Чек лист для запуска проектов AI на производстве
Сергей Кравченко, Старший аналитик данных, Beltel Datanomics.
В ходе реализации проектов по оптимизации процессов на производстве мы сформировали перечень вопросов, ответы на которые помогают нашим заказчикам разрабатывать исчерпывающие бизнес-сценарии и корректно формулировать задачи для исполнителей.
В этой статье развернуто опишем каждый пункт.
1. Определение величин, характеризующих качество процесса
Обратимся к физике. В случае двигателя внутреннего сгорания одним из качественных характеристик является КПД двигателя – это отношение полезной работы, которую может совершить двигатель, к теплоте, потребляемой им в виде горючего. Аналогично можно определить практически такую же величину в других областях. Например, в случае сахарного производства для диффузионного отделения КПД может считаться отношение производимого сахара к количеству сахара в свекольной стружке. Оптимизация этой величины может являться постановкой задачи оптимизации процесса диффузии на сахарном производстве. Выбор правильного показателя для оптимизации является основополагающим во всем проекте. При ошибочном выборе оптимизируемого параметра результат проекта может привести к бо́льшим потерям.
2. Какие параметры влияют на процесс?
После того как определена величина, характеризующая качество технологического процесса, необходимо определить функциональную зависимость этой величины от других переменных. В нашем примере с диффузионным отделением сахарного производства одной из основополагающих величин, влияющей на диффузию, является температура процесса. Из курса физики и житейского опыта известно, что процесс диффузии ускоряется с увеличением температуры среды. Поэтому температуру необходимо учитывать при решении задачи оптимизации диффузии сахарного производства. Этот параметр должен быть «вшит» в модель. Понимание физических принципов протекания процесса позволяет построить адекватную модель и собрать необходимый минимум параметров для решения задачи.
3. Какие параметры могут подвергаться изменениям?
Так как мы хотим управлять процессом для улучшения качества (КПД) производства, необходимо определить, какие параметры можно изменять, а какие должны быть фиксированными на протяжении всего производства. Фиксация определенных параметров может быть продиктована паспортными данными технологических установок: рабочий объем устройства, частота вращения. Также к параметрам, которые нельзя изменить, относятся качественные характеристики сырья.
4. Какой допустимый диапазон значений регулируемых параметров?
Важным являются технологические ограничения параметров, налагаемые физикой процесса. Очевидно, что неограниченное увеличение температуры в диффузии не приведет к желаемому результату. Оптимизационная модель не может экстраполироваться за область «нормальных» режимов технологических установок, так как за пределами этих режимов может существенно поменяться «физика» процесса, это изменение может быть неожиданностью для построенной модели. Поэтому предсказания модели должны хорошо соотноситься с реальностью в области технологических ограничений, а поиск оптимума процесса не должен выходить за их рамки.
5. Производится ли учет всех необходимых параметров, влияющих на процесс, какое оборудование необходимо дополнительно установить?
Например, есть ли учет температуры диффузии? Известны ли все ключевые характеристики поступаемого сырья?
В случае задачи прогнозирования отказа оборудования, например, для горнодобывающей отрасли, среди прочих параметров важно получать телеметрию по вибродиагностике.
6. Установленные датчики работают корректно? Произведена ли калибровка датчиков?
Дополнительно потребуется ответить и на такие вопросы:
Когда была произведена калибровка?
Что делать с данными, которые были записаны в БД до калибровки?
7. Показания датчиков пишутся в базу данных?
Бывают такие случаи, что датчик на объекте есть, в базу что-то пишется, но что-то «не физичное» (отрицательная частота, масса и тд).
8. Удобна ли структура базы данных (БД) для хранения, извлечения и поступления данных от новых датчиков или необходимо её изменить?
На этапе реализации проекта может выясниться, что таблицы БД имеют слабую связь друг с другом. Может оказаться, что непонятно, к какому этапу процесса относится тот или иной параметр.
Почему это может произойти? Например, компания нанимает подрядчика для создания БД. Подрядчик, не имея технологической экспертизы, создает базу, которая хранит параметры и стадии процесса в разных таблицах, теряя связь между ними.
9. Накоплен ли необходимый объем истории для анализа данных?
На этот вопрос можно ответить на этапе построения модели и оценки её качества в пилотном проекте.
10. Оптимально решать задачу своими силами или стоит привлечь стороннюю экспертизу?
Если у компании есть специалисты-математики, то почему бы не попробовать решить задачу своими силами? Но если задачи построения моделей на производстве возникают нечасто, то дорогая (в денежном плане) рабочая единица может простаивать. Можно собрать команду, наняв новых сотрудников в области анализа данных, но, если выяснится, что данные некорректны или их недостаточно для решения задачи – простаивать будет уже целая команда.
Часто бывает, что в штате компании нет специалистов из этой области. В этом случае для аналитической части проекта имеет смысл рассматривать аутсорсинг.
Дополнительно
Читайте в наших статьях:
Снижение рисков инновационных проектов или как помочь проекту взлететь (datanomics.ru)
FAQ по системам искусственного интеллекта на производстве (datanomics.ru)
Какие компетенции потребуются для решения аналитических задач бизнеса (datanomics.ru)
Аналитика на аутсорсинг? Как это работает на примере прогнозирования продаж (datanomics.ru)