Основное окно приложения
сверху тренд сигнала, центральное окошко – сравнение двух фрагментов, слева от него процесс обучения модели,
Учёные ИПМКН ТГУ разработали прототип системы анализа технологических данных, позволяющий предотвращать аварийные ситуации на предприятиях. Автоматический анализ осуществляет математическая модель, которую с помощью машинного обучения научили распознавать штатное и аномальное поведение в технологических сигналах. Проект выполнен при поддержке РФФИ и Научного фонда ТГУ им. Д.И. Менделеева.
– На крупных производствах используются десятки и сотни единиц технологического оборудования. Для каждой из них отслеживаются технологические показатели, которые свидетельствуют о состоянии оборудования – это давление, температура, вибрация и другие, – говорит один из авторов проекта, аспирант ИПМКН ТГУ Дамир Мурзагулов. – Дефекты и отказы проявляются в этих технологических параметрах различным образом, и не всегда стандартная автоматика или человек могут обратить на это внимание. Переход промышленности на «цифру» позволяет накапливать эти данные, а их анализ – выявлять аномалии, которые свидетельствуют о начале сбоев в системе и могут быть предвестниками её выхода из строя.
Своевременная фиксация таких аномалий и превентивные меры в виде профилактики или планового ремонта оборудования помогут предотвратить его поломку и избежать простоя и серьёзных экономических потерь. В настоящее время над конструированием подобных систем работают ведущие компании мира, в частности Siemens, Yokogawa, Schneider Electric.
Одной из задач проекта, реализованного при поддержке РФФИ и Научного фонда ТГУ, было создание наборов реальных и модельных данных, включающих образцы технологических сигналов – примеров нормы и аномалии. Информация для формирования набора была предоставлена предприятиями – индустриальными партнёрами ТГУ.
– Прототип находит любые нетипичные фрагменты, – объясняет Дамир Мурзагулов. – Например, математическая модель фиксирует резкие всплески амплитуды сигнала, это характерно для электрических показателей – ток, напряжение; изменение частоты, например, возникновение дополнительной вибрации при наличии механических дефектов на подшипниках; «замирание» измерительных средств, при которых значения сигнала не меняются долгое время, и другое.
При нахождении отклонения от нормы в графическом интерфейсе пользователя появляется уведомление о том, что обнаружен аномальный фрагмент сигнала. Далее оператор решает, что с ним делать. В случае, когда он уверен, что угрозы нет, он помечает этот фрагмент как штатный, и далее система уже запоминает и при следующем появлении идентифицирует это как штатную ситуацию. Таким образом, в процессе работы происходит дальнейшее обучение модели. Чем больше информации искусственный интеллект (ИИ) получает, тем опытнее и точнее он становится.
Одним из серьёзных преимуществ прототипа является то, что математические модели, заложенные в него, не предназначены для какого-то конкретного типа оборудования, сигнала или же производства. Все необходимые знания модель извлекает из исторических данных, другими словами, ИИ адаптируется под любые данные. Благодаря этому прототип может быть применен на любом производстве, где оборудование оснащено средствами измерений и эта информация архивируется.
В таком аналитическом инструменте в первую очередь нуждаются нефтегазовые, нефтехимические, энергогенерирующие и иные предприятия, где используется сложное технологическое оборудование, аварийный ремонт которого влечёт серьёзные экономические потери.
Добавим, что ТГУ активно развивает такое направление, как использование ИИ в производственной сфере. Для этого на базе ИПМКН создана лаборатория искусственного интеллекта и индустриальной аналитики, соорганизатором которой стала IT-компания «Атомик Софт». Исследователи вуза и промпартнёр разрабатывают новые алгоритмы анализа big data и работают над созданием эффективных решений в сфере индустрии 4.0.
Иллюстрация предоставлена ИПМКН ТГУ
Источник информации: пресс-служба ТГУ
