ИИ на практике: обзор проектов российских компаний
Судя по данным разных экспертов со всего мира, человечество планирует сделать искусственный интеллект основным инструментом развития промышленности и других сфер экономики.
Так, согласно прогнозу IDC, в технологию ИИ в 2026 году компании инвестируют уже в два раза больше средств, нежели в 2023-м. И это при том, что в прошлом году она значительно выросла по своим характеристикам: информация стала гораздо точнее и качественнее, чем прежде. Можно только представить, насколько ИИ станут умнее к 2026-му.
Сейчас, по разным оценкам, технологию в большей степени используют банки и ретейл. Они применяют её для аналитики, подсчётов, бизнес-прогнозов, учёта и прочих задач, которые требуют анализа большого количества информации. Однако «умную» технологию параллельно также развивают и в области промышленного производства.
По данным опроса Института инженеров электротехники и электроники (IEEE), 65% опрошенных предприятий уже используют ИИ, но в основном в тестовом режиме. Причём в половине случаев речь идёт о различных видах промышленного ПО, включая системы автоматизированного проектирования, управления процессами и др. Чаще всего промышленники пользуются технологиями компьютерного зрения и синтеза речи.
При этом, покуда растёт спрос на технологию, растут и запросы на её функциональность. Поэтому, чтобы не оставлять тенденцию, учёные и эксперты в сфере искусственного интеллекта работают над его совершенствованием и адаптацией под узкие производственные задачи. Рассмотрим несколько проектов, которые реализовали российские разработчики и институты на практике.
ИИ для анализа и прогноза
Алгоритмы машинного обучения известны тем, что дают возможность внедрения нейросетевых моделей для анализа и интерпретации данных. А это, в свою очередь, даёт более точные прогнозы и эффективное управление производством. Это помогает компаниям улучшить свои конкурентоспособность и эффективность производства, а также уменьшить риски простоев и аварийных ситуаций.
Сколковский институт науки и технологий разработал собственные системы, которые уже успешно внедряются на предприятиях, в частности одним из заказчиков которых являются металлурги. По словам руководителя разработки ПО Максима Клименко, решение института предназначено для обработки больших данных, цифрового моделирования, создания моделей машинного обучения, а также для прогнозирования.
Её можно подключать к источникам данных и интегрировать с АСУ ТП для создания нейросетевых моделей и последующего их внедрения в обработку данных, получаемых с производства.
Например, на одном трубопрокатном производстве с помощью этого решения удавалось предсказать поломки оборудования, которые обычно приводят к простоям технологического конвейера. Для этого система моделировала температуру выходящих из печей заготовок.
В основном обработка данных связана с анализом временных рядов, которые передаются датчиками, установленными на оборудовании.
Как отмечает г-н Клименко, система часто работает с сотнями полезных сигналов, которые отличаются друг от друга по частоте, амплитуде и общему поведению. Из-за этого невозможно обучить модель один раз и затем использовать её на разных производствах.
Кроме того, специалисты института нашли решение, которое позволяет предсказывать простои оборудования из-за проблем с заготовками во время проката.
Процесс был построен следующим образом: программа анализирует данные со 100 различных датчиков и выбирает только те, которые прямо или косвенно связаны с поломками и остановками. Затем специалисты создавали модели и обучали их, используя полученные характеристики. Это позволило программам прогнозировать работу конкретного оборудования. В результате была получена метрика, которая с точностью до 95% предсказывала остановку станка через 5 часов.
Особенность этого решения в том, что оно не только предсказывает поломку, но и помогает определить причину остановки оборудования. Программы могут анализировать характеристики работы станков и делать прогнозы о состоянии конкретного агрегата.
Важно отметить, что разработки института также могут быть применены в других областях, где необходимы анализ больших объёмов данных и прогнозирование событий. Например, в медицине или финансовой сфере такие системы смогут помочь улучшить диагностику, принимать обоснованные решения и оптимизировать бизнес-процессы.
Машинное обучение позволит ИИ решать задачу за человека
Этот блок посвящён машинному обучению и компьютерному зрению, а точнее, решениям, разработанным на основе этих факторов, от компании «Сбер Бизнес Софт».
Как написать инструкцию по поиску спрятанной на картинке кошки? Такой вопрос озвучил в рамках круглого стола «Искусственный интеллект — возможности и практическое применение в машиностроении» («Металлообработка-2024») главный аналитик «Сбер Бизнес Софт» Дмитрий Варченко и сразу же дал на него ответ: с помощью машинного обучения с использованием большого количества примеров с этим сможет справиться ИИ. На этом примере эксперт хотел продемонстрировать, каким помощником человеку может стать нейросеть в тех случаях, когда для решения задачи нет конкретного алгоритма действий.
По словам г-на Варченко, различия между стандартным проектом в области информационных технологий и проектом, основанным на искусственном интеллекте, заключаются в том, что нельзя гарантировать результат. Для уменьшения неопределённостей необходимо провести поэтапную разработку, поскольку в начале проекта сложно предсказать успешность или неудачу этого мероприятия. Команды, занимающиеся разработкой и внедрением, должны ориентироваться на ключевые показатели, которые должны быть определены и сформулированы на старте проекта. Важно также, чтобы заказчик принимал активное участие, чтобы команды могли полностью погрузиться в его бизнес-процессы. Кроме того, существует множество возможных результатов, поэтому успех или неудача проекта — это не просто бинарный выбор.
В определённых случаях проект можно считать частично успешным, когда решают остановить его дальнейшее развитие после достижения некоторых результатов и переключиться на другие задачи. Или заморозка проекта может произойти в связи с изменениями в законодательстве, например, недавно были проблемы с проектами по распознаванию лиц из-за вступления в силу закона об обработке биометрических данных, что замедлило разработку и внедрение.
Одна из областей, где применяются прикладные решения, связана с компьютерным зрением, которое активно используется для наблюдения за событиями и объектами, особенно в сфере видеонаблюдения, где операторы могут мониторить онлайн-потоки или архивы, обрабатывать данные и фиксировать информацию.
Компьютерное зрение на предприятиях особенно востребовано для контроля за соблюдением норм охраны труда и ношения средств индивидуальной защиты.
Для того чтобы технология выполняла свои функции и позволяла мониторить факторы безопасности, специалисты, как правило, используют уже существующую на предприятии систему видеонаблюдения или устанавливают новую, если прежняя не имеет нужных параметров. После чего на сервер загружается ПО, и модель начинают обучать ключевым метрикам и событиям, по которым она ориентируется после запуска. Далее, при обнаружении условий, которые были внесены специалистами в программу, система оповещает ответственное за безопасность лицо, а к концу периода, выделенного заказчиком, формирует отчёт.
Также г-н Варченко рассказал о проекте по учёту рабочего времени, который компания внедряла на производстве коммерческого транспорта. Его особенность в том, что технология должна была отслеживать не время начала или окончания рабочей смены сотрудников, а продолжительность их работы на каждом участке производственной цепочки. Другими словами, заказчик хотел узнать, скольких трудозатрат ему стоит сборка каждой единицы транспорта.
Так, на каждом участке предприятия компания установила систему видеонаблюдения, которая вела учёт действия или бездействия персонала в рамках рабочей смены и их количество. В результате заказчику стало известно точное время, которое затрачивают рабочие на сборку каждой единицы транспорта. Это позволило ему оптимизировать производственный календарь и за два месяца повысить эффективность процессов на 8%.
Оценка станочного оборудования
Системы предиктивного мониторинга становятся всё более востребованными на предприятиях, поскольку они позволяют существенно снизить затраты на обслуживание оборудования. Благодаря использованию современных технологий анализа данных и математических моделей предприятия могут точно определить состояние каждой детали станка и своевременно заменить только те элементы, которые действительно нуждаются в ремонте.
Такой подход позволяет не только экономить средства на обслуживании оборудования, но и повышает эффективность производственных процессов. Предприятия могут планировать ремонтные работы заранее, избегая внезапных остановок производства из-за поломок оборудования. Это, в свою очередь, способствует увеличению производительности и снижению потерь времени и ресурсов.
Яркий тому пример — кейс, представленный ведущим экспертом по вибродиагностике и предиктивному сервису ГК «Цифра» Юрием Савиновым.
Так, стоит начать с того, что каждая деталь станка в среднем имеет около 10 показателей, которые можно обнаружить с помощью современных средств анализа. Кроме того, эти характеристики перечислены в ГОСТ 34479-2018, что облегчает задачу интеграторам систем мониторинга, поскольку с токарного станка, например, можно получить около 420 параметров: по подшипникам, по шариково-винтовой передаче (ШВП) и другим составляющим.
Г-н Савинов рассказал о внедрении системы предикативной диагностики на основе ИИ на примере тяжёлых обрабатывающих центров MCFV 1680, которые уже отслужили на предприятии 7 лет в двухсменном режиме работы.
Согласно плану, настало время провести капитальный ремонт станка. Обычно в таких случаях сервисная служба заменяет все его компоненты. Однако диагностика показала, что ситуация не настолько серьёзна, как предполагалось. Выяснилось, что требуется замена лишь некоторых деталей: подшипников, ремня, а также тел качения в ШВП и ротора электродвигателя.
Этот подход позволил предприятию сэкономить на ремонте около 30-40% по сравнению с суммой, которая потребовалась бы при капитальной починке.
Похожий способ обнаружения дефектов мы уже описывали в материале «Искусственный интеллект в металлургии: как его используют для обнаружения дефектов». Там мы рассказывали, как металлурги используют машинное обучение для распознавания поверхностных изъянов с точностью до 98%.
