03.04.2022

Запуск аналитических решений в промышленности. На что обратить внимание

В настоящее время аналитические решения на основе искусственного интеллекта (AI) становятся все более востребованными в промышленности. Внедрение методов машинного обучения (ML) особенно актуально для обеспечения качественно нового уровня работы автоматизированных систем управления технологическими процессами (АСУ ТП). Решения на основе ML, интегрированные в существующие АСУТП, обеспечивают автоматизированное управление и контроль параметров технологического процесса, поддержку оптимального режима работы технологических установок и учет промежуточных данных.

Запуск аналитического решения на основе ML в промышленную эксплуатацию на производстве – ответственный шаг, перед которым требуется выполнить полное тестирование всех компонентов системы. Тестирование работы ML модели требуется проводить не только по отложенной выборке, но и на данных, поступающих в режиме реального времени. Работа с реальными данными позволит заблаговременно выявить технические и организационные сложности при взаимодействии с системой.

Рассмотрим на примере сахарного производства проведение тестирования на реальных данных. Мы подключили наше ML решение в производственную систему заказчика, в режиме реального времени собирали и обрабатывали данные, а также выдавали рекомендации по управлению диффузионным процессом. Ниже рассмотрим кейсы, которые нам удалось решить при непосредственном тестировании на реальных данных.

Кейс 1

В процессе тестирования на реальных данных значения датчиков диффузии выгружались порциями, в зависимости от частоты записи конкретного датчика. Для накопительного массового счетчика диффузионного сока значения должны линейно увеличиваться со временем. Однако при работе в режиме реального времени наблюдались моменты, когда значения датчика не менялись на протяжении нескольких часов. Показания данного датчика критически важны для расчета выхода конечного продукта, и, как следствие, для рекомендаций на основе ML модели. Задержка в изменении значений была связана с периодическим прерыванием связи между конкретным датчиком и базой данных. Для решения указанной проблемы мы изменили алгоритм записи данных и реализовали подключение по «альтернативному» маршруту.

Вывод: Для корректного функционирования решений на основе ML важна безошибочная работа конвейера передачи данных.

Кейс 2

Управление параметрами диффузии осуществляется за счет изменения их уставок (уставка – выставляемое значение датчика, которое достигается и поддерживается пока не будет выставлено новое значение; пример уставки: выставленная температура кондиционера в доме). При получении рекомендаций по управлению диффузионным процессом в режиме реального времени оператору (или контуру автоматизированного управления) следует изменить значения уставок по конкретным параметрам, что в конечном итоге должно привести к изменению реальных значений параметров. Однако достижение уставок происходит не мгновенно, причем время достижения зависит от того, происходит ли увеличение или уменьшение (нагрев и охлаждение для параметров, связанных с температурами), мощности конкретного нагревательного элемента (для параметров, связанных с температурами) и др. Для определения времени достижения параметрами значения уставок, и, как следствие, для определения оптимального времени выдачи рекомендаций, мы проводили дополнительные измерения и обсуждения с технологами на производстве.

Вывод: Для применения решений и получения рекомендаций на основе ML модели необходимо соответствующее техническое оснащение на производстве, позволяющее следовать выданным рекомендациям; кроме того, важно взаимодействовать с персоналом производства.

Кейсы, рассмотренные выше, – это лишь малая часть сложностей, которые решаются в процессе тестирования на реальных данных, а также в момент промышленной эксплуатации. В том числе могут быть выявлены следующие сложности (также представлены возможные пути решения):

  • Распределение показаний отдельного взятого датчика может отличаться от года к году (например, из-за калибровки), из-за чего модель, обученная на данных прошлого сезона, в новом сезоне может работать некорректно – важно глубокое понимание процесса и взаимодействие с персоналом производства для редактирования и учета значений конкретного датчика;
  • Данные могут записываться с различной частотой и поступать из разных источников – применение интерполяции или других методик для восстановления данных;
  • В процессе промышленной эксплуатации могут изменяться режимы работы производства, данные могут существенно отличаться от исторических – следует предусмотреть возможность переобучения модели;
  • Учет технических ограничений и возможностей производства – рекомендации модели должны корректироваться с учетом особенностей конкретного производства.

Необходимо внимательно подходить к каждому шагу внедрения ML системы, как со стороны данных, так и со стороны внедрения в производственную систему заказчика. Комплексный подход при тестировании позволяет извлечь максимальную пользу из аналитических решений на основе ML при эксплуатации конечного продукта.

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»