Услуги и решения

Объединенный институт ядерных исследований (ОИЯИ): ML Sense для автоматического контроля дефектов намотки сверхпроводящего кабеля

Отрасль проекта

Производство

Технологии

Машинное зрение

О проекте

Ошибка визуального контроля при намотке высокотемпературного сверхпроводящего (ВТСП) кабеля может привести к браку изделия и значительным финансовым потерям. При цене $35 за метр ВТСП-ленты и длине в десятки метров стоимость одного кабеля достигает сотен тысяч рублей. Чтобы устранить человеческий фактор, мы внедрили ML Sense — систему машинного зрения, которая в реальном времени выявляет заломы, нахлёсты и сбитый шаг намотки. Это обеспечило 99% точность обнаружения дефектов, автоматическую остановку линии при критических отклонениях, сокращение штата на 3–4 оператора в смене и окупаемость проекта уже при выпуске первого крупного магнита или серии средних.

О клиенте


Объединённый институт ядерных исследований (ОИЯИ) — международный научный центр в Дубне. Специализируется на физике высоких энергий, ускорителях частиц и множестве прикладных, в том числе сверхпроводящих технологий. В частности, ОИЯИ разрабатывает SMES-накопитель (Superconducting Magnetic Energy Storage) — это высокотемпературная сверхпроводящая катушка, которая накапливает энергию и питает магниты ускорителей Бустер и Нуклотрон. Также ОИЯИ будет менять магниты Нуклотрона, прослужившие больше 30 лет, на магниты из ВТСП кабеля.



Процесс намотки кабеля из сверхпроводящей ленты

Проблема


ВТСП-кабель (высокотемпературный сверхпроводящий кабель) наматывается из десятков тонких лент шириной 4 мм. От качества намотки напрямую зависит надёжность всей системы — будь то накопитель энергии или ускоритель частиц. Шаг между витками должен быть строго постоянным, без нахлёстов и заломов: даже один незамеченный дефект невозможно устранить после завершения намотки. При цене $35 за метр ВТСП-ленты и длине в десятки метров, брак даже одного кабеля обходится в сотни тысяч рублей.


Контроль выполняли вручную. На линии работали 6–7 операторов, часть из которых следили исключительно за качеством намотки. Это утомительная работа: нужно непрерывно смотреть на один и тот же участок кабеля и мгновенно реагировать на отклонения. Человеческий фактор, усталость и сложность визуального контроля приводили к ошибкам.



Однородная корректная намотка, с равномерным шагом (в пределах допустимых отклонений)



Сбитый шаг намотки (различное расстояние между витками), но без значительного повреждения намотанной ленты



Критические дефекты: нахлест, залом, избыточный шаг. Данный кабель сделан из тестовой ленты золотистого цвета для более наглядной демонстрации дефектов

Этот проект стал логичным продолжением нашей предыдущей работы для завода «С-Инновации». Там мы помогали контролировать качество самой ленты — первого этапа производства, где нейросеть научилась выявлять спаи, сдвиги и дефекты с точностью до 95%. Теперь мы перешли к следующему важному этапу — контролю намотки кабеля из этой ленты. Это показывает, что клиенты доверяют нам и что наше решение эффективно работает на разных стадиях производства.


Цели и задачи


Необходимо автоматизировать распознавание дефектов при намотке ВТСП-кабеля и уменьшить процент брака.


Задачи:


  • Контролировать однородность намотки на каждом из 5 постов кабельной машины.
  • Автоматически фиксировать дефекты: нахлёст, залом, отклонение шага.
  • При обнаружении дефектов — подавать сигнал на соответствующую сигнальную колонну и, при необходимости, останавливать линию.
  • Обеспечить логирование событий и архив фотофиксации.


Необходимо анализировать отмеченную область

Решение


Мы внедрили ML Sense — систему машинного зрения для контроля качества, адаптированную под задачу анализа витков кабеля сверхпроводника.


Этапы реализации


1. Построение сцены в лаборатории


Собрали опытный стенд в лаборатории: пробовали разные камеры, освещение и углы, чтобы добиться устойчивой и точной детекции. Когда нашли оптимальную конфигурацию, передали параметры заказчику — он воспроизвёл сцену на реальной линии.



Тестовая версия стенда в нашей ML-лаборатории

2. Сбор и разметка данных


Мы собрали датасет из нескольких сотен примеров: равномерная намотка, заломы, нахлёсты, неравномерный шаг. На этом наборе обучили YOLOv5: она не вычисляет метрику шага, а классифицирует участки по принципу «похоже на норму или нет».


При этом вся логика предельно простая и устойчивая. Камера фиксирует участок троса, модель сканирует изображение, и если оно визуально близко к эталонной намотке — на экране зелёный индикатор. Если что-то отклоняется — система помечает зону как дефектную и отправляет сигнал на светозвуковую колонну.



Нейросеть выявляет дефекты, а цифры показывают степень её уверенности в правильности распознавания

3. Интеграция


Установили камеры на первый пост. Подключили сервер обработки, сигнальные колонны, контроллеры. По мере отладки начали развёртывание на все 5 постов. Система подключена к светозвуковым колоннам и умеет подавать сигнал на остановку установки.


Как работает


1. На каждом из 5 постов установлена камера, направленная на кабель в точке намотки.
2. Видео в Full HD поступает в ML Sense.
3. Система определяет: неравномерный шаг между витками, нахлёсты, заломы.
4. При критических отклонениях загорается световая колонна на соответствующем посту и подаётся стоп-сигнал на установку.
5. Оператор видит изображение с камер и отмеченные дефекты. Может принять решение: продолжать или корректировать намотку.
6. Все события и фото фиксируются в журнале.



Главный экран ML Sense: видеопоток с камер



При клике на дефект появляется диалоговое окно с описанием



Все события сохраняются в архиве

Результат


  • Точность детекции дефектов — до 99%.
  • Высвобождение персонала — минус 3-4 оператора в смене.
  • Окупаемость — на первом же крупном магните или серии, хотя проекты пока не коммерческие, а для нужд Объединенного института ядерных исследований.

Стек


Видеоаналитика и хранение данных: Python, C++, OpenCV, сверточные нейронные сети, YOLOv5, YOLOv8, YOLOv10, PostgreSQL, Flask.
Интерфейс оператора: React.

Расскажите нам о своей задаче
Мы немедленно возьмём её в работу
Алексей Кузнецов
hello@nordclan.com