Облачная аналитика для промышленности. Как внедрять ИИ уже сегодня

19 апреля специалисты Beltel Datanomics и Yandex Cloud провели вебинар о возможностях и преимуществах облачных технологий для предприятий индустриального сектора. Слушатели узнали, в чём сложность и залог успеха подобных проектов, почему облако позволяет оставаться на инновационной волне, какие задачи успешно решаются в рамках проектов ML.

Почему для проектов индустриального IoT и ML сейчас лучше выбирать облако

Максим Хлупнов, архитектор облачных решений Yandex Cloud

Сегодня кроме традиционных, физических активов (продукция, процессы, сырье, комплектующие, склады) у производственных предприятий появляются и цифровые (данные, приложения, способы взаимодействия с рынком).  Интеллектуальное производство предусматривает сбор и хранение информации, необходимой для отслеживания поступлений сырья, готовых изделий, оборудования и персонала — то есть всего, что используется в виде деятельности — «производить».

Рис. 1. Активы производственных компаний

Но данные становятся производственным активом только тогда, когда их начинают использовать, и проекты индустриального ML позволяют это сделать.  Это не просто перевод существующего бизнес-процесса в цифровую форму, а возможность придать процессу новые качества и повысить экономическую эффективность.

Перед тем как приступить к ML-проекту, необходимо выполнить проект по сбору и хранению первичных производственных данных (удалённый мониторинг, который может иметь и самостоятельную ценность в производственной экосистеме). Это даёт возможность контролировать состояние сложных и территориально распределённых производственных процессов. Когда этот этап будет завершен, можно переходить к ML процессам: обучению и применению моделей, управлению, прогнозу, оптимизации.

Облако – это эластичная платформа, которая позволяет собирать данные телеметрии или других систем, хранить и выгружать их, производить предварительную обработку, мониторинг, группировку и подготовку отчётов.

Элементы успешного МL — проекта

Проект начинается с экспериментов, удачные эксперименты проверяются на большом наборе данных и превращаются в процесс применения в готовых сценариях.

Наиболее распространённые сценарии:

 

В чём сложности внедрения ML в процессы промышленных предприятий?

  • Отсутствие качественных данных
  • Сложность и высокая стоимость систем сбора данных с оборудования
  • Необходимость объединить усилия специалистов прикладной области, ИТ-специалистов и специалистов по Data Science
  • Высокие требования к защите данных и безопасности системы
  • Проектные риски и сложно предсказуемый экономический эффект

 

Вот почему важно, чтобы в процессе создания индустриального решения участвовал надёжный партнёр, знающий техническую сторону и умеющий разбираться в прикладной области, одним из таких партнеров является Beltel Datanomics.

Решения в области искусственного интеллекта для промышленных производств

Анна Племяшова, руководитель направления Datanomics

В мировой практике на текущий момент применение технологий ИИ в промышленности в основном связано с решениями для эффективности производства.

Задачи оптимизации технологического процесса наиболее востребованы для непрерывных производств, например, в нефтеперерабатывающей, металлургической, химической отрасли. Для дискретных производств, таких как машиностроение, наибольшее количество реализованных кейсов – это системы предиктивного обслуживания оборудования.

Системы предиктивного обслуживания оборудования – это пример предсказательной (или прогнозной аналитики), системы оптимизации технологического процесса – пример предписывающей аналитики.

Рис. 2. Стадии зрелости аналитики данных по Gartner и сценарии для производства

Существующие проблемы в управлении технологическими процессами:

  • Отклонение в качестве готовой продукции
  • Снижение целевых показателей производительности
  • Изменение расхода сырья и энергии
  • Высокая стоимость утилизации и списания продукции ненадлежащего качества
  • Сложности в найме квалифицированного персонала для работы оператором
  • Влияние человеческого фактора на протекание технологического процесса
  • Множество переменных, от которых зависит качество протекания процесса

 

Подходы к решению задач методами искусственного интеллекта:

  • Повышение эффективности за счет минимизации потерь (какие значения управляемых параметров максимизируют выход/снижают потери?). При этом требуются исторические данные и данные по качеству сырья.
  • Поддержание стабильного качества и снижение расхода сырья и материалов (какие значения управляемых параметров и дозирование компонент обеспечивают минимальное отклонение по качеству?). Необходимы исторические данные, данные по качеству сырья и материалов.
  • Детектирование аномальной работы (отображаемый режим работы нормальный?). Наличие исторических данных, технологических ограничений.

Предлагаем рассмотреть в качестве примера кейс по рекомендательной системе дозирования рецептурных компонент. Заказчик: одна из крупнейших в мире пивоваренных компаний. Задача: достижения целевых показателей по цветности и pH через анализ данных и построение модели предсказания дозировки спец. солодов и ортофосфорной кислоты. Были построены модели, прогнозирующие параметры качества, разработана рекомендательная система в виде простого и понятного пользовательского веб-интерфейса. Через него вводятся показатели по сырью и проводится расчёт параметров дозирования.

Другой кейс – сахарный завод. Задачей Beltel Datanomics было уменьшение процента общих потерь сахара на диффузионном отделении. Для этого разработана система управления в режиме советчика. Она выдаёт рекомендации по выставлению оптимальных параметров, обеспечивающих максимальный КПД технологического процесса. У оператора есть дашборд, на котором он видит, как ему регулировать управляемые параметры на основе построенной модели. Рекомендательная система развернута в облаке и запущена в ОПЭ.

Существующие проблемы в управлении активами предприятия (предиктивное обслуживание оборудования):

  • Остановка производственного процесса при отказе оборудования
  • Долгий процесс технического обслуживания и поиска причины отказа оборудования
  • Высокая стоимость внеплановых ремонтов, невозможность их предотвращения
  • Сложности с анализом поступающих от оборудования данных в силу их большого количества, разрозненности и большого количества факторов, которые надо учитывать
  • Множество критически важного и технологически сложного оборудования, поломки которого потенциально опасны

Подходы к решению задач методами искусственного интеллекта:

  • Использование регрессионных моделей для прогнозирования оставшегося срока использования (сколько времени/циклов осталось до выхода оборудования из строя?). При этом требуются исторические данные и факты поломки.
  • Классификационные модели для прогнозирования сбоя в заданном временном окне (произойдёт ли сбой оборудования в следующие N дней/циклов?). Необходимы исторические данные об отказах оборудования и типах сбоев.
  • Детектирование аномальной работы (отображаемый режим работы нормальный?). Не требуется никаких дополнительных данных на наличие поломок, достаточно просто иметь технические отклонения.

Общая архитектура решений

Этапы реализации проекта

  1. Определение задач, целей проекта и составление ТЗ. Определение типа оборудования/процесса для предсказания/оптимизации. Изучение рабочих процессов заказчика. Оценка достаточности исторических данных. Срок 1-2 месяца.
  2. Моделирование и реализация пилота. Передача массива данных, обучение модели на стороне исполнителя, тестирование модели на исторических данных или в полевом эксперименте.
  3. Развертывание, тестирование и оценка результата. Анализ достижения поставленных целей, принятие решения о внедрении. Настройка необходимых интеграций с существующими системами. Согласование SLA для сервиса. Вместе с предыдущим этапом это занимает 3-6 месяцев в зависимости от задачи.
  4. Масштабирование результата. Расширение работы на весь контур оборудования/процессов (по оговоренному типу или объекту) заказчика. Регулярное дообучение на новых данных.

 

Чек лист для запуска проектов AI на производстве (подробно в статье)

Оставьте заявку и получите бюджет и план внедрения наших решений в ваш бизнес

 

 

Оставьте заявку и получите бюджет и план внедрения наших решений в ваш бизнес

    Заполняя форму, Вы соглашаетесь с правилами обработки персональных данных.

    Мы используем файлы cookies, чтобы получать статистику и делать наш сайт и другие сервисы удобными для вас. Продолжая дальнейшее использование сайта и/или его сервисов, вы соглашаетесь с этим. Более подробную информацию можно прочитать в «Политика обработки персональных данных» и в «Политика Cookies»