Применение Искусственного интеллекта на производстве. Задачи, решения, результаты
28 сентября специалисты Beltel Datanomics при участии инжиниринговой компании INTRATOOL провели вебинар о применении искусственного интеллекта на производстве, в частности об интеллектуальных системах оптимизации технологических процессов и предиктивном обслуживании оборудования.
Решения предиктивной и предписывающей аналитики для промышленных производств
Открыла мероприятие 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. 1. Стадии зрелости аналитики данных по Gartner и сценарии для производства
Предиктивное обслуживание оборудования
Существующие проблемы в управлении активами предприятия:
- 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 могут быть следующими:
- 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.
Предлагаем рассмотреть в качестве примера кейс горно-перерабатывающего производства, где есть оборудование, подверженное вибрациям. Объект: мельницы шаровые с центральной разгрузкой. Текущее количество аварий около 100 в год. Задача увеличить длительность полезного использования на 600 часов в год. Для системы прогнозирования аварийных ситуаций потребовался набор исходных данных по телеметрии:
- Вибро- и электро-диагностика;
- Входные параметры – вес руды;
- Температура, давление, уровень масла и т. п. в разных точках контроля.
А также управляющие воздействия с системы АСУТП, информация об отказах из системы ТоиР и факторы окружающей среды.
Для построения модели нужны исторические данные – это ядро, с которого всё начинается. Для того чтобы внедрить систему в бизнес-процесс, необходимо наладить выгрузку данных в реальном времени.
Оптимизация технологического процесса
Другой задачей является оптимизация технологического процесса. Особенно она актуальна для непрерывных производств. Речь идёт о повышении эффективности за счёт минимизации потерь или поддержании стабильного качества сырья. Важным является снижение влияния человеческого фактора. Для успешной оптимизации необходимы исторические данные по качеству сырья, которые, к сожалению, иногда отсутствуют в оцифрованном виде. Самой простой задачей, которую можно решать сразу, является детектирование аномальной работы.
Рассмотрим два кейса. Первый пример – 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.
Другой кейс – решение задачи достижения целевых показателей (цветность и pH) для пивного производства. 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.
Этапы реализации проекта
- Определение задач, целей проекта и составление ТЗ. Задачи следует формализовать с точки зрения машинного обучения. На этом этапе необходимо понять источники данных, потоки между ними, достаточно ли их в принципе. Срок 1-2 месяца.
- Моделирование и реализация пилота.
- Развертывание, тестирование и оценка результата. Вместе с предыдущим этапом это занимает 3-6 месяцев в зависимости от задачи.
- Масштабирование результата.
Перспективы применения стационарных тепловизионных систем на опасных производственных объектах. Обработка массивов данных с помощью искусственного интеллекта
Приглашенный спикер Дмитрий Бирюков, директор по техническому развитию инжиниринговой компании Intratool представил доклад по перспективам применения стационарных тепловизионных систем на опасных производственных объектах и обработке массивов данных с помощью искусственного интеллекта. Основой выступление стал кейс системы тепловизионного мониторинга, встраиваемой в топочное пространство. Применение данной технологии мониторинга возможно в различных котлах и технологических печах самых разных отраслей промышленности. Система информативно отображает распределение температуры на поверхности объектов внутри котла/печи, позволяет своевременно обнаруживать возникающие дефекты футеровок, змеевиков и регулировать процессы горения.
Первая ключевая задача системы – повышение надёжности и снижение аварийности. Внедрение системы мониторинга и автоматического управления позволяет заказчику сэкономить (на примере котельного оборудования):
до 3% (от КПД) — потери от некачественной герметизации котла и присосов холодного воздуха;
до 3% (от КПД) — снижение объемов сжигаемого топлива;
до 5% — снижение длительности ремонтов, объемов диагностики и обслуживания котельного оборудования (контроль зон повышенного воздействия пламени на обмуровку и змеевик);
до 0,1% — снижение риска внепланового останова за счет предупреждения аварийной ситуации, предиктивного анализа состояния оборудования.
Вторая ключевая задача системы – сбор и обработка данных.
— Сбор данных системой тепловизионного мониторинга (для оценки развития изменений во времени).
— Разметка тепловизионного изображения для определения областей наблюдения.
— Накопление данных об измерениях температур в ходе технологического процесса, выявление закономерностей.
— Включение в анализ данных о предыдущих ремонтах, результатах неразрушающего контроля змеевиков.
— Анализ выявленных закономерностей и их сравнение с данными технологического процесса (температура на входе/выходе, анализ состава сырья на входе и выходе, данные по работе горелок и составу топлива).
— Сопоставление данных и разработка математической модели для управления технологическим процессом / предиктивной аналитики состояния оборудования.
— Big Data: поток радиометрических данных с тепловизора с матрицей 640х480 – от 166 до 600 МБ/с
— Расчеты и выдача тревожных сообщений в реальном времени
— Формирование прогноза состояния можно вынести в офлайн.
Заключение
В последние годы российские компании начинают доверять искусственному интеллекту всё больше задач. Компании Beltel Datanomics и INTRATOOL приглашают промышленные предприятия обращаться для получения индивидуальных консультаций по вариантам применения искусственного интеллекта для решения различных задач.