Искусственный интеллект будет предсказывать поломки на химических производствах

Команда ученых из России создала новый метод автоматического обнаружения и диагностики неисправностей для мониторинга промышленных химических процессов.

Современные промышленные предприятия генерируют большие объемы данных различных датчиков. Эти данные могут использоваться для мониторинга и управления процессами производства с помощью искусственного интеллекта. Их анализируют для обнаружения и прогнозирования отклонений в технологической цепочке, стабильность которой обычно поддерживается с помощью систем управления с обратной связью. Такие системы могут автоматически вносить небольшие корректировки в параметры управления работой, чтобы поддерживать переменные химических процессов в желаемом производственном диапазоне, например, настраивать температуру реактора, скорость потока вещества или уровень давления в трубах. Однако датчики оборудования собирают только необработанные данные, и эффективно использовать полученную информацию в прогнозном моделировании можно только после специальной обработки. Знакомые с устройством конкретного завода профильные эксперты «размечают» данные, расставляя в них специальные метки, которые позволят нейронной сети воспринимать полученную информацию и «калибровать вычисления». Именно на этом этапе цифровизация производства сталкивается с проблемой масштабов: ручная разметка настолько объемных данных, которые позволили бы охватить весь промышленный процесс уже действующего предприятия, практически невозможна: придется либо полностью останавливать производство и терять деньги из-за простоя, либо ограничиваться частью производственных процессов.

Для решения этой проблемы научная группа «ИИ в промышленности» Института искусственного интеллекта AIRI разработала SensorSCAN — новый метод автоматического обнаружения и диагностики неисправностей, предназначенный для мониторинга промышленных химических процессов, и обучила на его основе модель предсказания поломок на химических производствах.

Эффективность модели была проверена с помощью самого известного бенчмарка для индустриальных предсказательных моделей — Теннесси-Истманского процесса (Tennessee Eastman Process, ТЕР). Ученые протестировали модель на двух наборах данных. Результаты тестирования показывают, что созданный метод значительно превосходит существующие подходы и эффективно обнаруживает большинство технологических ошибок без привлечения к работе экспертов. Например, на одном из датасетов модель обнаруживает 17 ошибок из 20, в то время как метод, считавшийся ранее самым точным, при аналогичной проверке корректно срабатывает лишь 8 раз из 20. Кроме того, было выявлено, что обученные с помощью нового метода ИИ модели показывают схожие с эталонными результаты даже при уменьшении обучающей выборки. Модель способна работать в ситуациях, когда количество ошибок неизвестно заранее, что характерно для реальных производств.

«В основе нашего метода лежит объединение “обучения без учителя”, которое позволяет нейронной сети самостоятельно выяснить, что имеет значение для решения поставленной перед системой задачи, и глубокой кластеризации. Благодаря этому наша модель способна успешно обнаруживать неисправности, которые остаются незамеченными при использовании существующих аналогов»,— отметил Максим Голядкин, сотрудник AIRI.

Статья о методе была опубликована в одном из наиболее высоко цитируемых в предметной области журналов Artificial Intelligence (Elsevier, Q1). В скором времени описание модели будет выложено в открытый доступ. Исследователи также заявляют о готовности сотрудничать с представителями химической отрасли для консультации по вопросам внедрения разработки в деятельность российских заводов.
Часть работы над проектом в рамках исследования была поддержана Российским научным фондом по гранту 22-11-00323 и выполнена в Национальном исследовательском университете «Высшая школа экономики».

Подготовлено при поддержке Института искусственного интеллекта AIRI.