Искусственный интеллект проник во все сферы человеческой деятельности, но мы расскажем о применении его в промышленности. Точнее приведем краткие примеры использования ИИ в АСУ ТП в разрезе предикативной аналитики для дискретных производств и производств непрерывного цикла, где ИИ позволяет предсказывать поведение, если так можно сказать оборудования и техпроцессов на несколько шагов вперед.
В качестве первого примера использования искусственного интеллекта на производстве приведем проект автоматизации технологических линий на заводе «Русский продукт». Предприятие выпускает целую гамму пищевых продуктов, (например, знаменитые овсяные хлопья «Геркулес») и ставило следующие задачи: получать аналитику работы производственной линии в реальном режиме времени, исключить непрогнозируемые остановки и снизить количество брака. Внедренная система автоматизации на базе ПО SuperSCADA позволила, во-первых, объединить исполнительные механизмы, датчики и программируемые логические контроллеры (ПЛК) различных производителей. И во-вторых, что самое главное, позволила получать предиктивную аналитику, в частности сигналы об отклонениях в работе отдельных узлов и агрегатов, и рекомендации по обслуживанию оборудования. В итоге произведенная модернизация снизила влияние человеческого фактора на работу производственной линии в целом.
Предикативная аналитика и виртуальные датчики активно используются и в нефтепереработке при анализе относительно редко обновляемых данных, допустим раз в смену. Такие данные поступают из химических лабораторий и говорят о составе фракций в ректификационной колонне. Однако и такой временной лаг позволяет провести анализ, который помогает определить динамику инерционных процессов как минимум до следующей пробы. В тот момент, когда поступают новые данные – модель корректируется.
Третий пример – использование машинного зрения для отбраковки продукции. На одном из заводов по производству алюминиевых (пивных) банок ИИ помогает по 6-ти точкам мгновенно оценить качество припоя, нанесенного на крышки, а также распознать наличие вмятин на банках. Скорость конвейера, подающего банки как из пулеметной ленты робота с «искусственным глазом» не смущает – он отстреливает брак с поражающей точностью и быстротой.
Четвертый пример – поиск с помощью предикативной аналитики участков трубопроводов системы водоснабжения, на которых происходит несанкционированный отбор воды (попросту говоря кража). ИИ справился с этой задачей, а также помог водоканалу, в нашем случае предприятию «Калугаоблводоканал» избавиться от сверхнормативных технических потерь и перерасхода электричества.
Есть примеры общего вида, когда искусственный интеллект следит за неким KPI (ключевой показатель или показатели). Допустим за показателями работы частотно регулируемого привода (ЧРП). В случае, если произойдет отклонение в параметрах вращения двигателя, ИИ поймет аварийный это режим или нет и изменит алгоритм работы ПЛК. Также компьютерная аналитика сделает прогноз жизни двигателя и при необходимости выдаст сигнал тревоги диспетчеру. Мониторинг ключевых показателей, естественно, может производиться для любого узла или прибора технологической цепочки.
KPI может быть сформулирован не только для работы конкретного агрегата, но и для производства в целом, позволяя придавать ключевое значение таким показателям, как максимальная производительность, безопасность, отказоустойчивость, экономия ресурсов или экологичность. Иначе говоря, ИИ в сочетании с развитым HMI (человеко-машинным интерфейсом) позволяет оператору условно говоря не следить за положением задвижки в системе отопления, а ставить задачи общего виде, например, поддержание температуры в зависимости от запасов топлива и прогноза погоды или увеличение срока службы оборудования за счет работы в щадящем режиме.
Во всех вышеперечисленных примерах программы искусственного интеллекта использовали так называемый цифровой двойник. Это математическая модель какого-либо отдельного узла, цеха, технологической линии или предприятия в целом, которая позволяет просчитать множество вариантов работы системы. Затем ИИ помогает выбрать из них наиболее оптимальные, а также выявить узкие места, с тем, чтобы можно было предупредить возможные остановки или аварии на производстве.
Искусственный интеллект – на вершине иерархии АСУ ТП
Резюме. Искусственный интеллект на основе большого количества заранее собранных данных и, что особо стоит подчеркнуть, постоянно пополняемых в процессе машинного обучения в ходе уже запущенного производства, позволяет:
· Оптимизировать производственный процесс в зависимости от приоритетных задач;
· Изменять алгоритмы ПЛК в случае получения новых вводных или возникновения нештатных ситуаций;
· Следить за качеством продукции и точностью соблюдения техпроцессов;
· Сигнализировать о потенциальных сбоях и необходимости проведения профилактического обслуживания;
· На стадии разработки продукта или производственного процесса выработать наиболее оптимальный сценарий работы системы.
Статья написана людьми, но проиллюстрирована генератором изображений, по запросу: «Искусственный интеллект на производстве».