ИИ в промышленности: где он уже работает

В компании IBS для решения точечных задач уже давно применяются технологии искусственного интеллекта. Более 4 лет назад был создан отдел цифрового моделирования, ориентированный на решение задач методами машинного (ML) и глубокого обучения (DL). За это время мы успешно реализовали множество коммерческих проектов в различных отраслях, в основном в промышленности. О самых интересных кейсах рассказывает Андрей Никитин, начальник отдела цифрового моделирования IBS. 

В последние годы мы наблюдаем стремительное развитие технологий на основе ИИ. Однако широкую известность пока получили только те нейросети, которые помогают писать код, создают иллюстрации и тексты. При этом ИИ активно применяется и в промышленности, помогая увеличивать производительность, сокращать издержки и даже предотвращать серьезные аварии. 

Цифровой двойник системы

Один из самых интересных проектов — создание цифрового двойника системы компрессорного оборудования установки комплексной подготовки газа. Задача состояла в реализации групповой оптимизации расхода топливного газа для работы компрессоров низкого, среднего и высокого давления. Для понимания компонентного состава газа, поступающего на компрессоры, мы сделали модель в инженерном симуляторе. С помощью методов машинного обучения реализовали виртуальные анализаторы расхода газа и недостающих параметров работы компрессоров, не оснащенных датчиками. Для определения оптимального режима работы построили и использовали компрессорные кривые. Реализация проекта позволила работать в наиболее энергоэффективном режиме и экономить более 10% топливного газа.

Система предиктивной аналитики

В другом проекты мы реализовали и внедрили на нескольких месторождениях систему предиктивной аналитики работы оборудования. Отсутствие данной системы не позволяло своевременно реагировать на показания датчиков и предпринимать необходимые действия для предотвращения аварийного останова. Аномалии в работе оборудования обычно обнаруживались либо при выходе параметров за технологические установки, либо уже после его остановки в процессе анализа причин произошедшего. Персонал в основном делал упор на работу с текущими показаниями и исправлением уже сложившейся аварийной ситуации в работе оборудования. При этом исторические данные и долгосрочные тренды не брались во внимание, что не позволяло заранее детектировать нарушение режима работы оборудования. 

Мы же создали модель аномального и предаварийного состояния оборудования, а в мониторинге задействовали методы машинного обучения. Модели аномального режима работы оборудования обучаются на исторических данных и прогнозируют текущее значение каждого параметра, на основании режима работы оборудования, если данное значение значимо отклоняется от текущего показания, происходит информирование технолога. Модели аварийных остановов оборудования обучаются для конкретных кейсов остановов по одной причине из исторической выборки. Из практики для таких моделей необходимо, чтобы проблема встречалась в истории не менее 5 раз. Для подобных моделей возможно построение дополнительной модели, прогнозирующей время до аварийного останова. Внедрение системы позволило сократить время внеплановых ремонтов, за счет сигнализирования предаварийного состояния, а также повысить надежность и безопасность управления технологическими объектами.

Система-советчик

В этом проекте мы создали систему-советчика режима работы печей глинозема. До ее появления наблюдение за работой печей осуществлялось в значительной степени вручную, путем периодического визуального осмотра, а также анализа проб продукции. Мониторинг и корректировка режимов работы оборудования осуществлялись операторами на основе показаний с временным лагом, что не позволяло полностью учитывать все изменения в процессе работы оборудования и своевременно подобрать оптимальный режим. Отсутствие возможности быстрого и качественного анализа оперативных данных ограничивало возможность быстро подобрать рекомендуемые параметры. В данном проекте мы использовали машинное обучения для виртуального анализатора качества продукции, а компьютерное зрение -- для видеоаналитики данных с инфракрасных камер, на основании которой создан оптимизационный алгоритм выбора режима оборудования. Система выдает оповещения о необходимости чистки и за счет оптимизации режима работы факельного оборудования и остальных производственных параметров удалось увеличить выработку цеха по производству глинозема за счет увеличения межостановочных пробегов.

Рекомендательная система

Отдельно хотелось бы отметить проект, реализованный в 2023 года для компании ЕвроХим. Разработана рекомендательная система по управлению технологическим процессом производства NPK-удобрений. Оптимизационный алгоритм адаптирован для увеличения выработки продукции всех выпускаемых марок удобрений и учитывает следующие ограничения: компонентный состав выпускаемых марок, лабораторные анализы входного сырья и готового продукта, допустимых расходов входящего сырья такие как минимальный и максимальный расходы компонентов, поддержание заданного соотношения основных компонентов, качество выпускаемой продукции и необходимые соотношения в рамках соблюдения оптимального водородного показателя (pH). В системе используются виртуальные анализаторы, созданные на основе методов машинного обучения для определения изменения режимов технологического процесса и прогнозирования значений. После ввода в промышленную эксплуатацию, по результатам балансовых испытаний, плановая выработка производства была увеличена от 1% до 4 % на разных марках удобрений, что позволяет получать колоссальный экономический эффект. Проект стал лауреатом на конкурсе Проект Года.