Контроль качества важен как никогда
Колебания качества внутри одной партии топлива часто создают для предприятия проблемы при отборе проб и непрерывных замерах в целях контроля качества. Топливо равномерного на первый взгляд качества может содержать всякую всячину, а визуально этого сразу и не определишь. Это явление можно засвидетельствовать лично, посмотрев, например, на отходы древесины и иные энергетические отходы до и после переработки. Весьма многообразное сырье дробится до нужного размера и одновременно из него удаляется металл, пригодный к дальнейшей переработке, а также вредные при сжигании примеси.
Дробленое топливо вывозится на электростанции, где при приемке персонал располагает практически только информацией о поставщике, коде топлива и весе партии. В случае отходов древесины код Статистического центра не дает даже информации об их качестве, хотя для отходов древесины имеется классификация качества ABCD. Хотя эта классификация и представляет собой, скорее, инструкцию, а не результат постоянных замеров. Традиционно контроль качества выполняется путем проверки во время разгрузки того, как выглядит партия в общем, а также отбора проб из партии либо вручную, либо при помощи какого-либо автоматического пробоотборника. На этом этапе, однако, уже нет никакого представления о том, как товар выглядел первоначально, и были ли из переработанного топлива отобраны репрезентативные пробы, которые давали бы представление обо всей партии.
Мы были в такой же плохой ситуации, когда проверяли работу нашего оборудования, сравнивая данные онлайн-замеров с эталонными пробами. Пробы, конечно, отбираются из падающего потока через произвольные промежутки времени. Однако пробы на удивление оказываются отобранными через 1-2 минуты, потому что нет никакого смысла, а тем более – никакой радости контролировать разгрузку всей партии, на которую может уйти от 10 минут до 36 часов, в зависимости от электростанции. В ходе отбора проб мы стараемся визуально проверить, выглядят ли отобранные пробы так, как материал, который по конвейеру, по большей мере, движется. И это не самое простое дело, когда материал движется по закрытому и темному скребковому конвейеру. О том, насколько удачно отобраны пробы, нельзя быть на 100% уверенным даже тогда, когда результаты сушки в печи приятным образом соответствуют данным наших непрерывных замеров!
Роль машинного зрения в контроле качества
Мы осознаем проблему и нашу несовершенную способность прогнозировать успех посредством какой-либо кривой Гаусса, когда речь идет о сложных для работы фракциях топлива, таких как отходы древесины. В целях решения проблемы в наши системы FuelControl добавлена система машинного зрения, которая фотографирует поток топлива через равные промежутки времени. Сначала мы оценивали качество партий по случайно выбранным фотографиям, но и это оказалось делом очень трудоемким. Поэтому мы автоматизировали распознавание типа топлива таким образом, что система распределяет фотографии по типам топлива, использующимся на электростанции.
В отношении отходов древесины мы пошли еще на шаг дальше и приспособили в качестве инструмента самоорганизующуюся карту на основе нейронных сетей (Self-Organizing-Map, SOM). SOM использует на входе данные, полученные от рентгеновской съемки, системы машинного зрения и системы закупки топлива, и просматривает поставленную партию с точностью рентгеновской съемки. По классификации отдельных рентгеновских снимков мы считаем в базу данных с точностью до полуминуты или минуты подкласс, который представляют конкретные отходы древесины. Эта информация позволяет оценить качество всей партии в общем. Мы можем проверить, соответствуют ли взятые нами эталонные пробы преобладающему качеству партии, либо являются ли они чем-то отличным.
Маленькая система, большие преимущества
Более детальное изучение отходов древесины при помощи SOM дает также ценную информацию как для электростанции, использующей эти отходы в качестве топлива, так и для поставщика топлива. Если SOM начинает расценивать поступающий поток материала как что-то отличающееся от обычного, то причиной этого часто является ухудшившееся качество, следствием чего, в худшем случае, будет дорогостоящий простой котельной. С другой стороны, качество, отличающееся от обычного, может означать более сухие отходы древесины, что увеличивает риск пожара или взрыва в связи с наличием пыли. SOM может также рассказать об изменениях в процессе подготовки, и, когда такая информация получается быстро, можно выявить причины и проблему исправить и, по возможности, даже предотвратить. Самым простым способом исправить положение может быть регулирование скорости линии дробления. В этом случае удаление металла магнитами и вихревыми сепараторами станет более эффективным, а дополнительная выручка, полученная от этого поставщиком топлива, поставщику и останется.
В будущем при помощи программного обеспечения Inray можно будет искать отклонения по цвету принимаемого твердого топлива и считать соответствующую статистику. Цвет в фотографии привносит так называемая зеленая щепа и окрашенное дерево. Если в топливе имеется большое количество зеленой щепы, то в котле при сжигании образуется хлор, да и отходы окрашенной древесины для большинства котлов не особенно желательны из-за содержащихся в них вредных примесей. Раньше во многие краски добавлялся свинец, образующий грязные и едкие соединения.
При помощи системы машинного зрения качество биотоплива можно контролировать еще более полно. Представленная ниже серия фотографий показывает, как камеру можно использовать на электростанции. Одинаковый мокрый насквозь товар неопределенного вида был поставлен на электростанцию под тремя кодами топлива. Система машинного зрения – это эффективное решение уже само по себе, но в сочетании с системой FuelControl предприятия результатом является всеобъемлющая система контроля качества биотоплива в режиме реального времени.
