Как мы научили камеры «видеть» поломки на конвейере раньше, чем они случатся

Привет! Меня зовут Алексей. Я работаю главным инженером по надёжности на цементном заводе в Сибири. У нас десятки километров конвейерных лент: от карьера до дробилки, от печи до отгрузки. Если лента рвётся — останавливается всё. Простой стоит сотни тысяч рублей в час. А замена ленты на длинном конвейере — это дни работы.

В этой статье расскажу, как мы внедрили систему раннего предупреждения о повреждениях конвейерных лент с помощью компьютерного зрения. Без сложной математики — просто о том, как это работает на практике и почему это окупается.

Почему ломаются конвейерные ленты

Наша фабрика работает круглосуточно. Через конвейеры проходит щебень, клинкер, цемент. Основные причины поломок у нас такие:

• Абразивный износ. Песок и щебень постепенно стирают верхний слой ленты. Сначала появляется шероховатость, потом — трещины, потом сквозные дыры.
• Посторонние предметы. Из карьера попадают куски металла, порода большего размера, чем предусмотрено. Один удар — и лопается насквозь.
• Термические повреждения. Горячий клинкер после вращающейся печи (до 1400°C) остывает, но остаётся тёплым. Резиновая лента деформируется, трескается, теряет эластичность.
• Химическое воздействие. Влажный цемент, реагенты для очистки — всё это разъедает покрытие со временем.

Раньше мы проверяли ленты вручную: техник ходил с фонариком по галереям, смотрел, тыкал пальцем. Но у этого подхода три фатальных минуса:

1. Лента работает. Осмотр возможен только во время остановки, а остановки планируются раз в квартал.
2. Человеческий фактор. Усталость, невнимательность, плохое освещение — и дефект пропущен.
3. Недоступные места. Над печью, под бункерами, в туннелях — туда человеку сложно или опасно лезть.

Что такое компьютерное зрение в промышленности

Представьте, что вы показываете фотографию ребёнку и спрашиваете: «Где кошка?» Ребёнок указывает. Компьютерное зрение делает то же самое, только машина обучается на тысячах примеров.

В нашем случае камера снимает ленту в движении, алгоритм анализирует каждый кадр и отвечает на вопросы:

• Есть ли дефект?
• Где именно?
• Насколько серьёзно?

Мы пошли тремя этапами — от простого к сложному.

Этап первый: классификация — «норма или поломка»

Сначала мы установили обычные промышленные камеры над самыми проблемными участками — там, где лента изгибается на барабанах и где вероятность повреждения выше всего. Камеры снимали 250 кадров в секунду.

Мы собрали базу фотографий: нормальная лента, лента с трещинами, с разрывами, с повреждённым краем. Разбили на четыре категории. Обучили нейросеть отличать одно от другого — как учить ребёнка различать яблоки и груши по картинкам.

Результат: система за доли секунды определяет, в каком состоянии лента. Если видит «поломку» — отправляет сигнал на пульт оператора. Точность оказалась высокой даже на небольшой выборке фотографий.

Этот подход простой и дешёвый. Подходит для большинства конвейеров, где важно быстро понять: можно ли работать дальше или нужна остановка.

Этап второй: детекция — «где именно проблема»

Классификация хороша, но она говорит только «плохо», не указывая место. На следующем этапе мы научили систему обводить дефект рамкой, как человек карандашом на фотографии.

Мы разметили сотни снимков: обвели каждую трещину, каждый разрыв, каждый стык. Нейросеть научилась находить эти объекты самостоятельно.

Что это даёт на практике:

• Оператор видит не просто «тревога», а снимок с выделенным повреждением.
• Можно оценить размер дефекта. Маленькая трещина на краю — можно работать до планового ремонта. Разрыв посередине — остановка немедленно.
• Система считает площадь повреждения. Это помогает заказать запчасти заранее и спланировать ремонтную бригаду.

Этап третий: сегментация — «какова реальная площадь повреждения»

Самый точный уровень — когда система не просто обводит прямоугольником, а выделяет контур дефекта пиксель за пикселем. Это как сравнить обводку квадратом с точным вырезанием ножницами.

Сегментация нужна для критически важных конвейеров — тех, без которых весь завод встаёт. Там важна каждая деталь:

• Точная площадь износа позволяет предсказать, сколько лента ещё проработает.
• Характер расположения трещин показывает причину: термический износ, механическое повреждение или химическое разложение.
• По динамике роста дефекта можно спрогнозировать, через сколько дней произойдёт разрыв.

Что изменилось на производстве

После внедрения системы:

• Ручные обходы отменили на участках с камерами. Техники занимаются ремонтом, а не осмотром.
• Остановки стали плановыми. Мы знаем о проблеме за недели, а не в момент аварии.
• Сократили запасы лент. Раньше держали в резерве целые бухты «на всякий случай». Теперь заказываем точно под прогноз.
• Снизили аварийные остановки на 60% за первый год.

Актуальные решения на 2026 год

Технологии развиваются быстро. Вот что сейчас можно добавить к базовой системе, чтобы получить ещё больше эффекта:

Тепловизионный контроль

Камеры, снимающие в инфракрасном диапазоне, видят перегрев подшипников, трение в роликах, локальное нагревание ленты до появления видимых повреждений. Это как «видеть будущее» — поломка проявляется в тепловом следе раньше, чем визуально.

Гиперспектральная съёмка

Камера анализирует отражение света в сотнях спектральных каналов. Может определить химический состав загрязнения на ленте, ранние стадии коррозии металлоконструкций, изменение структуры резины. Пока дорого, но для особо ответственных узлов — оправдано.

Цифровые двойники

Создаётся виртуальная копия конвейера. Система компьютерного зрения кормит его реальными данными, а двойник моделирует: «если трещина растёт со скоростью 2 мм в день, через 12 дней произойдёт разрыв». Позволяет играть сценарии и выбирать оптимальное время ремонта.

Edge-вычисления

Вместо передачи видео на сервер обработка происходит прямо в камере или в шкафу рядом с конвейером. Снижает нагрузку на сеть, ускоряет реакцию до долей секунды, работает даже при обрыве связи с центральным офисом.

Интеграция с MES и ERP

Результаты диагностики уходят напрямую в систему управления производством. MES сама формирует заявку на ремонт, резервирует материалы, перестраивает график. Человек участвует только для подтверждения решения.

Беспилотные осмотрщики

Малые дроны с камерами летают вдоль наружных конвейеров, особенно в труднодоступной местности. Человек не ходит по сугробам и не лезет на вышки. Дрон делает обход, снимает, возвращается на базу для подзарядки.

Рекомендации

Компьютерное зрение для диагностики конвейерных лент — это уже не эксперимент, а зрелый инструмент. Начать можно с простого:

1. Выберите 2-3 самых проблемных конвейера. Те, где поломки случаются чаще всего или последствия самые тяжёлые.
2. Установите одну-две камеры с защитой IP64 минимум. Промышленная среда — пыль, влага, вибрация. Бытовые камеры не проживут и месяца.
3. Накопите базу снимков. Нейросеть учится на примерах. Сначала снимайте вручную в разных условиях освещения и загрузки.
4. Начните с классификации. Это самый быстрый результат. Потом добавляйте детекцию и сегментацию.
5. Интегрируйте с системой управления. Чтобы сигнал о дефекте автоматически попадал к ответственному инженеру, а не терялся в потоке сообщений.

Главное — не гнаться за «умной фабрикой» сразу. Лучше сделать простое решение, которое работает, чем сложное, которое стоит на полке.

Если у вас есть вопросы по внедрению — пишите в комментариях.

Алексей, главный инженер по надёжности