Описание проекта
Главной особенностью интеллектуальной системы, является применение физико-химического моделирования. Для правильного
выстраивания процесса управления работы агрегата необходимо использовать
построенные модели машинного обучения в совокупности с физикохимическими моделями. Основываясь на потребностях и запросе заказчика,
формируется основная гипотеза о возможности решения проблемы
средствами искусственного интеллекта. Для этого изучаются принципиальные
схемы технологического процесса и технологические инструкции.
Для начала функционирования системы необходимо провести сбор
данных с контрольно-измерительных прибор и средств автоматики, датчиков
внутренних и внешних факторов, влияющих на технологический процесс.
Определить качественные и количественные параметры сырья участвующего
в процессе изготовления продукции. На основе полученных данных провести
анализ на влияние главных и побочных параметров, влияющих на
технологический процесс. После проведенного анализа определить ключевые
параметры как статистические данные, используемые в работе
технологического процесса.
Основываясь на полученных результатах начать повторный сбор данных
в режиме реального времени и внедрить этот процесс в имеющуюся
автоматизированную систему на производстве. Следующим этапом работы
системы является использование полученных данных для построения физикохимической модели технологического процесса, протекающего на всех этапахпроизводства продукции. Идентифицированные параметры, оказывающие
основное влияние на технологический процесс, такие как: параметры сырья,
химический состав сырья, коэффициенты освоения, температурный и
временные режимы и т.д. лежат в основе построения физико-химической
модели технологического процесса.
Физико-химическая модель нацелена на выполнение следующих функций:
• расчет коэффициентов усвоения химических элементов. Для их
определения необходимо построить модель машинного обучения, которая по
набору исторических данных и данных, загружаемых в режиме реального
времени, вычисляла актуальные коэффициенты усвоения легирующих
элементов для текущего технологического режима.
• расчет оптимального набора и массы присадочных материалов,
необходимых для технологического процесса. Оптимизационная модель,
обеспечивающая подбор оптимальной смеси присадочных материалов,
обладающей минимальной стоимостью, при заданных ограничениях в виде
целевого химического состава и стоимости материалов.
• прогнозирование химического состава. Модель, проводящая расчет с
учетом рассчитанных коэффициентов усвоения, текущего состава материала и
рассчитанных масс присадочных материалов для прогнозирования состава
полученной продукции в случае исполнения рекомендации.
• восстановление пропущенных данных. Для обеспечения устойчивой
работы модели необходимо обеспечить поступление всех критически важных
данных. По причине сбоя датчиков, сбоя оборудования, ошибок или задержек
в работе программного обеспечения, установленного на производстве, данные
могут поступать не в полном объеме, иметь пропуски и искажения. Для
решения данной необходимо использование разрабатываемой модели
машинного обучения, которая по набору исторических и загружаемых в
режиме реального времени данных восстанавливала пропущенные данные.
Имея все полученные данные системы приступает к заключительному
этапу работы по выдаче рекомендаций и прогнозированию оптимизационных
параметров технологического процесса и химического состава поступающего
сырья, и готовой продукции.
Методы и способы решения поставленных задач для получения
ожидаемых характеристик.
В основе функционирования ВА, как элемента системы мониторинга ТП,
лежит математическая модель, отражающая взаимосвязь входных и выходных
параметров ТП. В качестве исходной структуры для анализа ТП используется
традиционная кибернетическая модель “черного ящика”.
Предлагаемое решение – это low-code платформа, использующая
технологию AutoML для создания моделей предиктивной и прескриптивной
аналитики. AutoML позволяет автоматически находить оптимальную
архитектуру и гиперпараметры используемых в рамках построения прогнозов
моделей машинного обучения. Таким образом, использование платформы не
требует владения навыками программирования или понимания технологий
машинного обучения: для настройки платформы необходимо только составить
карту производственного процесса и связать параметры «виртуального»
оборудования с эксплуатационными данными (если они имеются).
Схема использования платформы:
1. Построение виртуального парка оборудования
Загрузка в платформу инженерных моделей используемого
оборудования, а также их связь между собой и проверка сборки динамической
модели всей производственной цепочки. Формируется виртуальная карта
парка оборудования, позволяющая прослеживать взаимосвязи оборудования
между
собой и таким образом учитывать физику всего производственного процесса.
*При развитии платформы предлагается сразу использовать
предварительно настроенные модели известного и часто используемого
оборудования.
2. Интеграция с базой эксплуатационных данных и построение гибридных
моделей
На данном этапе производится привязка развернутой на производстве
системы сбора эксплуатационных данных (IIoT/ SCADA) к платформе.
Сценарии интеграции являются индивидуальными и на первых этапах
развития платформы будут настраиваться под конкретного клиента.
Цель - установление связи между «виртуальным» оборудованием, его
моделью и поступающими с него эксплуатационными данными (если таковые
имеются). Цифровые модели интегрируются с эксплуатационными данными,
c применением методов машинного обучения строятся гибридные модели,
позволяющие выполнять классификацию неисправностей и предсказывать
развитие временных рядов по показаниям датчиков.
3. Моделирование эксплуатационного сценария
Для построения точного прогноза состояния парка оборудования
необходимо также учитывать условия на производстве (например,
температуру окружающей среды, давление и температуры на входе в
агрегаты). Пользователем выбирается желаемый/ожидаемый
эксплуатационный сценарий* (в каких режимах предполагается эксплуатация
оборудования, насколько интенсивной будет загрузка производства).
*Если предполагается расширение производство новым оборудованием,
также предусматривается возможность добавить его в сценарий. Данная
опция становится возможной благодаря использованию цифровых моделей
оборудования даже в условии отсутствия эксплуатационных данных. Таким
образом, платформа предоставляет не только предиктивный анализ
стабильного производства, но и анализ целесообразности возможных
изменений.
4. Представление результатов моделирования
Главной особенностью интеллектуальной системы, является применение
физико-химического моделирования. Для правильного выстраивания
процесса управления работы агрегата необходимо использовать построенные
модели машинного обучения в совокупности с физико-химическими
моделями. Основываясь на потребностях и запросе заказчика, формируется
основная гипотеза о возможности решения проблемы средствами
искусственного интеллекта. Для этого изучаются принципиальные схемы
технологического процесса и технологические инструкции.
Для начала функционирования системы необходимо провести сбор
данных с контрольно-измерительных прибор и средств автоматики, датчиков
внутренних и внешних факторов, влияющих на технологический процесс.
Определить качественные и количественные параметры сырья участвующего
в процессе изготовления продукции. На основе полученных данных провести
анализ на влияние главных и побочных параметров, влияющих на
технологический процесс. После проведенного анализа определить ключевые
параметры как статистические данные, используемые в работе
технологического процесса.
Основываясь на полученных результатах начать повторный сбор данных
в режиме реального времени и внедрить этот процесс в имеющуюся
автоматизированную систему на производстве. Следующим этапом работы
системы является использование полученных данных для построения физикохимической модели технологического процесса, протекающего на всех этапах
производства продукции. Идентифицированные параметры оказывающие
основное влияние на технологический процесс, такие как: параметры сырья,
химический состав сырья, коэффициенты освоения, температурный и
временные режимы и т.д. лежат в основе построения физико-химической
модели технологического процесса.
Физико-химическая модель нацелена на выполнение следующих функций:
• расчет коэффициентов усвоения химических элементов. Для их
определения необходимо построить модель машинного обучения, которая по
набору исторических данных и данных, загружаемых в режиме реального
времени, вычисляла актуальные коэффициенты усвоения легирующих
элементов для текущего технологического режима.
• расчет оптимального набора и массы присадочных материалов,
необходимых для технологического процесса. Оптимизационная модель,
обеспечивающая подбор оптимальной смеси присадочных материалов,
обладающей минимальной стоимостью, при заданных ограничениях в виде
целевого химического состава и стоимости материалов.
• прогнозирование химического состава. Модель, проводящая расчет с
учетом рассчитанных коэффициентов усвоения, текущего состава материала и
рассчитанных масс присадочных материалов для прогнозирования состава
полученной продукции в случае исполнения рекомендации.
• восстановление пропущенных данных. Для обеспечения устойчивой
работы модели необходимо обеспечить поступление всех критически важных
данных. По причине сбоя датчиков, сбоя оборудования, ошибок или задержек
в работе программного обеспечения, установленного на производстве, данные
могут поступать не в полном объеме, иметь пропуски и искажения. Для
решения данной необходимо использование разрабатываемой модели
машинного обучения, которая по набору исторических и загружаемых в
режиме реального времени данных восстанавливала пропущенные данные.
*На данном этапе развития платформы возможности интеграции с ERPсистемами компании также подбираются индивидуально с учетом
возможностей и бизнес-модели производства клиента.
5. Получение рекомендаций
Глубокий анализ эксплуатационных данных, физики производственных
процессов и возможность привязки основных производственных показателей
к экономическим позволяют как комплексно оценивать эффективность
производства, так и выдавать рекомендации по изменению эксплуатационных
режимов. Это может быть рекомендация по изменению технологических
параметров производственных процессов (например, скорость разливки стали,
температура жидкости, скорость вращения ротора) для нахождения наиболее
оптимального режима, нахождения баланса между высокой
производительностью и наиболее долгосрочным использованием
оборудования.
Основные этапы работы системы.
Создание или импорт моделей в систему. На данном этапе происходит
преобразование моделей различных форматов в унифицированный формат.
Система поддерживает функционал преобразования моделей, созданных в
других системах, позволяет преобразовывать модели из одной в другую.
Исходные данные из сторонних подсистем импортируются в единую
базу данных системы.
Для проведения анализа данные преобразуются в json формат.
Классификация и кодификация элементов модели. Автоматический
алгоритм осуществляет процесс классификации (приведение всех названий
элементов к классификатору элементов процесс присвоения уникального кода
каждому элементу модели).
Для классификации элементов модели процесса используется
иерархический метод (множество объектов разделяется на классы, группы,
виды и т.д. по основным признакам, характеризующим эти объекты по
принципу — от общего к частному, т.е. каждая группировка в соответствии с
выбранным признаком (основанием деления)). Кодирование объектов
производится хеш-функциями, алгоритмом Хаффмана (или другими, к
примеру, арифметическим кодированием, RLE).
Декомпозиция работ на основе проведенной кодификации.
Кодифицированные элементы модели формируют структуру процесса,
учитывая регламентирующую информацию, а также ограничения, заданные
пользователями.
Декомпозиция работ проводится на основе иерархической кодификации, и при
необходимости, с применением алгоритмов кластеризации (K-means++ и пр.)
для группирования схожих элементов и учета ограничений.
Формирование материально-компонентного состава бизнес-процесса.
На данном этапе происходит формирование основы базы данных
материально-компонентного состава по всем элементам на основе данных
моделей.
Материально-компонентный состав бизнес-процесса формируется в виде
реляционной базы данных, позволяющей выполнять автоматическое
соотнесение со всей системой бизнес-процессов организации.
Ресурсное и временное планирование. С помощью алгоритмов
искусственного интеллекта на основании сформированной декомпозиции,
материально-компонентного состава, а также используя накопленные
исторические данные, исходные требования к проекту, ресурсные
ограничения, регламентирующую документацию, нормативы для каждого
элемента определяются длительность процесса и поток его материальных
объектов .
Для получения временных характеристик моделируемых процессов, а
также обеспечения классификации объектов на основании определенных
групп параметров используется модифицированное расширение сетей ПетриМаркова, которое позволяет получить максимально комплексную оценку
свойств моделей процессов, задание временных задержек позициям и
переходам, задание параметров модели в нечетком виде и контроль порядка
срабатывания переходов.
.
Для осуществления процесса имитационного процесса сети Петри будет
использоваться нейросеть.
Используемые алгоритмы:
- algorithm ensembles:
- градиентный бустинг (gradient boosting decision trees (GBDT) – XGBoost,
CatBoost);
- random forests;
- Neural Oblivious Decision Ensembles (NODE);
и пр.
- мета-каскады:
- Stacked Generalization -stacking;
- Weighted voting/Mixture of Experts.
Вспомогательные алгоритмы:
- метод главных компонент (понижение размерности);
- алгоритмы фильтрации (исключение выбросов);
- алгоритмы заполнения пропущенных значений;
- алгоритмы предобработки и статистического анализа данных;
- алгоритмы регуляризации (повышение обобщающей способности);
- алгоритмы визуализации данных:
и пр.
Используемый стек:
язык программирования – python;
используемые модули (библиотеки): scikit-learn, xgboost, catboost, pythorch,
teano, matplotlib, pandas;
СУБД: mySQL (или др.);
ORM: SQLAlchemy.
Используемые метрики качества: для анализа точности алгоритма
используется расчет среднеквадратичной ошибки (RMSD) и коэффициента
детерминации, также может быть использован расчет средней абсолютной
ошибки, квантильной ошибки, построение REC, RROC-кривых.
Имеющийся у коллектива предприятия научный задел по предлагаемому
НИОКР, полученные ранее результаты (в т.ч. указываются документы,
подтверждающие право предприятия-заявителя на интеллектуальную
собственность по тематике проекта).
Актуальность темы в условиях развивающихся рыночных отношений в
России резко усложнились задачи управления производственными объектами
в целом и промышленными предприятиями в частности. Один из
перспективных путей решения этих вопросов заключается в повышении
эффективности управления производственными объектами на основе
использования научно обоснованных методов выработки и принятия решений
с применением
соответствующего математического аппарата и средств вычислительной
техники.
Часть работ в направлении реализации проекта уже выполнена:
1. Сформирована команда проекта
2. Изучены основные направления информационной поддержки принятии
решений при оперативном планировании промышленного производства.
3. Отобраны существующие алгоритмы и начата разработка проприетарных
алгоритмов генерации вариантов оперативных производственных программ
предприятия с учетом специфики производства.
4. Методы оценки вариантов оперативных производственных программ
предприятия.
5. Имитационные модели производственной деятельности предприятия,
имитирующая процесс реализации оперативных производственных программ
предприятия.
6. Оценены структуры и программная реализация системы поддержки
принятия решений в оперативном планировании производства.
7. Изучаются результаты исследования эффективности внедрения системы
оперативной поддержки принятия решений в хозяйственную деятельность
предприятий.
Для решения задач принятия решений применяются различные методы
и алгоритмы. Например, Вальд, Гурвиц и Сэвидж предлагают использовать
теорию статистических решений и теорию игр Маршак, Чернов и Рубин, а
также Блекуэлл дю, Гиршик - субъективную вероятность
Когнитивный анализ: Максимов В И, Корноушенко Е.К. Феду-лов Ю Г
Методы экспертных систем и искусственного интеллекта-Литвак Б Г.,
Бешелев С JI, Гурвич Ф Г, Евланов Л Г., Кутузов В.А , Пятковский О И
Методы нечеткой логики Усков A.A., Васильев В.И Имитационное
моделирование- Бусленко Н П, Багриновский К А., Форрестер Дж и другие.
Большинство методов, применяемых для поддержки принятия решений,
малопригодны в
условиях реального процесса планирования производства на промышленных
предприятиях в связи со спецификой производства.
Поэтому одной из наших задач является задача адаптации существующих
методов и формирование новых алгоритмов для поддержки принятия решений
с учетом специфики планирования производства