CC BY
46
©РИВС
- г .■■■ ■ ••
• •'.••л'- г- ■ - -
• 'Л■ ; < * К; ■
.. ■ ■ ■ • . . .
- щ *
Штш
'Жш
тг
к -ч'
^ЩшШ тт
I' У; т 9
Опыт по разработке и внедрению машинного зрения пенного продукта флотационных систем
Е.А. Фастунов,
ведущий инженер-программист департамента АСУ АО «НПО «РИВС»
А.В. Седов,
директор
департамента
АСУ АО «НПО «РИВС»
М.А. Ладыгин,
главный специалист отдела новой техники и программирования департамента АСУ АО «НПО «РИВС»
Р.В. Сбежнев,
руководитель отдела новой техники и программирования департамента АСУ АО «НПО «РИВС»
М.С. Молодцев,
главный инженер ОФ АО «КГМК» г. Заполярный
Л.А. Бразюлис,
начальник отдела ОФ АО «КГМК» г. Заполярный
М.П. Марухин,
заместитель главного инженера по НТИ ОФ АО «КГМК» г. Заполярный
©РИВС
Аннотация
Использование визуальных характеристик поверхности пены является одним из основных указателей эффективности флотационного процесса. Технолог-флотатор на основании своего опыта производит корректировку заданий регулирующих воздействий. Традиционные способы оценки параметров флотации имеют ряд недостатков, связанных с человеческими факторами: субъективность оценки процесса, связанная с квалификацией технолога, недостаточная оперативность реагирования на изменения, невозможность ретроспективного анализа (и прочие недостатки ручного управления в сравнении с автоматическим).
Машинное зрение позволяет использовать визуальные характеристики пены в системе автоматизированного регулирования флотацией, дополняя показания датчиков автоматизированной системы управления. Данная работа посвящена задаче модернизации автоматизированного управления процессом флотации с помощью применения машинного зрения и свёрточных нейронных сетей.
Ключевые слова: машинное зрение, флотация, автоматизированное регулирование, флотационная машина, АСУТП, нейронные сети
Experience in Development and Implementation of Machine Vision for Flotation Froth E.A. Fastunov, M.A. Ladygin, R.V. Sbezhnev, A.V. Sedov, M.S. Molodtsev, L.A. Brazulis, M.P. Marukhin
Abstract
The use of visual characteristics of the froth surface is one of the main indicators of the flotation process efficiency. The flotation plant operator adjusts the control actions based on his experience. Traditional methods of assessing the flotation parameters have a number of disadvantages due to human factors, e.g. subjective nature of the process assessment related to the operator's qualification, insufficient responsiveness to changes, impossibility of post-event analysis (other drawbacks of manual control compared to the automatic control). Machine vision allows to use visual characteristics of the froth within the automated flotation control system, supplementing the sensor readings of the automated control system. This work is focused on the task of upgrading the automated control of the flotation process by using machine vision and convolutional neural networks.
Keywords: Machine vision, flotation, automated control, flotation machine, automated process control system, neural networks
1. Принцип построения и реализация модели системы машинного зрения
Методы
Методы обработки изображения регулирования процесса на основе визуальных параметров пены можно разделить на два основных направления:
- машинное зрение, в основе которого лежит выделение количественных и качественных характеристик пены из изображения, являющихся отображением происходящих процессов. При обработке изображения выделяются признаки в удобном для восприятия человеком виде. Такими признаками являются количественные характеристики пузырей (площадь каждого пузыря, их количество), скорость поверхностного потока пены, цвет пены. По полученным цифровым характеристикам пены производится расчет регулирующего воздействия. Данный метод является наиболее приближенным к традиционному регулированию технологом. Для автоматизации необходимо иметь формализованные зависимости между параметрами пены и регулирующими воздействиями;
- машинное обучение с использованием сверточных нейронных сетей. Для определения функциональных зависимостей между состоянием пены и необходимыми управляющими воздействиями можно применить методы нахождения зависимости через абстрактные признаки, выделяемые в ходе обучения нейронных сетей. Такие методы не выделяют количественные признаки, которыми привычно пользоваться человеку. Используя большое количество накопленных примеров «вид пены - регулирующее воздействие» и имея достаточную обобщающую емкость, нейронная сеть способна выделить зависимости между видом пены и регулирующим воздействием, которую в дальнейшем можно использовать для применения в оптимизации процесса флотации.
Введение
Первым необходимым шагом в реализации системы машинного зрения явилась разработка аппаратной и программной структуры системы машинного зрения. Была выбрана распределенная структура аппаратного комплекса, которая выражается в создании сегментов, состоящих из набора 1Р-видеокамер и вычислительного сервера. Оптимальным количеством было принято 8-10 видеокамер в сегменте. Необходимое количество сегментов определяется в ходе технологических исследований.
Рис. 1 Структура системы машинного зрения
Первичным звеном определён блок измерения. Блок оснащается компактной 1Р-видеокамерой, светодиодным освещением, ультразвуковым уровнемером. Корпус блока измерения обеспечивает светоизоляцию от посторонних источников света.
Аналитический сервер выполняет функции сбора видеосигналов, обработки изображения, исполнения алгоритмов компьютерного зрения с целью генерирования
©РИВС
параметров пены из полученного изображения. Также аналитический сервер выполняет задачи архивирования изображений и рассчитанных параметров.
Интеграция с комплексом АСУТП фабрики производится посредством универсального промышленного интерфейса Modbus TCP.
Архивная база данных также имеет распределенную структуру. В каждом сервере сохраняется поминутная база изображений. Глубина архива фотоизображений составляет не менее месяца, видеоизображений не менее трех дней. При желании заказчика, глубина архива может быть увеличена. Также, опционально, система может быть дополнена центральным архивным сервером для резервного хранения данных.
Функции человеко-машинного интерфейса выполняет автоматизированное место оператора - персональный компьютер с несколькими мониторами. Служит для вывода изображения с камер в реальном времени, а также для работы с архивами сохраненных изображений и параметров.
Программная часть машинного зрения реализована на высокоуровневом языке программирования Python. Прикладная часть реализована с использованием библиотеки компьютерного зрения с открытым исходным кодом OpenCV. OpenCV - это библиотека компьютерного зрения с открытым исходным кодом, имеющая модули для разностороннего применения, хорошо задокументированная и имеющая подробное руководство [3]. Для архивации используется свободная реляционная система управления базами данных MySQL.
Выполняя функции машинного зрения, комплекс предоставляет средствам АСУТП следующие сигналы:
- расчетная оценка количественных и качественных характеристик размеров пузырьков на поверхности слоя пены (размеры пузырьков, распределение их по размеру);
- стабильность скорости схода пенного продукта;
- расстояние между видеокамерой и поверхностью слоя пены. Используется для расчета толщины слоя пены;
- анализ цветовых характеристик пенного продукта (опционально).
Материалы и методы Метод машинного зрения
ИЗОБРАЖЕНИЯ С КАМЕРЫ п
| ПОДГОТОВКА ИЯОБРАЖРНИР|.
СЕГМЕНТАЦИЯ I—|
|—| ЧИСЛОВЫЕ ЗНАЧЕНИЯ |-1
AJ'XHBHfUtwKMt ПЕРЕПЛНЛ БЛСУТЛ
Рис. 2 Функциональная схема Блока анализатора
Последовательность преобразований изображения в полезный сигнал можно разделить на насколько функций. Модель такой последовательности взята из работы [2]. Типичными функциями машинного зрения являются:
- Получение изображения. Получение цифрового изображения от датчика изображения (светочувствительной матрицы). В результате преобразований получается массив цифровых данных, который можно рассматривать как таблицу точек, число столбцов которой равно шири-
не матрицы, число строк - высоте матрицы. Для матрицы разрешением Full High Definition (FullHD) размер таблицы составляет 1920x1080 точек. Цветное изображение характеризуется тремя цифрами на точку - количество красной, синей и зеленой составляющей в данной точке.
- Предварительная обработка. Перед тем как методы компьютерного зрения могут быть применены к видеоданным, с тем чтобы извлечь определённую полезную информацию, необходимо произвести сжатие изображения до нужного разрешения, обрезать изображение, удалить шум, улучшить контрастность.
- Выделение деталей. Детали изображения различного уровня сложности выделяются из видеоданных. Типичными примерами таких деталей являются линии, границы и кромки, локализованные точки интереса, такие как углы, капли или точки: более сложные детали могут относиться к структуре, форме или движению.
- Детектирование/сегментация. На определённом этапе обработки принимается решение о том, какие точки или участки изображения являются важными для дальнейшей обработки. Примерами являются: выделение определённого набора интересующих точек, сегментация одного или нескольких участков изображения, которые содержат характерный объект.
Задачей машинного зрения в данном применении является выделение из полученного видеокадра определенных количественных и качественных характеристик, являющихся отображением происходящих процессов флотации. К таким характеристикам пены относятся распределение размера пузырьков, их форма и цвет, динамические изменения в течение времени наблюдения.
Из всей визуальной информации наиболее важной являются параметры геометрического размера пузырей. Результатом применения машинного зрения для каждого пузыря на изображении является его размер и положение на изображении. Наиболее удобным для исследования было принято распределение пузырей по размеру на десять классов. Диапазон каждого класса определяется экспериментально. Классы не перекрываются.
Метод машинного обучения
Предпосылкой к использованию машинного обучения является достаточная база изображений, сопоставленных с необходимыми метками. Метками в данном случае являются необходимое регулирующее воздействие, например, задание расхода воздуха, подаваемого в импеллер, задание расхода реагента.
Из видеопотока изображения архивируются с частотой три кадра в минуту. Структура архива файловая, то есть создается папка, именем которой является текущий год, в этой папке создается директория с номером текущего месяца, далее эта папка содержит папку с номером дня и в ней номер часа. В часовой папке поминутно архивируются изображения пены.
Сопоставляемые изображениям регулирующие параметры получаются из АСУ флотомашины. В данном применении были взяты три параметра: расход воздуха для аэрации и расходы по двум реагентам.
Для первоначального обучения достаточно получить архив данных за месяц.
Задачами применения нейросети могут быть регрессия или классификация. Регрессия характеризуется сопоставлением изображения на входе непрерывному цифровому сигналу на выходе модели, например, от 0 до 100%. Задачей
©РИВС
классификации является отношение изображения к одному из классов, например, отношение размера пузырьков к классу от 1 до 10. В реализации эта разница заключается в различном выборе функции потерь. Подробнее об обучении нейронных сетей, выборе функций потерь и оптимизаторах можно прочитать в литературе [1].
Таким образом обучение модели в задаче регрессии будет решаться сопоставлением изображения непосредственно регулирующим параметрам. Для того чтобы свести задачу обучения к задаче классификации, принято свести параметры регулирования к дискретным сигналам необходимого регулирующего воздействия. То есть каждое изображение сопоставляется с дискретным параметром необходимого регулирующего воздействия, например, норма - регулирование не требуется, больше - необходимо увеличить расход, меньше - уменьшить. При трех параметрах (расход воздуха и два реагента) имеется 27 возможных сочетаний (классов).
Результаты
2. Возможности интеграции системы машинного зрения в АСУ флотационной машиной
В ходе опытной эксплуатации системы машинного зрения проведены этапы обучения на действующем оборудовании ОФ Кольской ГМК (г. Заполярный) в феврале 2021 г.
Испытания проводились на пульпе вкрапленных мед-но-никелевых руд Печенгского рудного поля с сульфидной составляющей 5-10%.
На основе полученных данных построены алгоритмы ведения флотации системой машинного зрения. В представленной концепции система машинного зрения определяет значения динамических заданий процесса. Исполнительные устройства - традиционно применяемые на каскадах флотомашин.
2.1. Анализ и классификация пузырьков по грансо-ставу c последующим распределениемпо диапазонам крупности. Сопоставление с контролируемым размером на каждом этапе
Рис. 3 Иллюстрация распределения пузырьков по классам на поверхности пены (сульфидная руда). Реализовано распознавание размера пузырьков и определение их принадлежности к целевому размерному классу
Для решения задачи качественного ведения процесса флотации принято условие разделения всего диапазона грансостава на два класса. Цель - обеспечить поддержание заданного (целевого) класса не ниже 70-80%. Граница разделения классов определяется на этапе опытной экс-
плуатации. Возможности узла измерительной видеокамеры позволяют обеспечить точность измерения размеров пузырьков - 2 пикселя. Целевым классом в операциях основной и контрольной флотаций сульфидной руды экспериментально определён диапазон от 0 (условно) до 6 мм, некондиционным классом будет весь диапазон выше 6 мм. Причём наиболее показательным будет только некий участок в этом втором диапазоне - это наиболее устойчивая форма крупных пузырей, которая образуется при разрушении пузырьков целевого класса. Экспериментально определено, что для этой формы характерен размерный диапазон 20-40 мм. Все другие размерные диапазоны некондиционного класса не имеют выявленной выраженной тенденции к изменению в зависимости от условий процесса.
Так как скорость импеллера постоянна (рассчитывается на этапе пусконаладки), её влияние на формирование размера пузырьков в контурах регулирования не рассматривается.
Кондиционный пузырёк на поверхности пены имеет размер, формирующийся в толще пульпы (от импеллера -к поверхности) с учётом коалесценции, взаимодействия с реагентами и частицами пульпы. Если на поверхности слоя пены имеется максимальное количество пузырей целевого класса, при этом поверхность пузыря плотная, то имеется признак качественного ведения флотации.
Если на поверхности пены образуются пузырьки некондиционного класса, то это результат того, что пузырьки целевого класса коалесцируют в слое пены с образованием более крупных форм, при этом часть материала с оболочек переходит на поверхность пульпы и - хуже - удаляется из процесса.
Механизмы коалесценции и разрушения пузырьков в пенном слое весьма подробно рассмотрены в литературе.
Влияние на коалесценцию многообразно, но в данном эксперименте определялась только её зависимость от плотности.
Интересно рассмотрение зависимости распределения пузырьков по размерным классам в питании ФМ основной флотации от плотности пульпы. В ходе промышленных испытаний в течение 168 ч выполнялся непрерывный мониторинг процесса. Контроль плотности в питании ФМ (радиоизотопный плотномер ВеЛЬоЫ - данные предоставлены службой АСУТП ОФ), определение пузырьков по классам (установка машинного зрения РИФ-МЗ).
На рис. 4 и далее для всех наборов трендов: Шкала «Х» - 168 ч (7 сут), шкала - сводная (для удобного рассмотрения).
|;. Л. | 1г4ЭЯо1 |МЫ« р
Рис. 4 Зависимость разделения флотационных пузырьков по классам в сопоставлении с текущей плотностью. Синий тренд - текущая плотность (т/м3), оранжевый - % содержания пузырьков класса «-6 мм»; серый - % содержания пузырьков класса «20-40 мм»
©РИВС
Рис. 5 Сопоставление текущей плотности питания ФМ (синий тренд) с производной величиной от содержания пузырьков классов «-6 мм» и «20-40 мм»
Если при стабильном поддержании плотности в питании флотации % содержания пузырьков целевого класса снижается, имеется необходимость регулирования (коррекции) задания на подачу реагента собирателя. 2.2. Анализ скорости движения (снятия) пены. Настройка и регулирование скорости пены в каждой камере
Управление скоростью движения пены к порогу выполняется регуляторами расхода воздуха в границах, заданных технологическим регламентом и определяемым на этапе опытной эксплуатации верхним технологическим значением.
Диапазон расхода воздуха в камеру подбирается исходя из конструктива ФМ и назначения процесса. В качестве грубой стартовой настройки возможно использовать привязку к объёму ФМ и её типу. Существуют действующие нормативы расхода воздуха для каждого типоразмера ФМ. С большим приближением максимальный расход воздуха возможно определить, как: площадь поверхности (зеркала) камеры (м2) = значение расхода (м3/мин).
В большей степени нормативы актуальны для операций основной и контрольной флотаций. Для перечисток зачастую рабочий расход воздуха значительно ниже указанных нормативов.
Перед началом обучения системы машинного зрения выполняется тестирование ФМ на реакцию изменения расхода воздуха.
Скорость схода пены (по смещению пузырей на поверхности пены) измеряется системой машинного зрения (параметр «Скорость схода пены»).
При расходе 0 м3/мин (задвижка полностью закрыта) - расход воздуха отсутствует. Замеряется скорость схода пены. Она может быть отлична от нуля в силу процесса самопроизвольного стекания (сваливания) пены в желоб. Для определения верхнего рабочего предела регулирования необходимо зафиксировать расход, выше которого скорость схода пены перестаёт увеличиваться. Полученное значение с большой вероятностью будет отличаться от нормативного в меньшую сторону.
Значение скорости схода пены, которое принимается как целевое, определяется на этапе опытной эксплуатации.
Значение расхода в м3/мин не является постоянной величиной для процесса, а динамически изменяется для поддержания целевой скорости схода пены.
Рис. 6 Сопоставление скорости схода пены от расхода воздуха в ФМ
Возмущающим фактором для регулятора расхода воздуха является изменение плотности пульпы.
Синий тренд - расход воздуха по данным АСУТП от сужающего устройства с измерительной диафрагмой, оранжевый тренд - приведённая скорость верхнего слоя пузырьков в направлении пенного желоба (по данным от системы машинного зрения).
2.3. Измерение и анализ толщины пенного слоя
Система оценивает наличие и толщину слоя пены в зоне наблюдения узлов измерительных видеокамер. Критериями оценки качественного слоя пены являются измерение толщины слоя как суммы значений уровня пульпы, измеряемого средствами АСУ ФМ (поплавок или пьезоизмери-тель), и уровня пены, измеряемого средствами системы машинного зрения. Точкой отсчёта для вычислений является срез пенного порога.
Если при максимальном количестве подаваемого воздуха высота уровня пены низкая (меньше значения, определяемого как нижний предел качественного ведения процесса), возможно судить о недостаточном количестве реагента вспенивателя. Если система дозирования реагента связана с текущим содержанием твёрдого в час и поддерживается заданная константа для реагента вспенивателя (г/т), то формируемое динамическое задание расхода даст минимальное значение реагента. В случае определения системой недостаточного количества вспенивателя может быть введён увеличивающий коэффициент для дозирования.
Диапазон толщины слоя пены определяется технологом на этапе опытной эксплуатации. Тогда же определяется оптимальная толщина слоя пены, которую требуется поддерживать в процессе. Также необходимо определить, какой слой пены при этом должен сниматься с пенного порога. Эти целевые значения в виде задания принимаются АСУТП от оператора (технолога).
Поддержание задания скорости схода пены, а также толщины слоя пены напрямую связано с поддержанием уровня пульпы. Так как в технологическом процессе нормой являются колебания объёма питания флотомашины, уровень пульпы также величина непостоянная во времени.
Задача динамической коррекции задания уровня пульпы с целью поддержания целевых значений схода пены в зависимости от текущего расхода питания в ФМ не входит в функционал системы машинного зрения, поэтому не рассматривается в данной статье.
Список литературы
1. Шолле Ф. Глубокое обучение на Python. 2021.
2. Форсайт Д., Понс Ж. Компьютерное зрение: Современный подход. 2004.
3. Кэлер А., Брэдски Г. Изучаем OpenCV 3. 2017.
