не просто в фиксации явного дефекта, а в максимально раннем обнаружении перехода к короблению, когда линия ещё может отреагировать вовремя.

Планшет с интерфейсом датчика контроля коробления картона

Исходная задача

Решение проектировалось под конкретную производственную зону, где позднее обнаружение отклонения напрямую превращалось в потери материала и времени линии.

6-8 тыс. м²

Именно такой объём брака мог накапливаться за месяц, если коробление замечали слишком поздно.

30-50 раз в сутки

Отклонение возникало регулярно, поэтому разовый ручной осмотр не мог считаться устойчивым способом контроля.

До 150 м/мин

На такой скорости конвейера визуально удерживать поток и вовремя замечать начало коробления крайне сложно.

Два полотна

На агрегате работают верхняя и нижняя линии, поэтому оператору приходилось распределять внимание между несколькими зонами.

Периодический контроль

До внедрения сотрудники только время от времени поднимались на линию и проверяли состояние полотна вручную.

Нужен ранний сигнал

Линии требовалось решение, которое предупреждает о проблеме до того, как из отклонения сформируется значимый объём брака.

Ключевые показатели

Пилот на гофроагрегате дал измеримый эффект уже в первые недели после изготовления и установки датчика.

  • 0
    недели
    от изготовления и установки до стабильной работы на линии
  • 0
    месяцев
    расчётный срок окупаемости решения по результатам пилота
  • 0%
    снижения брака
    на полотне, где был установлен датчик

Как внедряли датчик

1 шаг из 6

Анализ линии

Сначала определили, в какой точке полотна признак коробления появляется достаточно рано и где датчик сможет стабильно видеть нужную зону.

Точка установки и визуальный признак

2 шаг из 6

Пилотный корпус

Для старта был собран предварительный корпус с микрокомпьютером и камерой, чтобы получать материал не из лаборатории, а прямо с работающего гофроагрегата.

Быстрый выход на линию

3 шаг из 6

Сбор данных

За несколько суток датчик собрал поток изображений с линии, после чего был сформирован массив кадров для обучения модели.

Реальный производственный поток

4 шаг из 6

Разметка и обучение

75 000 кадров были размечены на четыре класса: норма, пограничное состояние, коробление и прочие кадры, после чего модель обучили на выделенной зоне интереса.

Ранний признак и явный дефект

5 шаг из 6

Финальное устройство

После обучения собрали рабочий корпус, добавили световой столб, релейную часть, питание от 24 вольт и прикладную электротехнику для штатной работы на линии.

Готовое автономное устройство

6 шаг из 6

Запуск и настройка

Датчик установили на верхнее полотно, включили в работу смены и уточнили правила реакции так, чтобы сигнал был понятен операторам и не создавал лишнего шума.

Рабочий сценарий на линии

Сбор данных на линии

Такая задача не решается абстрактным набором изображений. Поэтому первым этапом датчик был поставлен прямо на линию в предварительном исполнении, чтобы увидеть реальное поведение полотна, скорость движения, световую среду и характер начала коробления.

За несколько суток было собрано и размечено 75 000 кадров. Отдельно выделили не только норму и явный дефект, но и пограничное состояние, когда коробление уже начинается, но ещё не стало браком. Именно этот класс особенно важен для раннего сигнала.

После этого была зафиксирована зона интереса, подготовлена обработка изображения и обучена модель, которая смотрит только на ту часть потока, где нужный признак действительно читается устойчиво и без лишнего визуального шума.

Отдельно важно было собрать не только итоговый вид дефекта, но и сам переход к нему. Поэтому в массив попадали последовательности кадров до начала отклонения, в момент его появления и сразу после него, чтобы модель училась видеть не финальный брак, а раннюю смену состояния полотна.

Разметка тоже велась не в отрыве от производства. Спорные участки сверялись с реальным поведением линии и тем, как на них реагирует смена, поэтому итоговый датасет стал не просто набором картинок для обучения, а прикладной основой для рабочего сигнала на гофроагрегате.

Гофроагрегат и зона установки датчика контроля коробления картона

Что вошло в модель

75 000 кадров

Модель обучалась не на условных примерах, а на массиве изображений, собранных на действующем производстве.

4 класса

Норма, пограничное состояние, коробление и прочие кадры разделены так, чтобы система могла видеть не только явный брак.

Зона интереса

В обработку попадает только нужная часть потока, где ранний признак отклонения читается лучше всего.

Та же камера

Результат опирается на конкретную оптику, угол, расстояние и место установки, а не на универсальный лабораторный шаблон.

То же освещение

Модель училась в реальной световой среде производства, поэтому не теряет устойчивость из-за отличия условий от учебных.

Пилот на верхнем полотне

Это позволило честно сравнить линию с датчиком и такую же линию без датчика в одинаковый производственный период.

Логика срабатывания

Для производства важно не только увидеть дефект, но и не замучить смену ложными тревогами. Поэтому поверх сигнала модели была добавлена прикладная программная логика, которая переводит датчик в новое состояние только при устойчивом подтверждении события.

Переход в пограничное состояние или в коробление происходит лишь тогда, когда датчик уверенно видит один и тот же класс примерно в течение секунды, то есть около 15 кадров подряд. Это резко снижает вероятность случайной реакции на единичный нехарактерный кадр.

Такая схема дала датчику главное для промышленной эксплуатации качество: смена начала доверять его сигналу. Устройство не просто показывает вероятность на экране, а формирует понятное событие, по которому оператор действительно меняет поведение на линии. За счёт этого сигнал встроился в рабочий ритм смены и перестал восприниматься как вспомогательная подсказка, которую нужно дополнительно перепроверять.

Крупный план датчика контроля коробления картона на производственной линии

Почему решение сработало

Высокая точность здесь получилась не из-за универсального готового прибора, а из-за того, что вся система была собрана под конкретную линию.

Модель обучалась на той же камере, в том же месте установки и при том же освещении, в котором датчик потом работал на производстве.
В обучении использовался не только явный дефект, но и раннее пограничное состояние, которое позволяет предупреждать о проблеме до накопления брака.
Решение принимает сигнал не по одному кадру, а по устойчивой серии кадров, поэтому не перегружает линию случайными срабатываниями.
Устройство было собрано как самостоятельный рабочий модуль со световым столбом, питанием и релейной логикой, а не как демонстрационный прототип.

Работа смены

Внедрение подтвердилось не только цифрами. Изменилось и то, как персонал начал использовать сигнал датчика в повседневной работе.

Сразу после установки операторы относились к устройству настороженно и воспринимали его как дополнительную подсказку, которую ещё нужно перепроверять.
Через неделю сотрудники уже сами подходили и спрашивали, как именно датчик работает и почему он так точно показывает начало коробления.
Ещё через две недели старший смены попросил перенести световой столб так, чтобы сигнал было лучше видно с рабочего места.
Даже при жёлтом сигнале пограничного состояния операторы начали идти проверять полотно раньше, не дожидаясь, пока отклонение превратится в массовый брак.

Результат

Сравнение оказалось особенно показательным: датчик поставили только на верхнее полотно, а нижнее в тот же период продолжало работать без него.

Нижнее полотно

За первые две недели без датчика здесь было зафиксировано 6917 квадратных метров брака.

Верхнее полотно

За тот же период на линии с датчиком объём брака составил 3898 квадратных метров.

Минус 44%

Разница между полотнами составила 3019 квадратных метров, то есть снижение брака на 44%.

75 тыс. ₽

При стоимости квадратного метра около 25 рублей это дало порядка 75 тысяч рублей экономии уже за две недели.

150 тыс. ₽ в месяц

В месячном горизонте такой эффект даёт примерно 150 тысяч рублей снижения потерь на одной линии.

Следующий этап

После пилота датчик будет интегрирован в ранее внедрённую систему качества и сможет автоматически ставить задачу контролёру с фотографией и сигналом по партии.

Почему нужен специальный датчик

Кейс показал, что устойчивый результат на линии появляется не от абстрактной камеры, а от решения, собранного под конкретное полотно, место установки и производственную логику.

Автономное устройство может работать само по себе: включать световой столб, давать сигнал оператору и не требовать перестройки всей IT-среды предприятия на старте.
Если у компании уже есть система качества, MES, ERP или другой производственный слой, сигнал датчика можно передавать дальше вместе с фото, историей срабатываний и привязкой к партии.
Ключевая точность достигается за счёт обучения на месте: на той же камере, при том же освещении, на том же полотне и в той же точке линии, где реально возникает отклонение.
Тот же инженерный подход масштабируется и на другие типы решений: визуальные, измерительные, акустические и вибрационные датчики под конкретную задачу предприятия.

Проекты

Обсудим ваш проект?