¬аше окно в мир —јѕ–
 
Ќовости —татьи јвторы —обыти€ ¬акансии Ёнциклопеди€ –екламодател€м
—татьи

23 марта 2020

ѕрименение искусственного интеллекта в промышленности. ѕредпосылки и возможности

ƒарь€ “юльпа, Ђ‘абрика ÷ифровой “рансформацииї, группа  јƒ‘≈ћ

ƒарь€ “юльпа

ќригинал статьи опубликован в журнале Ђ—јѕ– и графикаї є1, 2020.
11 окт€бр€ 2019 года ѕрезидент –оссии ¬ладимир ѕутин подписал указ, утвердивший национальную стратегию развити€ искусственного интеллекта на период до 2030 г. ”каз предписывает ѕравительству обеспечить внесение всех необходимых изменений в национальную программу Ђ÷ифрова€ экономикаї. Ёто подразумевает в том числе разработку и утверждение федерального проекта Ђ»скусственный интеллектї.


≈сли несколько лет назад тема искусственного интеллекта вызывала у промышленных предпри€тий скорее скепсис и недоверие, то по€вление новых требований рынка, рост вли€ни€ правительства и развитие новых технологий в корне изменили ситуацию. ¬опрос в том, что именно можно отнести к области искусственного интеллекта, тем более в промышленности, поскольку тема обширна€, но в то же врем€ неоднозначна€ с точки зрени€ прикладного применени€.

—егодн€ термины Ђцифровизаци€ї, Ђмашинное обучениеї, Ђискусственный интеллектї произнос€тс€ с трибун, активно обсуждаютс€ в —ћ», освещаютс€ на государственных и коммерческих каналах, пропагандируютс€ в массовом сознании. ѕоскольку терминологи€ еще до конца не усто€лась, часто возникают разночтени€, привод€щие к недопониманию различных сторон. „аще всего это касаетс€ словосочетани€ Ђискусственный интеллектї, которое каждым воспринимаетс€ по-своему, даже после попыток воззвать к таким авторитетам, как “ьюринг, ћаккарти или  урцвейл.

»так, может ли машина думать так же, как человек? ѕринимать решени€? —оздавать новые прецеденты? ≈сть ли у машины сознание? » как современный промышленный сектор примен€ет на практике технологии, порожденные четвертой промышленной революцией?

ѕереход от искусственного интеллекта к машинному обучению. ћожет ли машина мыслить, как человек?

ѕо ƒжону ћаккарти (1957 год), искусственный интеллект Ц это Ђсвойство интеллектуальных систем выполн€ть функции (творческие), которые традиционно считаютс€ прерогативой человекаї. јвтоматические рассуждени€ крайне просты дл€ человека, но неверо€тно сложны дл€ машин. —пособность рассуждать в немалой степени €вл€етс€ отличительным признаком людей. —может ли система быстро сориентироватьс€ или же будет выполн€ть задачи по заранее заданному алгоритму?

¬ промышленности всЄ более подвержено определенным стандартам и вполне прозрачной логике. ƒл€ начала нужно понимать, что в большинстве случаев под искусственным интеллектом дискретное и непрерывное производство понимают машинное обучение Ц класс методов дл€ решени€ задач на основании прецедентов и дл€ поиска закономерностей по историческим данным производственных систем. » в современном мире за выработку рекомендаций по оптимальным технологическим режимам и прогнозирование ресурса не должен отвечать человек Ц сторонники цифровизации рекомендуют переложить эти задачи на плечи интеллектуальных систем.

ћашинное обучение в промышленности. —феры применени€

 акие актуальные задачи можно решить на этапах разработки, производства и эксплуатации с помощью машинного обучени€? ¬о-первых, те, с которыми не справл€етс€ человек. Ёто может быть работа в труднодоступных местах, на вредном химическом производстве, в услови€х вечной мерзлоты или повышенной радиации. ¬о-вторых, те, где Ђнатуральный интеллектї применим, но малоэффективен: предсказание критически важных неисправностей, предотвращение внезапного выхода оборудовани€ из стро€, техобслуживание по состо€нию, прогнозирование остаточного ресурса оборудовани€. Ёто, по факту, те области, где человек может выполн€ть работу, но в услови€х огромного количества информации это становитс€ почти невозможным. Ѕолее того, человек не всегда способен грамотно сортировать данные и разрешать противоречи€. ј машина может выполн€ть эти задачи по заранее определенным алгоритмам. ѕолучить необходимый объем данных в промышленности можно только при комплексном подходе: комбинации системной модели на основе физических процессов и алгоритмов машинного обучени€.

–ассмотрим несколько примеров.

»» в промышленности

ѕример поддерживаемого оборудовани€

ƒиагностика оборудовани€ в процессе эксплуатации
ƒл€ отраслей, которые традиционно занимаютс€ эксплуатацией оборудовани€ (мельниц, насосов, электродвигателей, теплообменников), важно иметь посто€нную обратную св€зь от работающего издели€ дл€ оценки поведени€ объекта в режиме реального времени, прогноза возможных нештатных ситуаций, предотвращени€ внезапного выхода оборудовани€ из стро€. ¬ этих случа€х необходим анализ большого объема данных дл€ извлечени€ информации из систематически собираемых сведений. Ќо в промышленности зачастую не хватает полученной информации от реально работающих объектов, поэтому базу данных нужно дополн€ть результатами натурных и виртуальных экспериментов, использу€ технологии инженерного анализа на основе численного моделировани€, провод€ регул€рную калибровку дл€ повышени€ качества прогноза.

¬ результате мы получаем модель на основе исторических данных, дополненных результатами виртуальных экспериментов, чтобы информации было достаточно дл€ качественного обучени€. Ёто помогает объ€снить вы€вленные в ходе анализа тенденции, а также предсказать по€вление новых аспектов и даже провести классификацию или сегментирование данных на основе шаблонов поведени€, вы€вить которые с помощью традиционных Ђчеловеческихї способов практически невозможно. јлгоритмы машинного обучени€ в этом случае могут примен€тьс€ самые разные. Ќапример, в случае технической диагностики оборудовани€, когда достаточно сообщить только состо€ние объекта (исправен/не исправен), можно применить метод обучени€ с учителем (бинарна€ классификаци€: объект исправен/объект неисправен).

»» в промышленности

ѕример алгоритма машинного обучени€:
I Ц вы€вленна€ группа, где объекты неисправны. II Ц группа объектов, в которых не обнаружены неисправности.

ќптимизаци€ режимов работы оборудовани€ и технологических процессов
ќт правильно выбранных режимов эксплуатации издели€ зависит сокращение внеплановых простоев и увеличение срока службы оборудовани€ и, как следствие, повышение качества продукции и снижение издержек предпри€ти€ в целом. ѕомочь оператору может система, котора€ подбирает наиболее оптимальные сценарии технологических процессов и прогнозирует отклонени€ в работе оборудовани€ на основе статистических моделей и инженерного анализа. «десь можно использовать алгоритм машинного обучени€, основанный на построении дерева прин€ти€ решений, где дл€ каждого уровн€ определ€етс€ переменна€, порождающа€ меньше всего энтропии. јлгоритм разворачивает комбинаторное дерево и обходит его в поисках оптимального варианта. Ќа первом этапе создаетс€ дерево, содержащее все возможные планы. ƒалее с помощью интеллектуальных алгоритмов последовательно отсекаютс€ те ветви, которым соответствуют нереальные планы или планы, нарушающие решени€ или ведущие к неоптимальному решению.

“акже дл€ задач оптимизации в промышленности можно применить метод стохастического градиентного спуска SGD (Stochastic Gradient Descent) дл€ минимизации функции, дела€ небольшие шаги в сторону наискорейшего убывани€ функции.

ќбслуживание по состо€нию. ѕредиктивный “ќи–
ѕереход на обслуживание по состо€нию позвол€ет увеличить срок службы оборудовани€ и его межремонтного периода, а также вы€вление дефектов за счет данных, поставл€емых в режиме реального времени. »нформаци€ о текущем состо€нии узлов и агрегатов и прогноз остаточного ресурса позвол€ют сформировать рекомендации по обслуживанию и ремонту оборудовани€, обеспечить своевременную поставку запчастей. ћожно определить заранее, что с агрегатом что-то не так, и прин€ть решение о превентивном техническом обслуживании.

«десь могут в том числе использоватьс€ алгоритмы внутреннего моделировани€: люба€ сложна€ адаптивна€ система способна создавать внутренние модели окружающей среды, позвол€ющие предсказывать будущие событи€ и изменени€ дл€ их успешной адаптации. “акже подойдут агрегированные методы машинного обучени€ дл€ компенсации недостатков одних алгоритмов с помощью других (байесовский классификатор, метод опорных векторов, деревь€ решений).

¬изуальное распознавание дефектов.  омпьютерное зрение
ћашинное зрение Ц это набор технологий, позвол€ющий компьютерам не просто обрабатывать изображени€ как массив данных, а воспринимать их и интерпретировать подобным человеку образом. ¬се попул€рнее оно становитс€ в промышленности, так как подобные методы позвол€ют автоматизировать и существенно улучшить процесс, за которым нужен визуальный контроль.

¬ качестве примера можно привести движущийс€ конвейер с рудой, где необходимо максимально быстро и точно обнаружить визуальные дефекты при контроле качества продукции. ќсновна€ задача состоит в локализации и классификации дефектов с помощью выбранных алгоритмов. ќдин из ключевых методов в данном случае Ч глубокое обучение. ƒл€ тренировки Ђглубокихї сетей необходимы корректно сформированные обучающие выборки достаточно больших размеров, качество которых определ€етс€ полнотой и непротиворечивостью входных данных. ѕри этом обеспечиваетс€ реализаци€ воспроизводимого процесса, позвол€ющего получать устойчивые, пригодные дл€ прин€ти€ решени€ о наличии дефектов выходные данные, на основе общих представлений о качестве продукции.

Ќепрерывное производство
Ќапример, при выплавке стали необходимо накопить историю, чтобы предсказывать выходные характеристики по текущим услови€м плавки. »ли с помощью машинного обучени€ определить первоначальный состав сплава и параметры плавки, чтобы добитьс€ заданного качества. Ёто позволит сократить расходы сырь€, оптимизировать состав элементов, предсказывать качество выходной продукции, оптимально управл€ть процессом выплавки. ѕри этом нужно понимать, что не может быть двух одинаковых плавок стали. «адача машинного обучени€ Ц анализировать огромное количество параметров, чтобы оптимизировать состав и количество входных элементов и параметров эксплуатации дл€ получени€ качества согласно техническим требовани€м. «десь так же, как и в случае визуального распознавани€ дефектов, примен€ютс€ нейронные сети.

ћашине даетс€ достаточно большой набор прецедентов (объектов, ситуаций), с каждым из которых св€заны определенные варианты развити€ событий. ¬ полученной информации машина находит закономерности, благодар€ чему в дальнейшем получает возможность предсказывать последстви€ тех или иных событий, оценивать различные гипотетические сценарии и принимать оптимальные решени€ после анализа альтернативных вариантов.

Ќейронна€ сеть не должна требовать ручного ввода правил Ц после обучени€ она ведет себ€ подобно эксперту в своей предметной области. ¬ то же врем€ интеллектуальным системам необходимы средства контрол€ знаний, которые могут разрешить возможные противоречи€, устран€ть избыточность и обобщать пон€ти€. ƒл€ этого в любом случае понадобитс€ помощь человека.

√ибкое управление энергопотреблением. ѕовышение энергоэффективности
“ехнологии машинного обучени€ позвол€ют снизить врем€ работы оборудовани€ в режиме повышенной интенсивности, уменьшить излишки складских запасов, своевременно прогнозировать износ оборудовани€ и остаточный ресурс, уменьшить количество отходов, а также снизить издержи потреблени€ энергии за счет учета состо€ни€ внешней среды.

¬се чаще дл€ эффективного управлени€ энергопотреблением примен€ютс€ м€гкие вычислени€ Ц это совокупность средств и методов, которые позвол€ют решать задачи высокой сложности путем обработки неполной и неточной информации: эволюционные алгоритмы, самоорганизующиес€ растущие нейронные сети, нечетка€ логика. Ёто те задачи, дл€ которой эксперты не смогли найти оптимального решени€. ћ€гкие вычислени€ позвол€ют быстро найти неоптимальное, но достаточно хорошее решение задач такого типа.

÷ифровые двойники оборудовани€ и процессов

»так, промышленное производство и эксплуатаци€ порождают большое количество переменных, поэтому становитс€ пон€тной огромна€ потребность в интеллектуальной системе, способной принимать решени€ с учетом всех перечисленных факторов и на основе нечетких параметров.

Ёксперты Ђ‘абрики ÷ифровой “рансформацииї уверены, что дл€ создани€ цифровых двойников стоит объединить такие технологии, как системное моделирование на основе физических процессов и машинное обучение. ÷ифровой двойник Ц это комплексна€ динамическа€ модель, котора€ в реальном времени и с высокой точностью воспроизводит состо€ние и параметры работы оборудовани€ и технологического процесса при существующих услови€х.

»» в промышленности

÷ифровой двойник Ц аналитический комплекс нового поколени€

Ѕольшинство компаний, примен€вших машинное обучение дл€ решени€ производственных задач, столкнулись с нехваткой данных. ѕоэтому по€вилась остра€ необходимость дополнить информацию результатами реальных или виртуальных экспериментов, использу€ технологии инженерного анализа на основе моделировани€ физических процессов. ѕри этом модель должна соответствовать реальным услови€м эксплуатации и посто€нно пополн€тьс€ знани€ми о работающем объекте. ¬ажно добитьс€ высокого качества прогноза дл€ прин€ти€ правильного решени€. „тобы обеспечить соответствие цифрового двойника реальному оборудованию, производитс€ периодическа€ калибровка.

ѕоскольку невозможно сразу вы€вить все неисправности на работающей модели, важно корректно смоделировать услови€ Ђчто-еслиї дл€ предсказани€ и вы€влени€ наиболее критичных моментов с точки зрени€ безопасности и бизнеса. —истема ориентирована на большое количество оценок, но необходимо выбрать наилучшую. — другой стороны, человек не может использовать сразу всю информацию о работающем изделии Ц она должна систематизироватьс€ и фильтроватьс€. ÷ифровой двойник предлагает систему поддержки прин€ти€ решений и выработки рекомендаций операторам с применением алгоритмов машинного обучени€ на основе как исторических, так и смоделированных данных.

—пециалисты Ђ‘абрики ÷ифровой “рансформацииї считают, что фактором успеха в данном случае €вл€етс€ комбинированный подход к решению производственных задач с применением современных технологий и методик внедрени€ на основе глубокой отраслевой экспертизы.

»» в промышленности

‘ункциональные возможности интерфейса оператора

ѕереход в монетизацию. —в€той √рааль дл€ промышленности?

јвторы Ђ—тратегии развити€ искусственного интеллекта в –оссииї считают, что с 2014 г. по 2017 г. инвестиции в технологии на базе искусственного интеллекта показали трехкратный рост и достигли объема $40 млрд. ѕо итогам 2018 г. глобальный рынок решений на основе искусственного интеллекта составил $21,5 млрд, а к 2024 г. прогнозируетс€ его рост до $140 млрд. ¬ св€зи с ускорением внедрени€ решений на базе искусственного интеллекта рост мировой экономики в 2024 г. составит не менее $1 трлн.

—огласно стратегии, Ђс помощью технологий искусственного интеллекта в –оссии будет повышатьс€ эффективность планировани€, прогнозировани€ и прин€ти€ управленческих решений. —юда относитс€ в том числе прогнозирование отказов оборудовани€ и его превентивное техническое обслуживание, оптимизаци€ планировани€ поставок, производственных процессов и прин€тие финансовых решенийї.

Ќеобходимо прежде всего понимать, что российский промышленный сектор может использовать искусственный интеллект, машинное обучение, цифровых двойников, чтобы решать как пр€мые, так и косвенные задачи. ƒл€ начала важно уточнить, чего хот€т добитьс€ представители производства и эксплуатации в научно-техническом, финансовом, стратегическом и имиджевом направлени€х. —ейчас, через год, через п€ть лет?

—огласно недавнему исследованию CNews, если 3-5 лет назад аналитику использовали дл€ того, чтобы получать Ђкрасивыеї цифры и графики в отчетах, то сейчас владельцы данных хот€т их монетизировать. Ѕольшинство руководителей до сих пор задаютс€ вопросом: можно ли довер€ть данным и принимать решени€ на их основе? ѕри этом большинство представителей промышленного сектора понимают, что неоправданное удорожание оборудовани€ и Ђфизическихї испытаний экономически неэффективно, а цифровые двойники как раз решают вопрос использовани€ исторических и прогнозируемых данных дл€ повышени€ бизнес-показателей.

— одной стороны, сложность процесса без искусственного интеллекта и машинного обучени€ должна быть доказана. ƒа, цена ошибки дл€ промышленности в разы выше, чем в ритейле или телекоме. — другой стороны, обратного пути уже нет.  омпании вкладывают огромные средства в цифровизацию, не всегда добива€сь желаемого результата. ѕри этом впереди окажетс€ тот, кто правильно расставит приоритеты: мы примен€ем современные технологии только дл€ получени€ финансовой выгоды или же речь идет об имидже или научно-техническом прогрессе отдельной компании или целой отрасли.

Ћюбое современное предпри€тие вырабатывает все больше и больше данных, причем большинство из них имеет отличные от других критерии хранени€ и фильтрации. „еловек уже не справл€етс€; более того, есть моменты, которые не сможет предсказать даже опытный специалист, при этом именно критические ошибки в Ђузких местахї обход€тс€ наиболее дорого. Ќо мы в любом случае должны помнить о том, что издержки от смены бизнес-процесса не должны превышать предполагаемый экономический эффект.

«аключение

“ест “ьюринга пока не пройден. —верхразум, способный обучатьс€ как человек, приобретать новые знани€ и решать не встречавшиес€ ранее задачи, который не уступал бы по интеллекту большинству людей, а во многих вещах даже превосходил бы его, еще не создан. Ќо уже сейчас технологии четвертой промышленной революции предлагают современным предпри€ти€м сосредоточитьс€ на комплексном подходе.

ѕрименение статистических методов в производстве и на этапе эксплуатации Ц это тупикова€ ветка развити€. —имбиоз алгоритмов машинного обучени€ и численного моделировани€ Ц это полностью обусловленное решение. ƒа, есть риски, но их можно нивелировать с помощью сильной отраслевой экспертизы и лучших в классе технологий. —истема только вырабатывает рекомендации Ц прин€тие решени€ все равно остаетс€ за человеком. ¬озможно, в очень скором времени искусственный интеллект сможет решать новые творческие задачи, но сегодн€ технологический тандем человека и машины выгл€дит наиболее реалистично.



¬акансии:

јктуальное обсуждение

RSS-лента комментариев

-->

ƒавид Ћевин
ƒавид Ћевин
ќт редактора: ”даленка мобилизует работающих в информационных технологи€х
ѕроект ЂЌародное —јѕ–-интервьюї

—лучайна€ стать€:

isicad Top 10

—амые попул€рные материалы

   ‘орумы isicad:

isicad-2010 isicad-2008
isicad-2006 isicad-2004

ќ проекте

ѕриглашаем публиковать на сайте isicad.ru новости и пресс-релизы о новых решени€х и продуктах, о проводимых меропри€ти€х и другую информацию. јдрес дл€ корреспонденции - info@isicad.ru

ѕроект isicad нацелен на

  • укрепление контактов между разработчиками, поставщиками и потребител€ми промышленных решений в област€х PLM и ERP...
ѕодробнее

»нформаци€ дл€ рекламодателей


¬се права защищены. © 2004-2020 √руппа компаний «Ћ≈ƒј—»

ѕерепечатка материалов сайта допускаетс€ с согласи€ редакции, ссылка на isicad.ru об€зательна.
¬ы можете обратитьс€ к нам по адресу info@isicad.ru.