Сайт находится в состоянии доработки. Извиняемся за неудобства.

x
© 1995-2020 Компания «Инфосистемы Джет»
Машинное обучение

Цифровые двойники на производстве

Автор
Виктор Конокотин Эксперт Центра машинного обучения компании «Инфосистемы Джет»
Автор
Кирилл Зубарев Аналитик предметной области Центра машинного обучения компании «Инфосистемы Джет»

18.09.2020

Посетителей: 435

Просмотров: 545

Время просмотра: 2.7 мин.

Чем цифровой двойник отличается от ML-модели?

 

Какие методы можно использовать для его создания?

 

Как преодолеть недоверие к «цифре» у сотрудников предприятия?

 

 

Экономика предприятия зависит от эффективности ключевых производственных процессов. Сложность в том, что разные участки технологической цепочки контролируют разные специалисты, каждый со своими KPI. Для того чтобы сотрудники предприятия одинаково понимали цепочку технологических процессов, используют цифровые методы. Одним из них является создание цифрового двойника процесса — перевод различных параметров и факторов в цифровой вид.

 

В России пока не существует полноценных цифровых двойников предприятий. Мы можем говорить только о моделировании отдельных технологических цепочек.

 

С помощью цифрового двойника предприятие может минимизировать себестоимость и увеличить выпуск продукции. Система прогнозирует результат технологического процесса с учетом разных параметров и подсказывает, как его можно улучшить. Например, с помощью рекомендаций цифрового двойника можно уменьшить расход сырья или время простоя оборудования.

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.

Этапы реализации цифрового двойника
Сбор данных
/ Анализ существующей на предприятии АСУ ТП
/ Сбор данных по процессу
/ Преобразование данных в нужный вид
Создание продукта
/ Актуализация данных (чистка данных на предмет аномальности/неполноты)
/ Построение прогнозных моделей
/ Ввод ограничений исходя из уставок, технологических инструкций, особенностей предприятия и т.д.
Доработка пробукта
/ Преобразование прогнозных значений в нужный для пользователя вид
/ Тестирование/отладка продукта
/ Обучение 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

Рекомендательный сервис присадки легирующих добавок и раскислителей

 

  • Задача: сокращение расхода ферросплавов за счет более точной присадки.
  • Результат: экономия до 3% сырья.

Рекомендательный сервис по оптимизации момента выдачи слябов на прокатном стане

 

  • Задача: увеличение производства горячего проката за счет оптимизации темпа выдачи слябов из нагревательных печей.
  • Результат: сокращение времени остановов до 6%.

Рекомендательный сервис по оптимизации шихтовки угля для производства кокса

 

  • Задача: подбор оптимальной пропорции угля для спекания кокса.
  • Результат: снижение себестоимости кокса до 0,5%.

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.

Уведомления об обновлении рубрик – в вашей почте

Искусственного интеллекта не существует, есть искусственная разумность

Почему необходимо осуществлять мониторинг промышленной безопасности? В интервью редакции JETINFO рассказал Самуэль Левин, первый заместитель генерального директора компании «РКСС — Программные Системы».

Цифровая нефть

Как изменилась нефтедобывающая отрасль за последние 20 лет?

IIoT как способ оптимизации работы с персоналом

Уже много слов сказано о том, как умные устройства проникают во все сферы деятельности промышленных компаний.

Ситуационные центры на службе вертикально интегрированных корпораций

Чем больше компания и сложнее ее структура, тем острее встает вопрос о качестве управления.

Реализация ИИ-проектов в нефтегазовом секторе

Почему ИИ лучше всех в мире играет в шахматы, но не готов заменить менеджмент на производстве?

«Этим можно заниматься бесконечно»: переход на data-driven в «СИБУРе»

Почему не стоит создавать цифрового двойника для отдельного участка производства? Зачем нужен «спецназ» по работе с данными? Почему заводы «СИБУРа» пока не смогут работать без людей?

Этапы внедрения ML-моделей на предприятиях

Основные этапы внедрения ML-решений. Какова главная задача пилота? Что дает мониторинг работы ML-моделей?

Мошенничество в промышленности: фрод ближе, чем вы думаете

В статье мы рассмотрим, какие метрики машинного обучения бывают и в каких случаях они применимы, разберем типичные ошибки.

«Мы уже цифровая компания»: как технологии изменили работу ММК

Какие решения внедряет ММК в рамках цифровизации?   Какой должна быть команда, реализующая цифровую ...

Спасибо!
Вы подписались на обновления наших статей
Предложить
авторский материал





    Спасибо!
    Вы подписались на обновления наших статей
    Подписаться
    на рубрику






      Спасибо!
      Вы подписались на обновления наших статей
      Оформить
      подписку на журнал







        Спасибо!
        Вы подписались на обновления наших статей
        Оформить
        подписку на новости







          Спасибо!
          Вы подписались на обновления наших статей
          Задать вопрос
          редактору








            Оставить заявку

            Мы всегда рады ответить на любые Ваши вопросы

            * Обязательные поля для заполнения

            Спасибо!

            Благодарим за обращение. Ваша заявка принята

            Наш специалист свяжется с Вами в течение рабочего дня