Цифровизация бизнес-процессов в промышленности: оценка засоренности лома

В настоящее время в отрасли черной металлургии наблюдаются растущие тенденции по показателю «ломообразование», что требует более ответственного отношения и эффективных способов в последующих переделах производственной цепочки. Приведены прогнозы развития рынка лома черных металлов в перспективе до 2030 г. Представлены факты о возрастающих тенденциях применения машинного зрения в промышленном секторе в результате проведения кластеризации ключевых слов «машинное зрение и промышленность» на основе публикаций, размещенных в базе данных NCBI PubMed. Объект исследования – предприятия металлургической отрасли, в частности по ломозаготовке черных металлов. Предмет исследования – процесс оценки засоренности лома. Проведено сравнение традиционного процесса оценки лома и цифрового (на основе применения машинного зрения), которые визуализированы в виде алгоритмов последовательности шагов их реализации. Подтверждена гипотеза о более эффективном использовании технологии машинного зрения в технологическом производственном процессе оценки засоренности металлолома при его приеме для дальнейшего передела по сравнению с технологией, основанной на визуально-экспертной оценке. Представлены перспективы использования и коммерциализации цифрового сервиса, а также его влияние на прозрачность и надежность взаимодействия между контрагентами. Использовались такие научные методы, как библиометрический анализ литературы, посвященный вопросам применяемых методов и способов оценки качества выгружаемого лома, сравнительный анализ применяемых процессов оценки засоренности лома на основе рассмотренных алгоритмов, а также методы синтеза, которые обобщают результаты.

1. Бойченко М.М., Перчаткин А.В., Фимушин А.В. Свидетельство о государственной регистрации программы для ЭВМ № 2023613105. Сервис визуализации и расчета засоренности лома в вагонах ОКО-Сорт НЛМК (ОКО-Сорт НЛМК): № 2023611096: заявл. 24.01.2023: опубл. 10.02.2023.

2. Дегтярева В.В., Плугарь М.С. Совершенствование бизнес-процесса оценки засоренности металлолома на основе вне дрения цифровых инструментов. Russian Economic Bulletin. 2023;2(6):205–211.

3. Дзюб И.С., Белякова А.С., Стронкин Д.А. Разработка экспертной система оценки степени засора и металлического ло ма на участке подготовки лома ЛПК АО «ВМЗ» по изображениям содержимого разгружаемых транспортных средств. Методы и устройства передачи и обработки информации. 2023;25:57–63.

4. Жихарев П.Ю., Мунтин А.В., Брайко Д.А., Крючкова М.О. Искусственный интеллект и машинное обучение в метал лургии. Часть 2. Примеры применения. Металлург. 2023;10:99–111.

5. Камчатова Е.Ю., Чащин В.Д. Результаты цифровизации промышленности (на примере металлургического комплекса России). В кн.: Приоритетные и перспективные направления научно-технического развития Российской Федерации: материалы V Всероссийской научно-практической конференции, Москва, 16 февраля 2022 г. М.: Государственный университет управления; 2022. С. 232–235.

6. Мунтин А.В., Жихарев П.Ю., Зинягин А.Г., Брайко Д.А. Искусственный интеллект и машинное обучение в металлургии. Часть 1. Методы и алгоритмы. Металлург. 2023;6:124–130. https://doi.org/10.52351/00260827_2023_06_124

7. Шешуков О. Ю., Мысик В. Ф., Некрасов И. В., Трегубова Ю. А. Актуальные вопросы подготовки лома к электроплавке. В кн.: Физико-химические основы металлургических процессов (ФХОМП 2022): материалы Международной научной конференции имени академика А.М. Самарина, посвященной 120-летию со дня рождения выдающегося ученого-металлурга, академика АН СССР Самарина А.М., 265-летию со дня основания Выксунского металлургического завода и 20-летию Выксунского филиала НИТУ «МИСиС», Выкса, 10–14 октября 2022 г. Выкса: Выксунский металлургический завод; 2022. С. 176–180.

8. Brooks L., Gaustad G., Gesing A., Mortvedt T., Freire F. Ferrous and non-ferrous recycling: Challenges and potential technology solutions. Waste Management. 2019;85:519–528. https://doi.org/10.1016/j.wasman.2018.12.043

9. Chen S., Hu Z., Wang C., Pang Q., Hua L. Research on the process of small sample non-ferrous metal recognition and separation based on deep learning. Waste Management. 2021;126:266–273. https://doi.org/10.1016/j.wasman.2021.03.019

10. Jeske T., Würfels M., Lennings F. Development of Digitalization in Production Industry – Impact on Productivity, Management and Human Work. Procedia Computer Science. 2021;2(180):371–380. http://dx.doi.org/10.1016/j.procs.2021.01.358

11. Kashiwakura S., Wagatsuma K. Characteristics of the calibration curves of copper for the rapid sorting of steel scrap by means of laser-induced breakdown spectroscopy under ambient air atmospheres. Analytical Sciences. 2013;12(29):1159–1164. https://doi.org/10.2116/analsci.29.1159

12. Lee J., Irisboev I.O., Ryu Y. Literature Review on Digitalization in Facilities Management and Facilities Management Performance Measurement: Contribution of Industry 4.0 in the Global Era. Sustainability. 2021;13(23):13432. http://dx.doi.org/10.3390/su132313432

13. Li Y., Qin X., Zhang Z., Dong H. A robust identification method for nonferrous metal scraps based on deep learning and superpixel optimization. Waste Management & Research. 2021;4(39):573–583. https://doi.org/10.1177/0734242X20987884

14. Meng L., Wang Z., Wang L., Guo L., Guo Z. Novel and efficient purification of scrap Al-Mg alloys using supergravity technology. Waste Management. 2021;119:22–29. https://doi.org/10.1016/j.wasman.2020.09.027

15. Srivastava E., Kim H., Lee J., Shin S., Jeong S., Hwang E. Adversarial Data Augmentation and Transfer Net for Scrap Metal Identification Using Laser-Induced Breakdown Spectroscopy Measurement of Standard Reference Materials. Applied Spectroscopy. 2023;6(77):603–615. https://doi.org/10.1177/00037028231170234