Прогнозирование результатов технологического процесса

С помощью технологий машинного обучения, данный программный продукт позволяет прогнозировать результат технологического процесса, или вероятность возникновения определённых событий/состояний в его ходе.

Решаемая проблема

Существующие системы управления промышленными процессами опираются на физико-химические модели (в т.ч. термодинамические) и статистическое прогнозирование. Результаты такого моделирования позволяют принимать решения по управлению процессом и достичь достаточно хороших результатов, но они всегда имеют существенный уровень погрешности из-за того, что:

  • Процессы, происходящие в реальных условиях, всегда отличаются от «идеальных» моделей. Значения входных параметров могут колебаться, некоторые характеристики процесса могут быть не известны или измеряться неточно;
  • Ряд факторов, влияющих на процесс, не учитывается в традиционных моделях основанных на знаниях (например, внешняя температура в цеху). Таким образом, эти факторы упускаются при управлении процессом;
  • Для ряда сложных процессов комплексных моделей попросту не существует. Например, для моделирования нелинейнего взаимодействия двух десятков химических элементов в процессе выплавки стали;
  • Используемые статистические подходы к анализу исторических данных опираются на методы прошлого поколения, которые не дают достаточной точности для многих задач - линейная регрессия и так далее.

В результате, модели, которые используются при управлении процессом, недостаточно точны, и могут быть оптимизированы. А использование ранее не применяемых  математических методов, в частности машинного обучения, позволяет повысить качество прогнозирования и точность принимаемых решений.

Преимущества продукта

  • Возможность комбинировать уже используемые физико-химические модели и накопленную статистику с продвинутыми технологиями анализа данных. На
    основе анализа исторических данных ML-модель корректирует используемые модели, учитывая слабые сигналы и скрытые параметры.
  • Предсказание результатов производства на ранних этапах производства. Такие предсказания позволяют предотвратить затраты на производство некачественной продукции, либо предотвратить брак путем применения превентивных мер.

Как настраивается продукт

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

Этапы:

  1. Определение сценария использования;
  2. Оценка достаточности данных;
  3. Передача исторических данных о выбранном процессе, например: химические и иные измерения, данные контроля качества и т. п. Состав и объем данных определяется для каждой конкретной задачи отдельно;
  4. Обучение модели на стороне Mechanica AI. Сроки разработки варьируются от 2 недель до 3 месяцев;
  5. Тестирование модели на исторических данных;
  6. Перенос модели в инфраструктуру заказчика;
  7. После обучения на исторических данных, модель может прогнозировать ожидаемый результат процесса, или вероятность возникновения определённых событий по данным, которые поступают в реальном времени;
  8. Мониторинг качества и корректировка модели на основании новых данных.

Интеграция

Решение может интегрироваться напрямую в существующие системы управления производством. В состав инструмента прогнозирования не входят средства визуализации данных, они могут быть установлены дополнительно. В качестве выходных данных решение выдает предсказания параметров, которые легли в основу обучения модели.