Оптимизация производственного процесса

Построенный на основе технологий машинного обучения, продукт в реальном времени даёт рекомендации оператору, или полностью автоматизирует принятие решений при  управлении сложными технологическими процессами.

Продукт позволяет оптимизировать производственный процесс для улучшения выбранных метрик – например, снижения затрат, повышения производительности, снижения уровня брака.

Решаемая проблема

Современные системы управления производственными процессами имеют существенные ограничения:

  • Значительная часть систем управления перекладывает наиболее сложные решения на оператора, который принимает их исходя из собственного опыта, опираясь на относительно простые модели, заложенные в систему управления. В этом случае эффективность работы производственной линии зависит от оператора, в том числе от его опыта и интуиции, что может привести к ошибочным решениям;
  • Заложенные в основу систем управления физико-химические модели неизбежно отбрасывают множество «второстепенных» факторов, связанных с особенностями оборудования, степенью его износа, небольшими изменениями параметров производства, отклонениями, которые связаны с изменениями внешней среды.

Преимущества продукта

  • Решение обеспечивает прямой и измеримый результат;
  • Вместо инструмента, за работу с которым отвечает оператор, мы предлагаем решение, которое дает прямые рекомендации (указания). На время накопления опыта использования,  оператор может оставаться на месте, однако есть перспектива полной автоматизации управлением производственными процессами;
  • Оптимизация именно тех целевых метрик или их сочетаний, которые важны для конкретного процесса - например, снижение энергозатрат при сохранении производительности или сокращение расхода сырья без потерь в качестве готового продукта;
  • Отсутствие необходимости в интеграции нового сложного решения и капитальных инвестиций – продукт интегрируется с существующими системами автоматизации, или работает как «надстройка» над ними.

Настройка

Каждый продукт адаптируется для конкретного производства на основе исторических данных о процессе, который выполняется на конкретном оборудовании.

Этапы:

  1. Создание сценария использования, определение оптимизируемых параметров и ограничений;
  2. Оценка достаточности данных;
  3. Передача исторических данных о выбранном процессе. Состав и объем данных определяется для каждой конкретной задачи;
  4. Обучение рекомендательной модели на стороне Mechanica AI. Сроки разработки варьируются от 2 недель до 3 месяцев;
  5. Тестирование качества модели в реальном эксперименте;
  6. Перенос модели в инфраструктуру заказчика;
  7. После обучения на исторических данных модель может выдает рекомендации или автоматически отправляет команды на исполнение в реальном времени;
  8. Мониторинг качества и дообучение модели на новых данных.

Интеграция

Решение легко интегрируется с источниками данных и системами управления производством. Оно может работать как в составе действующей APC-системы, так и независимо от неё,  напрямую интегрируясь с MES или АСУ ТП.