Цифровые двойники на производстве

Внедряя ML-модели на каждом участке технологического процесса, мы постепенно формируем его цифрового двойника. Фактически цифровой двойник — это совокупность связанных друг с другом ML-моделей и/или научно-технических формул, которые помогают описать серию технологических процессов. Главным отличием цифрового двойника от ML-модели является описание всей технологической цепочки, а не отдельной ее части. Возьмем, к примеру, выплавку стали. Сначала мы определяем необходимый химический состав конвертерной плавки, затем — количество необходимых ферросплавов, одновременно прогнозируем температуру на участке внепечной обработки стали, своевременно определяем дефекты непрерывнолитой заготовки, прогнозируем температуру слитка после выхода из печи, после этого оптимизируем работу прокатного стана. ML-модели обмениваются данными и обогащают друг друга, делая каждый следующий этап производства более предсказуемым.

Есть 3 метода создания цифрового двойника: научно-технический, эмпирический и гибридный. Процесс не ограничивается только разработкой ML-моделей: это комплексный проект, который начинается с анализа существующих на предприятии систем и заканчивается обучением персонала.

Способы реализации

Научно-технический метод основан на формулах, закономерностях и лабораторных исследованиях технологического процесса. Для реализации не нужно много данных, важны их качество и адекватность. Мы используем результаты лабораторных опытов, поэтому разработанные модели могут давать неточные прогнозы. На производстве фактические результаты зачастую не сходятся с расчетными.

Пример реализации научно-технического метода.

Сервис для прогнозирования химического состава стали, основанный на достижении термодинамического равновесия.

На реальном производстве идеальное равновесие зачастую не достигается ввиду ряда факторов (диффузия элементов, размер материалов и их растворение, неравномерность распределения температуры по объему, высокие темпы производства и т.д.). Поэтому такого двойника целесообразно использовать как теоретическую базу, чтобы помочь сотрудникам понять технологический процесс и скорректировать методы производства.

В основе эмпирического метода лежит анализ исторических данных производства. С его помощью можно определить, как разные параметры технологического процесса влияют на целевые результаты. Для реализации этого метода нужен большой массив достоверных данных. Ключевой недостаток такой модели — длительность разработки и чувствительность к смене технологического процесса. А подобные изменения происходят постоянно, поскольку предприятия регулярно вводят новые методы: меняются технологии, появляются новые данные, датчики, производственные ограничения и т.д.

Пример реализации эмпирического метода.

Сервис по расчету количества и угара ферросплавов

На основе анализа исторических данных, опыта сталеваров и технологических карт система прогнозирует оптимальный расход ферросплавов для получения целевого химического состава стали. Для максимального эффекта модель анализирует количество сырья на складе, его стоимость и взаимозаменяемость.

Гибридный метод совмещает в себе два первых подхода. Это самый оптимальный вариант: одновременно используются исторические и научные данные, что позволяет быстро и точно описать производственный процесс. Внедренные сервисы оперативно адаптируются к изменению технологий производственного процесса.

Пример реализации гибридного метода.

Сервис, который прогнозирует оптимальные параметры выплавки стали: уровень дутья, подбор шихтовых материалов и т.д.

В его основе лежат модель термодинамического равновесия, результаты анализа массива исторических данных и рекомендации сталеваров.

Примеры цифровых двойников, которых мы внедряли на металлургическом предприятии

Нехватка данных и недоверие сотрудников

Основная сложность в разработке цифрового двойника — нехватка данных и ИТ-ресурсов для их хранения. Недостаток ключевых параметров ведет к погрешностям прогноза. Это снижает точность и экономическую ценность модели.

Для построения качественной ML-модели нужно иметь все влияющие на процесс данные, а также знать целевые значения и косвенные признаки. Так, для создания сервиса по расчету количества и угара ферросплавов на конвертерном производстве необходимо знать: химический состав материалов; соотношение чугуна и лома; массу, температуру и окисленность полупродукта на выходе из конвертера; содержание серы и марганца в чугуне, его температуру и многое другое.

Новизна цифровых двойников порождает недоверие со стороны сотрудников. За ошибки на производстве отвечают люди, поэтому они предпочитают полагаться на свой опыт, а не на прогнозы системы. Проблему решает перенос части ответственности с сотрудников на разработанный сервис. Кроме того, мы часто сталкиваемся с сопротивлением людей, которые боятся, что цифровые решения их заменят. Нужно объяснять сотрудникам, что главная задача таких сервисов — поддержка человека. Экспертный контроль все равно останется за людьми.

Иногда сотрудники на производстве не принимают рекомендации системы и совершают ошибки. Мы работаем с ними: разбираем каждую операцию, объясняем, почему модель выдала такие данные, и тем самым доказываем экспертность нашего подхода. Бывают и обратные кейсы: если модель предлагает неэффективное решение, мы корректируем ее с учетом комментариев технологов. Благодаря этому возрастает доверие к системе и сотрудники начинают активнее ее использовать.

В наших командах есть специалисты по предметной области, аналитики и data-scientists. Такой подход подразумевает погружение во все процессы заказчика. Это выгодно отличает нас от стартапов, которые относятся к машинному обучению на производстве как к набору данных, которые нужно обработать. Если не учитывать специфику предприятия и комментарии технологов, модель будет неэффективной.

Со временем цифровые двойники появятся на каждом производстве. Их применение позволит снизить себестоимость продукции, тем самым повысить конкурентоспособность на рынке, а также поможет сотрудникам предприятий увереннее чувствовать себя на рабочем месте.