Наш опыт работы с нейронной сетью для снижения погрешности оборудования при контроле топлива

Тема искусственного интеллекта сейчас очень популярна. Есть много различных направлений его применения. Мы хотим поделиться нашим опытом использования технологии искусственного интеллекта в вопросе управления автопарками, в частности при контроле топлива.

Есть наша компания-партнер, которая занимается предоставлением услуг мониторинга транспорта. Их клиенты и условия эксплуатации техники самые разные (перепады температур, разбитые дороги, резкие уклоны или подъемы). Плюс размеры и формы топливных баков часто такие, что сложно поставить и сразу корректно настроить классические датчики уровня топлива.

Менять оборудование или регулярно тарировать его проблематично и дорого – много машин, которые работают в удаленных глухих местах. Настройки каких-то параметров в программе, обучение и повышение квалификации диспетчеров, техническая поддержка разработчиками — все это помогало, но занимало много времени и требовалось постоянно.

На выходе имели погрешности в определении количества и объемов заправок. И такие узкие места были настоящей кладезью для нерадивых сотрудников, которые систематически сливали себе немного «черного золота» на свой личный черный день.

Классически начали с анализа узкого места (ограничения). Решили, что им являлся наш текущий алгоритм учета топлива — для корректной фиксации заправок по технике со сложными баками требовалось большое количество корректирующих параметров забивать руками, постоянно что-то подкручивая.

Появилась цель — свести к минимуму время участия человека в настройках текущего алгоритма учета топлива, сохранив при этом высокую точность работы датчиков уровня топлива в транспорте со сложными баками.

В ходе мозгового штурма у нас родилась идея — давайте использовать нейронную сеть. Общая механика работы с ней довольно простая:

• ты сначала обучаешь алгоритм, загружая в него события и образы (картинки) прошлых показаний датчика топлива, где заправки и сливы были зафиксированы системой максимально точно;

• нейросеть учится на этих примерах и запоминает их;

• дальше она начинает сама определять аналогичные события при последующей работе транспорта, фильтруя лишние колебания датчиков.

С чего мы начали? Во-первых, собрали порядка 150 «эталонных заправок» за прошлый период и загрузили их в нейронную сеть. Во-вторых, каждой картинке мы присвоили свой коэффициент и «сказали» системе: «Ок, смотри, вот такое поведение значений датчика – цифра «один», а вот такое, например, – цифра «пять». В-третьих, прикрутили ее к нашему софту и начали выдавать текущие показания датчиков. Алгоритмы стали самостоятельно распределять коэффициенты, идентифицировать заправки и распределять их по категориям.

В течение нескольких месяцев мы находили некорректные случаи работы нейросети, продолжали добавлять эталонные события и вновь обучать на их основе алгоритм.

На текущий момент нам удалось снизить примерно на 85% количество ложных событий (когда, например, из-за ошибочных показаний датчика при колебании топлива в баках на неровной дороге система фиксировала заправку, хотя ее на самом деле не было).

Нейронка уже сейчас сама считает все «из коробки», подстраиваясь под специфику работы конкретной машины без участия человека. При этом она способна воспроизводить очень сложные зависимости с большим количеством переменных и давать гораздо более точные результаты, нежели статистика, используемая «по старинке» при ручной настройке.

В части фиксации фактов слива топлива столкнулись с проблемой – очень долго приходится искать «эталонные события», ведь в открытую топливо хотят украсть не так часто, поэтому продолжаем по крупицам собирать нужное количество паттернов. Так как именно слив топлива является основной болью многих клиентов – стремимся достичь 100% точности в выявлении таких фактов. К сожалению, оказалось, что это требует сильно больше времени, чем рассчитывали изначально.

Чтобы ускорить этот процесс планируем подключить к эксперименту других наших партнеров. Добавили для них «облачный» вариант работы нейронной сети: возможность проверить алгоритм в демонстрационном режиме на их данных, когда вычисления будут происходить «на лету». Это несколько замедлило работу алгоритма, но зато позволило вживую увидеть все преимущества использования.

Варианты использования нейросети в системах мониторинга транспорта обширны – контроль работоспособности оборудования, предиктивный анализ, учет количества выполненных рейсов при работе датчиков на проблемных участках дороги и т.п. Основное преимущество – высокая точность фиксации события при минимальном участии человека и максимальной вариативности факторов.

Наш опыт пока это подтверждает.