Главное Свежее Вакансии   Проекты
Выбор редакции:
120 0 В избр. Сохранено
Авторизуйтесь
Вход с паролем

Перспективы применения ML и AI в промышленности

Производство продукции максимально высокого качества при минимальных затратах - главная цель любого производства, стремление к которой бесконечно. Внедрение новых технологий - один из эффективных способов повышения качества и снижения затрат.

В этой статье мы разберем, какие преимущества сулит производству внедрение алгоритмов машинного обучения и искусственного интеллекта.

Данные — это ценный ресурс, однако с развитием технологий их сбор и хранение стали стоить очень дешево. Это парадоксально с точки зрения рыночной теории, и дает большие преимущества тем компаниям, которые готовы начать использовать эту возможность прямо сейчас. AI и процессное машинное обучение в частности позволяет использовать данные, чтобы повысить эффективность производства и безопасность работы сотрудников.

Повышение эффективности техобслуживания с помощью ML


Затраты на техобслуживание составляют значительную часть от общих расходов компании. Для оптимизации расходов организации проводят периодический мониторинг и профилактическое обслуживание оборудования. Ранее профилактическое обслуживание делалось с использованием систем SCADA, при этом оператор вручную настраивал все параметры.

Этот подход учитывал не все данные, сложные динамические модели поведения оборудования игнорировались. Например, датчик на машине мог обнаружить резкое повышение температуры при стерилизации. Стандартная система не в состоянии определить, что температура повышается из-за термообработки, а не из-за ЧС, и вызовет срабатывание аварийного протокола.

Алгоритмы ML учитывают данные с производства (датчики, SCADA и т. д.), а также контекстные данные и информацию о производственном процессе. Машинное обучение позволяет AI обнаруживать проблемы и аномалии и проверять их через различные потоки данных. Преимущество ML заключается в способности анализировать большие объемы данных и предлагать варианты действия. Состояние каждого элемента системы оценивается в реальном времени и отображается на цифровой модели. Благодаря этому удается предвосхитить возможные сбои и заметить износ оборудования на ранней стадии.

Включение прогнозной аналитики качества с помощью ML


AI может помочь не только с обслуживанием оборудования, но и с контролем и повышением качества продукции. В некоторых ситуациях ухудшение качества бывает неизбежно и ML поможет спрогнозировать момент и степень снижения, что поможет вовремя остановить процесс и сократить расход сырья, энергии и времени.

Машинное обучение можно разделить на две основные техники: контролируемое и неконтролируемое ML.

Контролируемое (Supervised) ML


Контролируемое машинное обучение встречается в производстве чаще, чем неконтролируемое. Оно максимально просто и ясно позволяет достичь цели: получить функцию, которая соединяет входящие и исходящие данные. Управляемое ML требует активного участия: ввода данных, работы с алгоритмами, воспроизведения данных и т. д. В результате получается функция, которая позволяет прогнозировать результаты при вводе новой информации.

Техника контролируемого обучения, в свою очередь, делится на два подхода: классификацию и регрессию. Оба преследуют одну и ту же цель: отобразить связь между входной и выходной информацией.

Классификация


Классификацию удобно использовать, когда данные существуют в конкретных категориях. Например, подобный алгоритм используется e-mail-сервисами при принятии решения об отправке входящего письма в спам. Преимущество классификации в том, что высокий уровень точности может достигаться даже при небольшом объеме данных.

При прогностическом обслуживании используется мультиклассовая классификация, так как существует множество вероятностей отказа различных элементов системы. Такие вероятности классифицируются как возможные проблемы и рассчитываются с помощью дополнительных переменных.

Регрессия


Регрессия используется при работе с данными в определенном диапазоне (температура, вес), например, собранными с датчиков. В производстве этот подход используется для расчета Remaining Useful Life (RUL) актива, то есть для прогнозирования срока работы до возможного сбоя.

Самый частый алгоритм ML для регрессии — линейная регрессия, относительно быстрая и простая в реализации и позволяет легко интерпретировать выходные данные. Например, это может быть система, прогнозирующая температуру.

Неконтролируемое (Unsupervised) ML


При контролируемом ML мы обучаем алгоритм достигать нужного результата. При неконтролируемом обучении результат неизвестен.

Кластеризация


Иногда результат не просто неизвестен, но даже отсутствует информация о метках данных. Кластеризация точек входных данных с конкретными характеристиками позволяет обнаружить базовые шаблоны. Также кластеризация может помочь снизить уровень шума при работе с множеством переменных.

Искусственные нейросети


Нейросети могут быть эффективным неконтролируемым инструментом для различных приложений в производстве, например, при моделировании процессов и прогнозной аналитике качества. Базовая структура нейросети, состоящая из примерно 100 млрд нейронов, позволяет обрабатывать большое количество параметров на нескольких уровнях. Эта способность делает нейросети подходящим инструментом для работы с нестабильными процессами.

Подготовка данных


Данные — самое важное в машинном обучении, поэтому от понимания некоторых ключевых аспектов качества и типа данных зависит эффективность ML. Например, Predictive Maintenance позволяет концентрироваться на событиях сбоев. Для прогноза возможных будущих сбоев необходимо начать со сбора исторических данных о производительности. Чем больше номинальный срок эксплуатации оборудования, тем больший объем исторических данных необходимо анализировать. Также необходимо учитывать другие особенности системы.

При подготовке данных необходимо ответить на следующие вопросы:

  1. Сбои какого рода в принципе могут произойти с системой или ее элементом?
  2. Какие сбои мы хотим спрогнозировать?
  3. Происходит сбой внезапно, или это медленный процесс снижения производительности?
  4. Какие элементы обычно связаны со сбоем такого типа?
  5. Какие параметры необходимо измерить?
  6. Какова допустимая погрешность измерений?

Снижение затрат благодаря прогнозному обслуживанию, прогнозирование RUL, улучшение контроля цепочек поставок, контроль качества и улучшение отношении между человеком и роботом — лишь часть преимуществ, которые дает внедрение AI и ML в производстве. Наши клиенты из сферы промышленности периодически обращаются за консультацией по внедрению инноваций в процессы. Интерес компаний к AI, ML, IoT и другим 4.0-технологиями позволяет нам предлагать клиентам самые инновационные решения, не ограничиваясь стандартными для индустрии рамками.

0
В избр. Сохранено
Авторизуйтесь
Вход с паролем
Комментарии
Первые Новые Популярные
Комментариев еще не оставлено
Выбрать файл
Блог проекта
Расскажите историю о создании или развитии проекта, поиске команды, проблемах и решениях
Написать
Личный блог
Продвигайте свои услуги или личный бренд через интересные кейсы и статьи
Написать

Spark использует cookie-файлы. С их помощью мы улучшаем работу нашего сайта и ваше взаимодействие с ним.