ИИ-системы в промышленности: какие сценарии использования существуют у умных систем

• Выявление неисправностей и аномалий
• Оптимизация процессов
• Прогнозирование
• Виртуальные датчики и компьютерное зрение

Искусственный интеллект называют движущей силой мировой экономики. В России он постоянно развивается: по словам вице-премьера Дмитрия Чернышенко, на сегодняшний день более 52% корпораций и крупных организаций внедряют технологии ИИ в своей деятельности (источник: rg.ru — прим. ред.). Ожидается, что уже через два года вклад этой сферы в ВВП страны достигнет 2%. Один из трендов — использование ИИ в промышленности. Вместе со специалистами Softline Digital разберемся в сценариях применения и в результатах, которые они могут принести.

В России искусственный интеллект используется в сельском хозяйстве, образовании, здравоохранении и многих других областях, в том числе в промышленности. Это позволяет увеличивать производительность и снижать затраты за счет автоматизации рутинных процессов, снижать количество брака за счет анализа промышленных данных в режиме реального времени, построения прогнозных и оптимизационных моделей. Какие сценарии внедрения ИИ существуют?

Выявление неисправностей и аномалий

Цель: выявление аномальных режимов работы, избежание аварийных ситуаций и сокращение количества плановых ремонтов. 

Например, для технологического процесса важно, чтобы параметры, отвечающие за процесс, находились в требуемых диапазонах. На крупном производстве отклонения от технологии способны привести к нежелательным последствиям — заводскому браку, отзыву партии продукции и остановке производственных процессов. Контроль и выявление аномалий с помощью искусственного интеллекта позволяет выпускаемым продуктам сохранять свои идеальные характеристики.

Другой сценарий применения — выявление неисправностей на ранних стадиях, снижение простоев, оптимизация плановых ремонтов. Система, оснащенная ИИ, можно обнаружить и устранить критичные неисправности существенно раньше, когда они еще не способны принести производству серьезный урон — например, выйти из строя. Часто это приводит к простоям, отнимает у производства деньги и время ответственных сотрудников.

Такой подход минимизирует ситуации, когда оборудование резко выходит из строя, останавливая значительную часть производственных процессов: искусственный интеллект предупредит о неисправностях заранее, и у сотрудников будет время на принятие решения.

Кроме того, это позволяет перейти от системы плановых ремонтов к системе ремонтов «по факту»: к примеру, нет необходимости менять узел, если сотрудники на основе данных прогнозных моделей уверены в его надежности.

Используемые модели адаптивные и гибко настраиваются под конкретный процесс. ИИ анализирует одновременно множество факторов и параметров технологического процесса. Например, можно настроить ее на прогнозирование выхода оборудования из строя на горизонте нескольких дней или недель.

Один из кейсов использования этого сценария — внедрение прогнозной системы с ИИ на мельнице, перерабатывающей руду. Часто бывает, что подаваемая руда меняется, это меняет режим работы мельницы и может привести к ее перегрузке. В то же время перегрузки могут быть началом аварийной ситуации, которая способна привести к остановке всего производства на часы или даже дни, а это существенные финансовые потери. Человек, при наличии опыта и экспертизы, способен обнаруживать такие ситуации, но часто это происходит слишком поздно или постфактум.

Искусственный интеллект же на основе анализируя большое количество имеющихся факторов, обученный на исторических данных может быстро построить прогноз и предупредить о возможной перегрузке значительно раньше. 

Оптимизация процессов

При производстве любой продукции важно соблюдать технологический процесс и подстраивать его под меняющиеся условия (изменение параметров входящего сырья, температуры, требования к характеристикам готового продукта и т.д.). При этом нужно отслеживать и управлять большим количеством параметров. Операторы, ответственные за процесс, могут иметь разный опыт, работают на разной технике и могут отвлекаться и т.п. Это приводит к тому, что управление процессом не всегда является оптимальным, и в этом случае мы говорим о «человеческим факторе».

В этом случае можно использовать алгоритмы машинного обучения, которые могут строить прогнозы исходя из текущей ситуации и подбирать оптимальный режим управляющих воздействий (уставок) для достижения требуемых результатов. Такие системы могут работать как в режиме рекомендаций, когда оператору даются советы по управляющим воздействиям, так и в автоматическом режиме, когда алгоритмы напрямую управляют процессом под контролем оператора.

К примеру, в металлургии производитель хочет достигнуть определенных физико-химических свойств готового продукта — получить марку стали определенного качества. Тогда на этапе добавки ферросплавов система рекомендует количество присадок исходя из задания и текущих кондиций металла. 

Таким образом можно решать две задачи: первая — минимизация брака, если сотрудники не добавили нужное количество ферросплавов, и партия вышла с браком; вторая — минимизация затрат, если они добавили ферросплавы «с запасом», и получили перерасход дорогих присадок.

Прогнозирование

Этот сценарий также основан на возможности строить прогнозные модели, учитывающие множество факторов. Это может быть полезно при планировании выпуска готовой продукции, планировании закупок, продаж и логистики. Благодаря такому сценарию использования появляется возможность более гибко планировать, повышать рентабельность, оптимизировать производство в целом.

При планировании важно понимать, с каким сырьем предстоит работать. От этого зависит номенклатура выпускаемой продукции, загрузка предприятий, логистика.  

Такой сценарий Softline Digital внедрили на крупном молочном производстве. Искусственный интеллект строит прогнозы содержания жира и белка в молоке для каждого поставщика на недели и месяцы вперед, а от этого, в свою очередь, зависит план-график выпуска продукции на конкретном заводе. Если для производства нужны конкретные показатели молока, туда отправляют сырье поставщика, который может это обеспечить. Кроме того, модели позволяют прогнозировать стоимость сырого молока на полтора года вперед, что учитывается при бюджетировании. Подробнее об опыте внедрения на молочном производстве рассказывали здесь.

Виртуальные датчики и компьютерное зрение

Часто возникает необходимость в измерении дополнительных параметров, которых необходимы для более точного контроля за процессами. При этом оборудования для измерения этих параметров или не существует, или оно является очень дорогим и сложным в монтаже и наладке. В этом случае возможно также прибегнуть к силе искусственного интеллекта.

Например, в случае с рудой компьютерное зрение способно визуально анализировать поступающее сырье на конвейере. Благодаря такому анализу контролируется качество, размер и другие характеристики руды в режиме реального времени. Если попал «негабарит», система сообщит об этом и даже остановит конвейер.

Что такое виртуальные датчики? Это модель, позволяющая «заменить» реальные датчики там, где их нет, т.е. построить зависимость требуемого параметра, например, на основе лабораторных данных.

Если для контроля какого-либо процесса нужны показатели температуры, плотности, влажности, искусственный интеллект на основе имеющихся данных способен спрогнозировать эти показатели на определенном этапе.

Получайте новые статьи моментально в Telegram по ссылке: https://t.me/sldonline_bot