The paper presents a methodology for training neural networks for vision tasks on synthe-sized data on the example of steel defect recognition in automated production control systems. The article describes the process of dataset procedural generation of steel slab defects with a symmetrical distribution. The results of training two neural networks Unet and Xception on a generated data grid and testing them on real data are presented. The performance of these neural networks was assessed using real data from the Severstal: Steel Defect Detection set. In both cases, the neural networks showed good results in the classification and segmentation of surface defects of steel workpieces in the image. Dice score on synthetic data reaches 0.62, and accuracy—0.81.

Электродвигатели переменного тока являются ключевым и наиболее распространенным элементом технологического оборудования на горнодобывающих предприятиях, включая шахты, карьеры и обогатительные фабрики. Их работа критически важна для таких механизмов, как конвейеры, дробилки, мельницы, насосы и вентиляторы. Своевременная оценка технического состояния электродвигателя — это особая задача, поскольку его выход из строя может привести не только к остановке отдельного агрегата, но и к простою всей технологической цепи, что влечет за собой значительные экономические потери и риски для безопасности. В настоящее время существует ряд методов диагностики состояния электродвигателей и выявления дефектов. Однако многие из них требуют установки специализированного диагностического оборудования, стоимость которого зачастую многократно превышает цену самого двигателя, что не всегда экономически оправдано для массового применения на множестве единиц техники. В данной работе предложен упрощенный подход к оценке состояния электродвигателя, адаптированный для условий эксплуатации в горнодобывающем комплексе. Метод заключается в построении и анализе диагностической кривой, основанной на данных с датчиков тока, которые, как правило, уже установлены на электродвигателе в составе систем управления и защиты. Эта кривая, получаемая с помощью модификации метода векторного (Парка) преобразования, представляет собой простой и доступный способ получения информации о состоянии двигателя в реальном времени без необходимости в дорогостоящей дополнительной аппаратуре. В статье приведено описание алгоритма формирования диагностической кривой и продемонстрирована ее эффективность на примере модельных и натурных экспериментов. В ходе модельного эксперимента имитировались типичные для тяжелых условий эксплуатации неисправности ротора и статора. Натурные эксперименты проводились на действующем оборудовании с целью оценки реакции диагностической кривой на изменение механической нагрузки, аналогичной реальным рабочим режимам горнодобывающих комплексов.

Digital technology is being introduced into all areas of human activity. However, there are a number of challenges in implementing these technologies. These include the delayed return on investment, the lack of visibility for decision-makers and, most importantly, the lack of human capacity to develop and implement digital technologies. Therefore, creating a digital training simulator for the industry is an actual task. This paper focuses on the first step in creating a digital training simulator for the industry: developing a dynamic process model. The process chosen is flotation, as it is one of the most common mineral processing methods. The simulation was performed in AVEVA Dynamic Simulation software. The model is based on a determination of reaction rate constants, for which, experiments were conducted on a laboratory pneumomechanical flotation machine with a bottom drive. The resulting model was scaled up to industrial size and its dynamic properties were investigated. In addition, the basic scheme of a computer simulator was considered, and the testing of the communication channels of a dynamic model with systems, equipment and software for digitalizing was conducted. The developed model showed acceptable results for its intended purpose, namely, an exact match to the technological process in terms of time. This helps to account for inertia and a fast response on all tested communication channels, as well as being acceptable for the real-time simulation speed of the solver.