Системы AI на производстве: актуальные задачи, решения, этапы реализации и кейсы

Согласно данным исследования ReportCrux Market Research, глобальный спрос на искусственный интеллект на рынке IoT в 2019 году оценивался в 2,64 млрд долларов, и ожидается, что к концу 2027 года цифры увеличатся в 5-7 раз. Также стремительно в сферу промышленности внедряются интеллектуальные аналитические системы. Например, в 2019 году машинное обучение в сегменте энергетики заняло 67% мирового рынка.

Российские компании пока не так масштабно, но все-таки начинают доверять определенные задачи искусственному интеллекту. В новой статье мы рассказываем, какие задачи ставит индустрия перед искусственным интеллектом, приводим варианты разрабатываемых систем и на примере реальных кейсов показываем пути решения существующих проблем.

Примеры решений для промышленности

1.    Прогноз протекания технологического процесса

В управлении технологическими процессами могут возникать ряд проблем, среди которых:

• отклонение в качестве готовой продукции;
• снижение целевых показателей производительности;
• изменение расхода сырья и энергии;
• высокая стоимость списания и утилизации;
• сложность в подборе квалифицированного персонала;
• влияние человеческого фактора на протекание технологических процессов;
• множество переменных, от которых зависит качество протекания процесса.

Задачи и решения

Задачи оптимизации технологического процесса – это производство продукции с максимальной эффективностью и исключение или минимизация отклонений в ее качестве.

Накопленные за время работы предприятия данные и их последующая аналитика с помощью интеллектуальной системы помогают создавать статистические цифровые двойники. Решение точно просчитывают оптимальные режимы работы технологических установок. Стоит отметить, что такие системы легко интегрируются между собой и встраиваются в текущие процессы, нет потребности в установке дополнительного ПО.

Кейс 1

Крупный агропромышленный холдинг обратился в Datanomics с задачей разработать для сахарного завода систему управления диффузионным аппаратом, которая помогла бы снизить потери сахара и минимизировать человеческий фактор при работе технологической установкой.

Разработчики создали систему, которая в режиме real time анализирует данные и параметры технологического процесса. На их основе в облаке создается цифровой двойник, который просчитывает оптимальный алгоритм работы установки и прогнозирует выход сахара, возможный при соблюдении режима. Двойник выводит рекомендации на панель мониторинга оператора (рисунок 1) и предлагает «подсказки» для оптимального управления технологическим процессом. Цифровой двойник отслеживает качество сырья и мгновенно отправляет оператору сообщение о необходимости смены тех или иных настроек. Для удобства пользователя на экран выводятся те параметры, которые подлежат изменению в большей степени. Система следит за тем, чтобы оператор технологической установки вносил верные входные данные и не позволяет совершить ошибку при вводе. Кроме того, на панели руководителя видно, что происходит с процессом, это, в свою очередь, повышает технологическую дисциплину.

Панель мониторинга оператора

Рисунок 1

В результате внедрения получено математическое обоснование оптимального режима работы установки, изменились регламенты бизнес-процессов, простои установки снизились на 20%, а потери уменьшились на 2%.

2.    Прогноз аварийных ситуаций

Приведем примеры проблемы в управлении активами предприятия:

• остановка производства при отказе оборудования;
• выполнение ремонта по факту поломки или появления иной неисправности;
• долгий процесс технического обслуживания и поиска причин неисправности;
• высокая стоимость внеплановых ремонтов и невозможность их предотвращения;
• сложность анализа поступающих данных в исторической перспективе из-за их объема, разрозненности и большого количества факторов, которые необходимо учитывать;
• множество важного и технологически сложного оборудования, поломки которого потенциально опасны.

Новые возможности

Функционал базовых средств контроля оборудования ограничен, так как он не дает возможности проанализировать факторы, косвенно влияющие на его состояние и заранее спрогнозировать критическую ситуацию.

Машинное обучение и искусственный интеллект позволяют оперативно проводить анализ больших объемов данных «на лету», выводя в режиме реального времени информацию не только о фактическом состоянии технологической линии, но и прогнозируя отказы и «узкие» места в производственном процессе.

В результате сокращаются простои оборудования, работы по техническому обслуживанию оптимизируются, уменьшается время внепланового техобслуживания, причины отказа оборудования анализируются с большей глубиной, повышается прозрачность данных и количество информации о технологическом процессе.

Кейс 2

Горно-перерабатывающий завод обратился в Datanomics с задачей увеличить длительность полезного использования шаровых мельниц с центральной разгрузкой. На момент обращения на заводе насчитывалось порядка 100 аварий в год.

Требовалось разработать систему прогнозирования состояния оборудования в формате веб-портала с разграниченными пользовательскими правами. На дашбордах должен быть обеспечен просмотр списка контролируемого оборудования и его состояния, данных по состоянию узлов в карточке оборудования, списка обнаруженных дефектов, прогноза по развитию дефекта или выхода из строя узлов оборудования.

Новая система позволяет выявлять проблемы в соответствии с заданными параметрами, прогнозировать развитие дефектов согласно заданной предиктивной модели, рассылать уведомления в рамках оговоренных правил (рисунок 2).

Рисунок 2

Системы предиктивного обслуживания оборудования благодаря раннему предупреждению о потенциальных отказах и возможных проблемах уменьшают время простоя оборудования. Увеличивается прибыль предприятия за счет возможности своевременно провести ремонт, повысить эффективность работы из-за удаленного мониторинга и ускорению процесса анализа неисправностей.

3.    Наблюдение за технологическими процессами

Для наблюдения за технологическими процессами также применяются новые видеосистемы. Так, например, постоянный мониторинг технологических объектов для распознавания аномалий в выпускаемой продукции или процессе, организации дополнительного контроля, можно осуществлять средствами видеоаналитики с применением технологии компьютерного зрения.

Этапы реализации решения

Как правило, в Datanomics разработка и полное внедрение интеллектуальной системы проходит в 4 шага и занимает до 6 месяцев в зависимости от поставленных задач. Рассмотрим подробнее каждый из этапов.

1. Определение задач, целей проекта и составление ТЗ

Традиционно первым шагом на пути реализации интеллектуальных систем на производстве становятся определение задач проекта и составление подробного технического задания. Разработчик со своей стороны определяет тип оборудования для предсказания или оптимизации, изучает рабочий процесс заказчика и оценивает качество накопленных данных.

2. Моделирование и реализация пилота

На втором этапе разрабатывается модель интеллектуальной системы, происходит ее обучение на стороне заказчика. После чего модель тестируется на базе исторических данных или в «поле».

3. Развертывание, тестирование, оценка

Когда определили, что модель работает согласно заданным требованиям, производятся развертывание системы, ее тестирование и оценка результатов. На третьем этапе модель становится полноценным решением, работает в реальном времени, оказывается сервисная поддержка. На этом шаге также настраивается интеграция с существующими системами и согласование SLA для сервиса.

4. Масштабирование

Заключительным этапом становится расширение системы на весь контур оборудования. Производится регулярное дообучение модели на новых данных.

Читайте по теме:

Predictive Maintenance: проще предотвратить, чем бороться с последствиями

Облачные службы Microsoft Azure для разработки и внедрения систем умной производственной оптимизации

Создание ценности через цифровую трансформацию. Вы уверены, что ничего не упустили?