Калийные удобрения критически важны для урожайности и продовольственной безопасности. Это основа стабильного сельского хозяйства. Они укрепляют растения, повышают устойчивость к засухе и болезням. Процесс их производства должен быть надежным и безошибочным, поскольку даже небольшие сбои приводят к тому, что ценное сырье уходит в отвалы, а предприятие теряет миллиарды рублей. Ученые Пермского Политеха обучили нейросеть отслеживать ключевые параметры очистки руды от примесей, повысив точность контроля до 96%.
Аннотация изображения с использованием инструмента CVAT. Источник фото: пресс-служба ПНИПУ
Статья опубликована в журнале «Горный информационно-аналитический бюллетень».
С каждым годом население Земли растет, и вопрос стабильного обеспечения продуктами питания становится все более острым. Ключ к решению этой проблемы кроется в повышении урожайности, которая напрямую зависит от минеральных удобрений. Одни из самых востребованных — калийные: они укрепляют растения, повышают их устойчивость к засухе и болезням. Однако, чтобы их получить, нужно сначала добыть калийную руду.
И здесь возникает главная сложность. Извлеченная из недр порода — это не чистое сырье, а хаотичная смесь. В ней вперемешку находятся и ценные калийные соли (сильвинит, карналлит), и совершенно бесполезные примеси — глинистые шламы и галит (обычная поваренная соль). Представьте, что вам нужно из ведра песка выбрать только золотые крупицы, отбрасывая все лишнее. Сделать это вручную можно, хотя и долго. Но в промышленных масштабах, где счет идет на тысячи тонн в сутки, такой труд невозможен. Здесь нужно продуманное инженерное решение — процесс, который специалисты называют «обогащением». Проще говоря, это очистка ценного сырья от всего, что не несет пользы.
Одним из самых эффективных и распространенных методов является флотация. Если объяснять просто, это способ разделить полезное и бесполезное с помощью воздуха и «мыльных пузырей». Звучит как детская забава, но на самом деле это сложнейший процесс, который позволяет из тонн беспорядочной смеси «выловить» самые ценные крупицы.
Для этого пересыщенный раствор руды (пульпу) помещают в емкость. Туда же добавляют реагенты, а снизу подают воздух. По всей толще жидкости начинают подниматься бесчисленные пузырьки, напоминая кипение.
Реагенты подбираются так, что на первой стадии пузырьки выталкивают на поверхность нерастворимые шламы — мелкие примеси, которые не нужны в готовом продукте. Их удаляют. На второй — пузырьки поднимают уже сами частицы хлорида калия — то, ради чего ведется обогащение. Их собирают и перерабатывают в удобрения. После этого в растворе остается хлорид натрия — обычная поваренная соль, которая не представляет ценности. Ее отправляют в отвалы.
Поверхность пульпы на обеих стадиях покрывается пышной пеной — чем-то вроде шапки в джакузи. Ее собирают вращающиеся механизмы — пеногоны. Они похожи на вентиляторы: лопасти сгребают пену в лоток, чтобы потом превратить ее в удобрения.
Такие флотационные машины — основа калийной промышленности. В России они работают на всех крупных горно-обогатительных комбинатах: «Уралкалий», «Еврохим», «Акрон». В общей сложности на этих предприятиях эксплуатируются сотни единиц такого оборудования, ежегодно перерабатывающего десятки миллионов тонн руды.
Пример аугментации с помощью алгоритма YOLO. Источник фото: пресс-служба ПНИПУ
Качество пены — главный индикатор того, правильно ли идет процесс. Любое отклонение сигнализирует о сбое: изменился состав руды, нарушилась подача реагентов. Если вовремя не заметить проблему, часть ценного калия вместо того, чтобы стать удобрением, уходит в отвалы. Для крупного предприятия это прямые убытки, которые могут исчисляться миллиардами рублей в год.
Изначально за этим следили операторы, но они не могут одновременно наблюдать за десятками флотомашин в отделении. Поэтому ранее ученые Пермского Политеха создали первую в России и до сих пор единственную систему на основе компьютерного зрения, которая анализирует не пену, а блики от нее. Каждый пузырек отражает свет, как зеркальце, а камера фиксирует эти «зайчики» света. Программа в реальном времени отслеживает параметры пены и, если замечает отклонения, подает сигнал сотруднику — тот вовремя корректирует процесс.
Точность такой модели составила около 90%. Сейчас, чтобы усовершенствовать систему, ученые дополнили ее нейросетевым модулем. Теперь она лучше учитывает положение рабочих элементов флотомашины, которые периодически закрывают обзор. Благодаря этому эффективность контроля повысилась до 96% — количество пропущенных циклов сократилось на 5,1% по сравнению с предыдущей версией, что потенциально позволяет дополнительно извлекать сотни тысяч тонн продукта и приносит миллиарды рублей дополнительной выручки.
– Большой проблемой было распознавание положения пеногона в кадре, ведь система анализирует видео только в те моменты, когда лопасти не перекрывают обзор. Пеногон по-разному устроен на разных заводах, и наши старые алгоритмы не всегда справлялись с распознаванием новых для нас конструкций. Поэтому мы решили использовать искусственный интеллект. Вручную разметили несколько сотен кадров, определив на них положение пеногона, и на этой выборке обучили нейросеть, – рассказал Андрей Затонский, профессор, заведующий кафедрой «Автоматизация технологических процессов» Березниковского филиала ПНИПУ, доктор технических наук.
Чтобы проверить, насколько хорошо модель усвоила задачу, ученые использовали кадры, которые нейросеть раньше не видела. Это как контрольная работа после изучения материала. Если модель успешно справляется с незнакомыми изображениями, значит, она действительно научилась распознавать нужные объекты, а не просто запомнила картинки.
— Результаты показали, что нейросеть определяет положение пеногона правильно в 96% случаев. При этом модель не просто запомнила примеры, а действительно научилась понимать, как выглядит объект. Количество ошибок на новых, незнакомых ей кадрах снизилось на 36%. В итоге мы получили инструмент, который делает мониторинг флотации более надежным и точным, — объяснил Андрей Затонский.
Сравнительные испытания подтвердили эффективность метода: количество пропущенных циклов работы оборудования сократилось на 5,1% по сравнению с предыдущим алгоритмом. Благодаря этому снижаются потери ценного сырья при производстве калийных удобрений. Точный мониторинг помогает вовремя замечать отклонения и корректировать параметры процесса, не дожидаясь брака. В конечном счете это способствует более эффективному использованию руды, что особенно важно в условиях растущего спроса на минеральные удобрения и необходимости обеспечивать продовольственную безопасность.
Источник информации и фото: пресс-служба ПНИПУ
