Реализации методов машинного обучения с элементами искусственного интеллекта - перспективные разработки - СервисСофт Экометео
Главная » Наши разработки » Реализации методов машинного обучения с элементами искусственного интеллекта

Реализации методов машинного обучения с элементами искусственного интеллекта

1. Прогностика основных технологических параметров (включая прогностику показателей выбросов и отслеживание углеродного следа)

Выполняется на основании обработки данных нейросети, обученной на архиве фактических данных контролируемого параметра. При выполнении прогностики учитывается периодизация показателей (суточная, сезонная, технологическая), создается полный технологический профиль нормальный работы с фиксацией отклонений.

Позволяет выполнять:

  • контроль тенденции изменения параметра в горизонте прогноза, предупреждение о критическом росте/падении значения параметра до достижения аварийных значений;
  • раннее определение нештатных ситуаций по отклонениям показателя в реальном времени (отслеживается соответствие параметра реального времени ранее сделанному прогнозу на данный момент; в случае расхождения действительного значения от прогноза — динамической нормы показателя — фиксируется нештатная ситуация);
  • предиктивное обслуживание оборудования на основании изменения профиля отклонений от прогноза;
  • выявление технологических событий по типу изменения параметра (например, утечку газа по специфике изменения давления).

2. Прогностика целевого параметра на основании совокупных телеметрических показателей (многопараметрическая прогностика)

Выполняется на основании нейросетевого анализа комплекса телеметрических данных для прогностического контроля ключевого показателя (например, расхода горючего на совокупности данных показателей выбросов, температуры и давления, вибрации агрегатов и т.п.). Предварительно обучается комплексная модель на основании архивных данных комплекса параметров, с прохождением валидации по гипотезе адекватности и гипотезе предиктивности.

Позволяет выполнять:

  • прогностический контроль целевого параметра, предупреждения и оповещения при выходе показателя за пределы доверительных значений на горизонте прогноза;
  • построение достоверного «цифрового двойника» процесса относительно целевой переменной, позволяющий моделировать технологические ситуации при изменении параметров процесса, а также обучать персонал.

3. Виброакустическая диагностика состояния основного оборудования (машин, агрегатов, технологических узлов)

Аналитическая система на основе классификационной нейросети по показаниям датчиков вибрации и акустики диагностирует технологические события по их физическим проявлениям, на ранних стадиях выявляя неполадки оборудования, текущее функциональное состояние, критические события (утечки, срабатывания сбросных клапанов, нетипичные события и состояния).

Позволяет выполнять:

  • предиктивное обслуживание основного оборудования;
  • на основании виброакустических данных реализацию нейросетевой аналитики «без учителя» — разметка технологических состояний оборудования по фактическим данным телеметрии с группировкой типовых событий и выявлением аномалий;
  • технологический контроль совокупно с системной диагностикой сложных процессов.

4. Классификация состояний групп взаимосвязанных объектов

На основании действительных и прогностических показателей взаимосвязанных объектов, а также данных виброакустической аналитики, классифицирует события системы взаимосвязанных объектов, как единого объекта — в качестве СППР при диспетчеризации разветвленных и многокомпонентных промышленных систем.

5. Технология Computing Edge (граничных вычислений), нейрокомпьютеры

Существующие практические разработки позволяют реализовывать нейросетевую аналитику как на серверном уровне телеметрии (при обработке централизованных данных диспетчеризации), так и при использовании компактных одноплатных устройств непосредственно на контрольном оборудовании.

Преимущества технологии:

  • прием и обработка высокочастотных данных (видео, виброакустических) непосредственно по месту установки. На верхний уровень поступают лишь результаты обработки данных аналитическим ПО, нет необходимости в обеспечении больших потоков данных на сервер;
  • точность и скорость диагностики, выполняемой прямо на устройствах, без промежуточных этапов приема, предобработки и архивирования телеметрической информации;
  • возможность связи нескольких нейрокомпьютерных устройств между собой в процессе работы и выполнения диагностики.

Все устанавливаемое на нейрокомпьютеры аналитическое ПО разработано нашими специалистами и запатентовано, валидация данных действующими нейросетями выполняется согласно ГОСТ Р 57700.25-2020.

В настоящее время нейрокомпьютеры установлены и работают на 33 промышленных объектах, обрабатывая данные по 74 технологическим показателям.

Заказать консультацию по созданию системы автоматического контроля 

Приглашаем на вебинар!
Антикризисные решения в условиях санкций!