Внедрение видеоаналитики для контроля производственных процессов на нефтехимическом предприятии

Практический кейс компании "СИБУР"

Технологии компьютерного зрения в последние годы получили широкое распространение в повседневной жизни человека. Дорожные камеры контролируют соблюдение машинами правил разметки в большинстве крупных городов. По улицам некоторых городов уже ездят беспилотные автомобили. Мобильные телефоны разблокируются при распознавании лица владельца. На транспортных объектах компьютерное зрение ищет нарушителей, находящихся в розыске. В магазинах контролируется заполненность полок товарами и длина очередей. Не отстают от данного тренда и нефтехимические производства. Ярким примером может послужить компания "СИБУР".

В компании "СИБУР" работают более 23 тыс. сотрудников на более чем 26 производственных предприятиях. Только на одном из них может быть установлено несколько сотен камер технологического видеонаблюдения, контролирующих работу производства, и это без учета камер службы безопасности, контролирующих КПП и периметр. При этом "СИБУР" активно развивается и ведет строительство новых производств, в том числе в удаленных регионах. В первой половине 2019 г. "СИБУР" начал собирать команду разработчиков для решения задач анализа изображений с камер видеонаблюдения.

Системы видеоаналитики, используемые на объектах холдинга, направлены на:

1. Контроль периметра, СКУД.
2. Контроль за соблюдением правил охраны труда и промышленной безопасности (контроль наличия СИЗ и касок, соблюдение входов в зоны, контроль ремонтных работ и т.д.).
3. Контроль производственного процесса (автоматический контроль качества целевой продукции, соблюдение требований к марке продукта на различных этапах, отслеживание факторов, влияющих на процесс производства и ведущих к внеплановым остановкам, контроль оборудования для устранения лишних простоев и ремонтов и др.).

В этой статье мы рассмотрим третье направление.

Необходимость автоматического анализа видеопотока

География холдинга достаточно обширна и охватывает западную Сибирь и Центральную Россию. Площадь только одного предприятия может занимать более 700 футбольных полей.

Помимо крупного размера объектов, еще более критичным фактором являются высокие требования к применяемому оборудованию: процессы на производствах преимущественно взрывоопасные и технологически закрытые (в трубах, внутри оборудования), где визуальных точек контроля не очень много, а значит предъявляются высокие требования безопасности как к системам, так и к алгоритмам. Дополнительно оказывает влияние возраст используемого оборудования, который может сильно варьироваться от самого современного с умными системами управления до установок еще советского производства, не предусматривающих встроенных сенсоров. Эти факторы делают очевидной необходимость автоматического анализа видеопотока с камер для снижения нагрузки на оператора и возможности удаленного контроля за производством.

Действительно, в некоторых операторных на экран сотрудника выводилось одновременно по несколько десятков камер. Кроме того, оператор должен непрерывно следить за системой управления технологическим процессом и работать с ней, ведя процесс.

Основные вызовы для команды разработчиков

Главная задача, которая стояла перед разработчиками при создании продукта для контроля за технологическими и производственными процессами, – закрыть все задачи видеоанализа, появляющиеся у холдинга, взять на себя ответственность за архитектуру решения и получение эффектов заказчиками, а также разработать недостающие уникальные модули, решающие проблемы, которые нередко возникают на производстве и с которыми не могут справиться готовые продукты, представленные на рынке. Но на проектировании решения и разработке продукта задачи команды не заканчиваются.

Внедрение системы не означает ее приживаемость

Так, реализация и внедрение любого решения, в частности продукта для видеоаналитики, совершенно не означает, что оно приживется и через год будет работать так же эффективно. Это очень серьезный риск на производствах, где происходят постоянные изменения, корректирующие процессы, выпуск новых марок, запуск новых мощностей и т.д.

Зоопарк решений

Другая сложность в рамках крупного холдинга – множество решений, разбросанных по нескольким десяткам заводов, которые к тому же были установлены в разное время и разработаны разными ИТ-компаниями:

• системы видеонаблюдения;
• СКУД;
• системы ОТиПБ;
• точечные системы видеоаналитики для контроля за процессом.
  

С точки зрения архитектуры эти решения могут быть как централизованными, так и точечными, никак друг с другом не связанными и не унифицированными (например, модуль технического зрения на роботе-укладчике). Такое разнообразие систем сложно поддерживать, а еще сложнее собирать метрики об эффективности их работы. Зачастую такие данные даже не собираются и не анализируются, и в результате системы начинают деградировать и работать хуже. Это происходит незаметно и обходится дорого: для эксплуатации такого зоопарка решений нужен определенной пул ИТ-специалистов и обучение операторов всем инструментам, что подразумевает значительные накладные ресурсы для компаний. Понятно, что хочется их избежать, но каждый новый кейс по внедрению новой системы видеоаналитики в зоопарк решений пугает бизнес-заказчика, он считает стоимость покупки и дальнейшего владения и понимает, что цифры улетают в космос.

Вариативность обстановки

Третьей областью рисков является высокая и неявная вариативность условий. говоря про типовые задачи, например лицевую биометрию, все понимают, что модель, которая разработана под азиатов, будет не очень хорошо работать со славянским типом лица. При внедрении на заводах ситуация такая же, только вариативность обстановки менее явная. Например, разработчик привык к тому, что установленная на заводе камера смотрит в определенную точку под заданным углом и выдает картинку, на которой может меняться освещенность.

Он не предполагает, что в ходе ремонтных работ или выполнения наряда по обслуживанию линии рабочий, находящийся в непосредственной близости от камеры, может ее задеть, сдвинуть, повернуть, перекрыть область наблюдения и т.д. Все эти нюансы необходимо закладывать в модель, чтобы после пуска линии при наличии критичного смещения камера и модель об этом сигнализировали, а не начинали давать ложные сработки или, в худшем случае, ложные пропуски. Таким образом, при разработке моделей мы закладываем, чтобы она решала и имеющиеся на видеозаписях кейсы, и те, которые могут появиться при дальнейшей эксплуатации системы.

Схема решения

Ключевая цель

Поставленная цель звучала понятно: уйти от неинформативных "фотообоев", которые висят перед оператором при большом количестве камер, выведенных на один монитор, и уменьшить число обходов там, где достаточно использования камер и датчиков. Здесь важно понимать, что на наших объектах оператор преимущественно работает не с картинками от камер, а с системой управления производством. Камеры – это лишь вспомогательный инструмент, который дает больше представления о происходящем. В этом случае, чтобы сделать картинку с камер более информативной, нужно выводить ее только тогда, когда что-то идет не так. Причем "что-то идет не так" – очень общее понятие, оно не формализовано и предметно зависит от каждой камеры и места ее установки: это и контроль за зонами, утечками, продукцией, соблюдением норм охраны труда, и многое другое.

Когда мы начали работу над задачей и осознали весь ее масштаб, то приняли решение отказаться от внедрения новых точечных систем, чтобы сократить стоимость владения имеющимися решениями. Таким образом, был взят вектор на разработку продукта, который позволит соединить воедино имеющиеся модели и системы видеоаналитики с новыми, которые будут добавляться со временем при решении новых задач от производства. Причем новые модели необязательно должны быть разработаны внутри. это могут быть:

• готовые решения от сторонних подрядчиков;
• модели с открытым исходным кодом;
• старые системы, уже работающие на объектах, но адаптированные под новые внедрения;
• интеллектуальные алгоритмы, имеющиеся в штатных системах видеонаблюдения (детекторы движения, дымления, горения, контроля за людьми и т.д.).

Так появилась идея продукта, который был успешно разработан, внедряется в холдинге и уже готов к поставке на другие предприятия отрасли.

Схема решения

На входе мы получаем информацию с камер, от системы управления технологическим производством и датчиков платформы индустриального интернета вещей, которая затем анализируется. В решении есть готовый интерфейс для подключения новых моделей и детекторов, которые разрабатываются внутри или заказываются извне – получается быстрое и бесшовное подключение новых моделей к нашей системе, не требующее дополнительной разработки.

Для интеграции с системами видеонаблюдения используется графический интерфейс оператора.

Таким образом, мы можем управлять системой видеонаблюдения и интерфейсом оператора, выводить картинку тогда, когда нужно, забирать информацию о сработках и использовать весь доступный функционал, включая систему хранения видеоархива, журнал сработок событий и т.д. без необходимости обучать оператора новой системе. Полное представление оператора о системе видеоаналитики и доступных камерах формируется через обучение и проверку знаний.

"Куда движется рынок безопасности? От отдельных систем к комплексной интеграции" читать >>

Озеро данных

Немаловажный элемент в системе – это вывод информации о том, что происходит, в корпоративное озеро данных и дашборд для производства. Начальник смены видит не просто выводящиеся на экран камеры, а еще и статистику по итогам смены (сколько каких сработок было), что позволяет контролировать приживаемость системы, понимать, что случилось и какие меры были приняты для того, чтобы ситуация больше не происходила.
Для контроля приживаемости инструмента разработан слой, который дает возможность на уровне начальника смены и начальника производства видеть, как производственный персонал произвел корректирующие действия и устранил выявленные отклонения от нормального режима работы.

Эффекты и положительная обратная связь

Благодаря разработанному продукту было найдено решение главной задачи – по максимуму убрать камеры, отвлекающие внимание оператора, чтобы любой вывод изображения был осмысленным.

При нормальном процессе системы видеоаналитики работают в режиме "черный экран", не отвлекая на себя внимание оператора. Это позволяет персоналу сосредоточиться на основных инструментах управления технологическим процессом и минимизировать риск отклонений.
Другие показатели эффективности системы для нас – это:

1. Положительная обратная связь. Мы регулярно проводим оценку обратной связи, периодически публикуем в СМИ статьи с обратной связью от пользователей.
2. Экономические эффекты. Все затраты на оборудование разовые и преимущественно окупаются в течение года, а дальше система работает в плюс.
3. Доля камер, переведенных в режим интеллектуального видеонаблюдения. На момент начала работы 1,5 года назад в среднем по холдингу это было менее 10%, на данный момент – около 40%, к концу 2021 г. планируется выйти на отметку 70%.

Есть также еще один неочевидный, но очень чувствительный для заказчика эффект. Внедряя видеоаналитику, мы, помимо контроля за производством, получаем еще и лучший контроль за системой видеонаблюдения. Меняются производства – меняются и потребности в системе видеонаблюдения. Например, камера, актуальная два года назад в определенной точке, сегодня может быть уже не нужна, зато нужна в другом месте. Контролируя происходящее на камерах, мы постоянно понимаем актуальность их применения. Это позволяет повысить управляемость всей системы технологического видеонаблюдения (СТВН) и существенно экономить бюджет на закупке нового оборудования. При использовании точечных различных систем видеоаналитики мы такой эффект не получим, так как будем ставить новые продукты в новых местах, а старые будут продолжать работать и оплачиваться, хотя, может, уже никому и не нужны.

Возможность шире смотреть на вещи

Для анализа и построения предиктивных моделей нужны данные. Любой разработчик без них ничего не сможет сделать. в построенном решении у нас три источника данных:

1. Система управления производством. Данные из нее собираются в хранилище, откуда разработчики могут их брать.
2. Индустриальный интернет вещей и датчики системы управления.
3. Камера с видеоаналитикой, которая дает очень важные данные для предиктивных моделей. Датчик может сбоить, шуметь, и в этом случае изображение с камеры с результатом распознавания будет параллельным источником данных, который никак не зависит от датчика и дает более объективную картинку для модели предиктивного обслуживания.

Все вместе это позволяет шире смотреть на вещи, интегрироваться с системами предиктивной аналитики и индустриального интернета вещей и более четко понимать, что происходит на производстве.

Опубликовано в журнале "Системы безопасности" №1/2021