Описание проекта
ДАННЫЕ О ПРОЕКТЕ
Область техники: ОТ4.39. Новые производственные технологии. Передовые цифровые, интеллектуальные производственные технологии. Интеллектуальные системы
Приоритетное направление: 8. Энергоэффективность, энергосбережение, ядерная энергетика.
Критическая технология федерального уровня: 13. Технологии информационных, управляющих, навигационных систем.
Название проекта: Разработка программного продукта для диагностирования технического состояния электрических машин с применением нейронных сетей.
Ключевые слова: Программный продукт, диагностирование, визуальная диагностика, искусственные нейронные сети, искусственный интеллект, машинное обучение, анализ данных, спектральный анализ тока, предобученные нейросетевые модели, предиктивный анализ, диагностика отказов.
Участие в других проектах: 16.05.2023 г. было занято III место на конкурсе инновационных проектов «Изобретатели Пермского края». Было принято участие в "Технопредприниматели" на базе ПНИПУ, в конкурсе по представлению внутренних грантов в рамках реализации программы развития передовой инженерной школы "Высшая школа авиационного двигателестроения"(ПИШ ВШАД). На данный момент участвую в Преакселераторе "Большая разведка 2023".
Профессиональные достижения: 16.05.2023 г. было занято III место на конкурсе инновационных проектов «Изобретатели Пермского края».
НАУЧНО-ТЕХНИЧЕСКАЯ ЧАСТЬ ПРОЕКТА
Цель выполнения проекта:
Целью нашего проекта является создание инновационного программного продукта, предоставляющего промышленным предприятиям уникальные возможности для точного диагностирования технического состояния электрических машин. Мы стремимся к тому, чтобы наше решение не просто предоставляло два метода диагностирования, а внедряло два принципиально новых и точных подхода, существенно повышающих эффективность процесса и значимость для рынка.
Ключевой особенностью нашего решения является интеграция методов визуальной диагностики электрических машин при помощи нейронных сетей, использующих данные из фотографий или видеозаписей, и метод, содержащий систему искусственного интеллекта, основанный на спектральном анализе тока, что позволит представителям машиностроительной отрасли выбирать наилучший способ диагностирования, исходя из индивидуальных запросов.
Мы предлагаем не просто инструмент для обнаружения проблем, а комплексное решение, способное повысить точность диагностики, снизить риски непредвиденных отказов и улучшить качество выпускаемой продукции на предприятии. Наша технология ставит новый стандарт в индустрии, обеспечивая эффективное и надежное обслуживание электрических машин, что в итоге приводит к улучшению общей производительности и экономии ресурсов.
Начало формы
Задачи по проекту в рамках договора по программе «УМНИК»:
1. Разработка тестового образца программного продукта. 1.1. Проведение исследования оптимальной конфигурации искусственной нейронной сети (тип, архитектура, набор гиперпараметров и диапазон их значений) и выбор наиболее подходящей под решаемую задачу. 1.2. Оценка потребности в исходных данных (объеме, характеристики) и их подготовка (разметка, нормализация, разбиение на наборы и т.п.). 1.3. Интегрирование выбранной нейросетевой модели в программный продукт. 1.4. Разработка интерфейса программного продукта. 2. Тестирование разработанного MVP на учебных электродвигателях в ПНИПУ. 3. Создание опытного образца программного продукта. 4. Государственная регистрация заявки на патент.
Итоговым результатом однолетней работы будет являться разработанный с учетом корректировок MVP программного продукта, который будет содержать предобученные нейросетевые модели и авторский алгоритм, позволяющий в значительной степени упростить и ускорить процедуру получения системы диагностики отказов в 2-3 раза.
Назначение научно-технического продукта (изделия и т.п.):
Продуктом проекта является программное обеспечение, в основе которого лежит технология нейросетевого моделирования, а также метод спектрального анализа тока, с помощью которой нейронная сеть на основании полученных данных сможет провести диагностику и с высокой точностью обнаружить потенциальные точки отказа.
К основным функциям продукта относятся:
1. Получение систем диагностики электрических машин на основе нейросетевых алгоритмов с
использованием системы искусственного интеллекта:
1.1. Обучение искусственных нейронных сетей (ИНС);
1.2. Получение и дообучения предобученных нейросетевых моделей;
1.3. Оценка качества обученных ИНС;
1.4. Подготовка экспериментальных данных: разметка, нормализация, разбиение на наборы и т.п.
1.5. Выбор оптимальной конфигурации ИНС;
2. Осуществление процедуры диагностики элементов энергосистемы.
Функциональное назначение указанного приложения включает в себя то, что потребитель получит возможность произвести систему диагностики электрических машин и сложных технических объектов на основе нейросетевых алгоритмов с использованием системы искусственного интеллекта.
Благодаря нашему продукту у заказчика появится дополнительная возможность с наименьшими потерями произвести текущий или капитальный ремонт электрических машин, а значит не тратить огромные средства в случае их отказа в период активной работы производства. За счет использования предиктивной аналитики и своевременного предупреждения и диагностики отказов можно сократить время простоя электродвигателей на 30-50% и увеличить их срок службы на 20-40%, тем самым уменьшить расходы для компаний потребителя.
Предлагаемый продукт будет использоваться на предприятиях ОДК, машиностроения, нефтегазовой, ракетно-космической, авиационной и обрабатывающей промышленности. К таким предприятиям города Перми относятся АО «Авиадвигатель» (выручка за 18 г. – 10 868,98 млн.руб.), АО «Пермские моторы» (выручка за 18 г. – 21 584,83 млн.руб.), АО «ОДК-СТАР» (выручка за 18 г. – 5 639 млн. руб), АО «Протон-ПМ» (выручка за 21 г. – 3 257,9 млн.руб.), АО «Редуктор-ПМ» (выручка за 18 г. – 6 640 млн.руб.), АО «Новомет-Пермь» (выручка за 22 г. – 14 759,59 млн.руб.), АО «Пермский завод «Машиностроитель» (выручка за 16 г. – 7 847,79 млн.руб.), ПАО «ПНППК» (выручка за 22 г. – 4 300 млн.руб.), ООО «Лукойл-Пермь» (выручка за 22 г. – 501 242 млн.руб.), АО «Газпром газораспределение Пермь» (выручка за 22 г. – 4 414,76 млн.руб.), ООО «Камский кабель» (выручка за 22 г. – 27 054 млн.руб.), ООО «Завод «Синергия» (выручка за 22 г. – 8,7 млн.руб.) и др.
Научная новизна предлагаемых в проекте решений:
Использование системы искусственного интеллекта на базе искусственных нейронных сетей позволит в значительной степени ускорить и упростить процедуру диагностики аварийных ситуаций. Положительного эффекта удастся добиться за счет следующих особенностей: легкость в использовании для конечных пользователей, что достигается за счет интуитивно понятного интерфейса и качественной документации; надежной поддержки и регулярности обновления системы для обеспечения ее актуальности и устранения возникающих проблем; интегрирование с существующим оборудованием и системами управления, что упростит внедрение и использование системы предиктивной аналитики.
Использование предобученных нейросетевых моделей в программном продукте для решения задачи диагностики отказов является новым и уникальным решением, т.к. позволяет учитывать изменяющиеся условия работы оборудования (например, из-за износа или старения) и гибко под них подстраиваться. Текущие решения не позволяют учесть описанное, т.к. построены на узкоспециализированных алгоритмах или обладают ограничениями в области применения искусственного интеллекта.
Обоснование необходимости проведения НИР:
Актуальность проведения НИР подтверждается необходимостью повышать точность диагностики/расширять возможности диагностических систем, что обусловлено тенденцией к повышению качества выпускаемых изделий, а также невозможностью в условиях применения существующих решений добиться нужного эффекта, обеспечивающего конкурентоспособность отечественных предприятий на мировой арене.
В качестве научных подходов для разработки программного обеспечения используются базовые IT подходы, которые включают в себя следующие параметры, относящиеся к нашему продукту: язык программирования Java, интегрированная среда разработки IntelliJ IDEA, база данных PostgreSQL, фреймворк для автоматизации сборки проектов Maven, распределенная система управления версиями Git, библиотека алгоритмов компьютерного зрения, обработки изображений и численных алгоритмов общего назначения с открытым кодом openCV.
Имеющийся научно-технический задел по тематике проекта:
1. По теме проекта имеется научный задел, накопленный в результате проводимых на кафедре "Электроники и электромеханики" ПНИПУ исследований магистров, аспирантов, кандидатов и докторов наук по разработке алгоритмов диагностики электротехнического оборудования;
2. Разработаны алгоритмы и методики построения нейросетевых математических моделей сложных
технологических систем;
3. Разработана алгоритмы и методики построения нейросетевых алгоритмов управления.
Основные технические параметры, определяющие количественные, качественные и стоимостные характеристики продукции (в сопоставлении с существующими аналогами, в т.ч. мировыми):
В ходе анализа рынка аналогичных решений были выявлены следующие конкурентоспособные товары:
1. AVEVA PRiSM Predictive Asset Analytics. Это программная платформа предиктивной аналитики на основе искусственного интеллекта, которая используется для мониторинга состояния оборудования. Она позволяет прогнозировать время до отказа, определять приоритеты обслуживания и давать предписывающие рекомендации, например, действия по устранению проблем.
Цена: определяется индивидуально.
Функционал: автоматизированная система мониторинга и диагностики состояния оборудования; предиктивная аналитика технологических параметров и состояния агрегатов на основе производственных данных; оповещение для специалиста центра мониторинга о выявленных трендах отклонения тех. режима.
Наш продукт будет отличаться от данного аналога тем, что мы также будем производить комплексную диагностику состояния сложных промышленных объектов, но с дополнительной возможностью автоматизированного мониторинга с помощью фото и видеокамер, что в свою очередь позволит производить контроль качества и правильности сборки для обеспечения надежности и безопасности работы изделий.
2. Pragmacore. Это цифровая платформа управления строительством для объединения, организации и оптимизации проектов на всех этапах проектирования и строительства. Платформа использует машинное обучение и алгоритмы предиктивной аналитики, чтобы помочь строительным организациям работать над проектом любого размера и дать возможность строить быстрее и дешевле.
Цена: определяется индивидуально.
Функционал: оперативное управление строительными проектами; митигирование рисков на всех этапах строительства; контролирование отклонений/опережений от планируемых сроков; слежение за качеством строительства.
Наш продукт в отличие от аналога ориентирован на машиностроительную отрасль промышленности, которая занимает существенную долю в мире, что является существенно важным для научно-технического развития страны и повышения привлекательности ее инвестиционного климата.
3. Prana. Это индустриальное IoT-решение для диагностики и прогноза состояния промышленного оборудования с целью повышения эффективности его работы и снижения эксплуатационных затрат.
Цена: определяется индивидуально.
Функционал: обеспечение комплексного технического анализа сложных промышленных систем; контроль технического состояния; снижение затрат на ремонт оборудования за счет планирования, оптимизации логистики и своевременного заказа запасных частей; оценка качества обслуживания и уровня работы оперативного персонала; выявление причин инцидента при расследовании, анализ корректности действий персонала и поведения оборудования.
Наш продукт в отличие от данного аналога является универсальным и в 80% случаев покроет потребность в диагностике сложных промышленных объектов.
К основным количественным параметрам продукта относятся:
1. Сокращение времени разработки нееросетевой системы диагностики электрических машин в 3 раза (по сравнению с традиционными подходами разработки систем диагностики);
2. Сокращение времени выбора оптимальной конфигурации искусственной нейронной (ИНС) сети в 2 раза за счет разработанной методики выбора такой конфигурации (по сравнению с временем выбора оптимальной конфигурации ИНС без использования разработанной методики);
3. Сокращение времени простоев оборудования технологической системы на 25% (по сравнению с технологическими системами без использования диагностики отказов).
К входным данным относятся:
1. Конфигурация (архитектура и гиперпараметры) искусственной нейронной сети;
2. Экспериментальные данные для построения нейросетевой системы диагностики электрических машин;
3. Схема и режим функционирования электрических машин.
К выходным данным относятся:
1. Графическое отображение данных;
2. Сигналы предупреждения о потенциальном отказе работы элемента энергетической системы.
Основные преимущества создаваемого продукта перед аналогами:
1. Использование системы искусственного интеллекта для получения нейросетевой системы диагностики электротехнического оборудования (электрические двигатели, генераторы, трансформаторы), что позволяет значительно сократить и упростить процедуру получения таких систем диагностики (например, за счет использования предобученных нейросетевых моделей);
2. Диагностика может проводиться в процессе работы электродвигателя без остановки производства, что уменьшает время его простоя на 10 – 20%;
3. Высокая скорость работы таких систем диагностики и низкие требования к аппаратной части;
4. Гибкость используемых технологий;
5. Возможность автоматизации процедуры получения нейросетевой системы диагностики электротехнического оборудования.
Предлагается два варианта продажи нашего продукта:
1. Лицензия на программное обеспечение, стоимость которой составляет 500.000 рублей в год;
2. Программно-аппаратный продукт, стоимость лицензии 500.000 рублей в год + стоимость камеры и
стоимость компьютера (еще 500.000 рублей, но единоразово).
Конструктивные требования:
К основным составным частям продукта относятся:
1. Система искусственного интеллекта, состоящая из:
1.1. Модуля получения нееросетевых моделей (НМ) - модуль, предназначенный для обучения искусственной нейронной сети для получения нейросетевой системы диагностики электрических машин;
1.2. Модуля оценки меры адекватности (точности) получаемых систем диагностики - модуль предназначен для оценки мер адекватности системы диагностики электрических машин, при сравнении результатов их работы с данными работы реальных машин, с использованием различных критериев оценки (среднеквадратичная оценка, критерий Тейла и т.д.);
2. Модуль чтения данных - чтение данных, подаваемых в программный продукт извне;
3. Модуль графического отображения данных – графическое отображение результатов моделирования;
Потребляемая мощность при работе с программным продуктом определяется потребляемой мощностью ЭВМ и находится в диапазоне 150-200 Вт*час. Использование программного продукта на ЭВМ повышает его энергопотребление незначительно.
Характеристики ЭВМ для работы научно-технического продукта:
1. CPU - Intel Core i5 или аналогичный;
2. GPU - Nvidia GeForce GTX 1060 или аналогичная;
3. RAM - 16 Гбайт или выше;
4. SSD-накопителя на 512 ГБ;
Условия эксплуатации, использования научно-технического продукта определяются его аппаратной частью (ЭВМ):
- температура окружающего воздуха от +5°С до +35°С;
- относительная влажность окружающего воздуха 10-80%;
- атмосферное давление от 84 до 107 кПа;
- электропитание ЭВМ осуществляется от однофазной сети переменного тока напряжением 220В +/-20В и частотой 49-51Гц.
Требования по патентной защите (наличие патентов), существенные отличительные признаки
создаваемого продукта (технологии) от имеющихся, обеспечивающие ожидаемый эффект:
В ходе проведения патентного анализа нами были выявлены патенты, наиболее близкие к теме предлагаемого нами продукта:
1. Устройство диагностики и оценки остаточного ресурса электродвигателя № 2727386. Изобретение относится к области диагностики электрооборудования и позволяет производить оценку технического состояния и остаточного ресурса электродвигателя и сопряженного с ним механического оборудования путем регистрации мгновенных значений вибраций, шума, температуры посредством датчиков с последующей диагностикой и прогнозированием технического состояния и оценкой остаточного ресурса электродвигателя.
Отличительным признаком нашего продукта от данного патента является то, что обработка данных производится с помощью искусственного интеллекта для создания системы предиктивной аналитики и получения предобученных нейросетевых моделей, которые обладают более высокой гибкостью и могут подстраиваться под изменяющиеся условия эксплуатации электрических машин.
2. Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем № 2626231. Изобретение относится к области диагностики технического состояния электромеханического оборудования, позволяющей производить диагностику и оценку остаточного ресурса асинхронного двигателя, работающего в различных условиях эксплуатации, путем записи электрических и вибрационных параметров, с помощью датчиков вибрации, тока и напряжения, и использование искусственной нейронной сети для комплексного анализа электрических, вибрационных и косвенных параметров с дальнейшей оценкой технического состояния и прогнозирования вероятности безотказной работы электродвигателя.
Отличительным признаком нашего продукта от данного патента является то, что наш продукт предоставляет дополнительную возможность визуальной диагностики с применением искусственных нейронных сетей с помощью фото или видеокамер, что обеспечивает оценку технического состояния не только электрических машин, но и других сложных производственных объектов, например, авиационных турбин на этапах сборки и эксплуатации.
С целью защиты прав на интеллектуальную собственность на наш продукт планируется использовать следующую стратегию патентования: стратегия лицензирования изобретений, защищенных патентами. Благодаря активной лицензионной политике патент может стать для предприятия источником значительных финансовых поступлений и тем самым способствовать укреплению его позиций в конкурентной борьбе.
КАЛЕНДАРНЫЙ ПЛАН ПРОЕКТА В РАМКАХ ДОГОВОРА ПО ПРОГРАММЕ «УМНИК»
Первый этап:
1. Интеграция алгоритмов искусственных нейронных сетей в программный продукт;
2. Архитектурное проектирование программного продукта;
3. Анализ конфигураций искусственной нейронной сети (тип, архитектура, гиперпараметры) под решаемую задачу;
4. Оценка потребности в исходных данных (объем, характеристики) и их подготовка (разметка, нормализация, разбиение на наборы и т.п.).
Второй этап:
1. Разработка нейросетевой системы диагностики электрических машин;
2. Верификация нейросетевой системы диагностики электрических машин на данных с реальных машин;
3. Разработка и интеграция программного модуля подготовки наборов данных для обучения искусственной нейронной сети, обеспечивающего: загрузку, конвертацию, преобразование типов и масштабов, разбиение на наборы и т.п.;
4. Тестирование версий и функциональности программного продукта.
КОММЕРЦИАЛИЗУЕМОСТЬ НАУЧНО-ТЕХНИЧЕСКИХ РЕЗУЛЬТАТОВ
Область применения:
Программный продукт в первую очередь ориентирован на решение проблем предприятий ОДК, машиностроения, нефтегазовой, ракетно-космической, авиационной и обрабатывающей промышленности. Предприятия данных областей содержат большое количество электрических машин, сложных технических объектов, сборочных единиц и деталей, которые требуют качественной и своевременной диагностики их состояния.
Также имеются другие промышленные предприятия и за рубежом. На долю машиностроительного сектора экономики приходится около 35% мирового промышленного производства.
Объем внебюджетных инвестиций, собственных средств и иных источников, источники средств и формы их получения, распределение по статьям:
Имеются собственные средства в размере 30 тыс. руб., которые я готов вложить в создание продукта. Помимо материальных ресурсов имеются командные: я имею возможность получения научно-технической консультации от научного руководителя Килина Г.А., который также является частью моей команды, и экспертные: как резидент Бизнес-инкубатора ПНИПУ я имею право получать всестороннюю поддержку в моей предпринимательской деятельности.
Материально-техническая база, необходимая для реализации проекта, представляет собой ноутбук (CPU - Intel Core i5 или аналогичный; GPU - Nvidia GeForce GTX 1060 или аналогичная; RAM - 16 Гбайт или выше; SSD-накопителя на 512 ГБ). Данную материальную базу планируется получить после получения гранта.
Имеющиеся аналоги:
Из анализа современного состояния исследований в данной области следует, что для получения нейросетевой системы диагностики используется классический подход с использованием уравнений физики процессов (электрические, механические, термодинамические процессы и т.д.). Такой подход приводит к тому, что процедура разработки таких систем диагностики является очень трудозатратной в человеческих, временных и денежных ресурсах.
В ходе анализа были выявлены следующие аналоги:
1. AVEVA PRiSM Predictive Asset Analytics. Это программная платформа предиктивной аналитики на основе искусственного интеллекта, которая используется для мониторинга состояния оборудования. Она позволяет прогнозировать время до отказа, определять приоритеты обслуживания и давать предписывающие рекомендации, например, действия по устранению проблем.
Цена: определяется индивидуально.
Функционал: автоматизированная система мониторинга и диагностики состояния оборудования; предиктивная аналитика технологических параметров и состояния агрегатов на основе производственных данных; оповещение для специалиста центра мониторинга о выявленных трендах отклонения тех. режима.
Основным недостатком данного продукта является то, что стоимость такой программной платформы определяется индивидуально для каждой компании и может быть высокой, особенно для малых предприятий.
2. Pragmacore. Это цифровая платформа управления строительством для объединения, организации и оптимизации проектов на всех этапах проектирования и строительства. Платформа использует машинное обучение и алгоритмы предиктивной аналитики, чтобы помочь строительным организациям работать над проектом любого размера и дать возможность строить быстрее и дешевле.
Цена: определяется индивидуально.
Функционал: оперативное управление строительными проектами; митигирование рисков на всех этапах строительства; контролирование отклонений/опережений от планируемых сроков; слежение за качеством строительства.
Основным недостатком данного продукта является то, что несмотря на использование предиктивной аналитики, нет гарантии, что все проекты будут завершены быстрее и дешевле. Результаты могут варьироваться в зависимости от сложности проекта и качества данных.
3. Prana. Это индустриальное IoT-решение для диагностики и прогноза состояния промышленного оборудования с целью повышения эффективности его работы и снижения эксплуатационных затрат.
Цена: определяется индивидуально.
Функционал: обеспечение комплексного технического анализа сложных промышленных систем; контроль технического состояния; снижение затрат на ремонт оборудования за счет планирования, оптимизации логистики и своевременного заказа запасных частей; оценка качества обслуживания и уровня работы оперативного персонала; выявление причин инцидента при расследовании, анализ корректности действий персонала и поведения оборудования.
Основным недостатком данного продукта является то, что система мониторинга может иногда выдавать ложные сигналы о проблемах, что может вызвать ненужные расходы на обслуживание и ремонт.
План коммерциализации проекта:
1 этап:
1. Разработка программного продукта (MVP);
2. Проведение испытаний и тестирование разработанного MVP на моделях и реальных электродвигателей;
3. Создание программного продукта с внесенными корректировками;
4. Подача заявки на государственную регистрацию результатов интеллектуальной деятельности (РИД);
5. Участие в выставках и конференциях с целью популяризации нашей программы.
2 этап:
1. Участие в конкурсах поддержки инновационных проектов: Студенческий стартап, старт, проводимых Фондом содействия инновациям;
2. Регистрация юридического лица в организационно-правовой форме ООО;
3. Закупка материально технических ресурсов;
4. Создание мелкосерийного производства;
5. Продвижение и коммерциализация разработки.
Презентации
Пульс
Акселерация
По результатам онлайн выступления наш проект был допущен для участия в акселерационной программе "Преакселератор "Большая разведка 2023"
Публичное выступление
Было принято участие в конкурсе проектов "Технопредприниматели", а также в представлении внутренних грантов "Высшей школы двигателестроения" (ПИШ ВШАД)