Подробнее о продукте |
Создание цифрового двойника изделия
Система мониторинга
и диагностики трансформатора
Система мониторинга производственных процессов
Система планирования профилактического обслуживания
Подробнее о технологии |
Синтез нейронной САУ
в модельном окружении
Задача:
Автоматизировать профилактическое обслуживание высокодинамичного дельта-робота, который перемещает пакеты по движущейся конвейерной ленте.
Этапы разработки:
• Моделирование дельта-робота и рабочей среды робота – движущейся конвейерной ленты (с учетом трения, силы тяжести, моментов инерции двигателей и контактных сил, включая контактные силы между упаковками и ремнем)
• Исследование спектра проблем в течение работы робота и сбор данных с помощью цифрового двойника
• Исследование влияния отдельных компонентов среды на высокодинамичного робота
(с помощью возможности визуализировать силы и моменты)
• Обучение и тестирование моделей машинного обучения для оценки состояния дельта-робота
Результат:
Созданное программное обеспечение позволяет прогнозировать сбои в работе и проводить профилактическое обслуживание дельта-робота. Помимо результата, стоит отметить, что проведение аппаратных тестов для диагностики рабочих проблем и сбора данных о возможных проблемах в процессе работы дельта-робота потребовали бы много времени и стоили слишком дорого в отличие от создания цифрового двойника.
Цель:
Созлать алгоритм навигации мобильного робота в помещении.Сложности:
Большая размерность возможных состояний, что затрудняет процесс исследования среды в ходе обучения алгоритма. Так же поскольку симуляции на физическом роботе сложны, необходимо создать алгортим, который не зависит от помещения, для переноса его на реальную машину.
Решение:
Для решения задачи были исследованы различные алгоритмы RL. В результате был выбран подход разделения задач, для достижения свойства независимости алгоритма от карты.
Итоговый алгоритм успешно справляется с поставленной задачей, как в среде симуляции, так и в реальном окружении.
Обнаружение подделки маршрутизатора
по радиочастотным меткам
Задача:
Выдача себя за маршрутизатор – это форма атаки на сеть WLAN, когда вредоносный агент пытается выдать себя за легитимный маршрутизатор и обманом заставить пользователей сети подключиться к нему.Сложность:
Для обнаружения имитатора маршрутизатора необходимо обеспечить процедуру безопасной идентификации. Простые цифровые идентификаторы легко подделать.
Решение:
Для идентификации маршрутизаторов использовались радиочастотные метки радиоканалов. Для классификации радиосвязи по РЧ-меткам на легитимную и вредоносную была разработана и обучена модель свёрточной нейросети. В качестве данных для обучения были сгенерированны сигналы WLAN с учётом возможных РЧ-помех.
Задача:
Решить задачи обнаружения и распознавания цели в рамках интегрированного высокопроизводительного программного решения, которое можно масштабировать для обработки изображений любой размерности.Решение:
Алгоритм детекции и распознавания выполнен с использованием сети типа R-CNN, обнаруживающей координаты потенциально интересных участков на изображении, а также берущей на себя их распознавание.Создание и обучение нейросети нужной архитектуры было выполнено в несколько строк кода при помощи Deep Learning Toolbox. Затем был подключён Parallel Computing Toolbox, который позволил задействовать графические процессоры непосредственно из MATLAB и существенно ускорять обучение.
Цель:
Обнаружение аномалий в параметрах трансформатора, в частности, для диагностики ухудшения изоляции обмоток.Решение:
Создан цифровой двойник трансформатора с помощью которого были получены сигналы в различных состояниях: от переходных (ранняя стадия, когда аномалия начинает возникать) до граничных (близкое к поломке).Задача:
Использовать видео с уже установленных камер видеонаблюдения для распознавания возгорания и тем самым повысить безопасность помещения или территории.Сложности:
Классические методы машинного зрения опираются на ручное определение признаков детектируемого объекта. В случае с возгоранием признаки могут быть самыми разными, а неудачный выбор камеры может сделать их регистрацию невозможной. Нужно решение, которое можно будет автоматически адаптировать, а лучше – переобучать по своему желанию.
Решение:
Обученная модель детектирует пламя областью от 15х30 пикселей (можно конфигурировать), присутствующее в 5 или более последовательных кадрах. К тому же модель устойчива к ряду ложных сигналов.А ещё алгоритм работает с любыми камерами, его производительность (количество обрабатываемых кадров в секунду) зависит от производительности сервера, на котором запущена распознающая модель.
Результат:
Алгоритм можно запускать как на сервере видеоаналитики, так и во встроенном виде, на платформе NVIDIA Jetson, в составе умной камеры. В целом, оптический алгоритм может выявить возгорание гораздо раньше, чем на него отреагируют детекторы на потолке.
Статистический мониторинг работоспособности и профилактическое обслуживание производственных процессов
Цель:
Разработка и развертывание программного обеспечения для мониторинга работоспособности и профилактического обслуживания оборудования для производства пластиковой и тонкопленочной продукции.
Сложности:
Организация доступа к данным с датчиков, установленных на производственных машинах. Анализ Big Data.
Результат:
Определение типа модуляции радиосигнала
Цель:
Тип модуляции неизвестного сигнала можно определить по поведению его огибающей. Однако, производительность и точность определения типа модуляции моделями нейросети выше, чем у классических методов, особенно при низком соотношении сигнал/шум.Сложности:
Для обучения модели нейросети необходима обширная равномерная обучающая выборка, соответствующая реальным входным данным.Решение:
Модель нейросети обучена определять класс модуляции: 8 цифровых и 3 аналоговых типа модуляции. Обучающая выборка была сформирована синтетически сгенерированы сигналы с добавлением искажений. Тестирование проведено на эфирных сигналах с помощью программно-определяемой радиосистемы.
Задача:
Каждое клише имеет индивидуальный номер. Данный номер или его часть наносятся на клише двумя способами:Сложности:
Нанесение неверных клише (гибкие резиновые формы для высокой печати) – критически важная потеря для предприятия, так как данный дефект трудно обнаружить на производстве и бывают случаи отправления этого дефекта заказчику, что сильно бьет по репутации компании.Первый алгоритм, основанный на OCR, работал недостаточно устойчиво на вариативных данных, из-за чего нуждался в частом вмешательстве оператора.
Решение:
Из всех опробованных архитектур разработчики остановились на решении на базе нейросети YOLO2. Для формирования датасета коллектив разметил несколько тысяч изображений с использованием продукта Image Labeler.Результат:
Разработана система видеозахвата и распознавания, работающая на GPU (Parallel Computing Toolbox). Время распознавания достигло 0.05 секунд – качество 97 %.Успешно выполнен проект, воплощающий технологии Индустрии 4.0.
Задача:
Разработать нейросетевой алгоритм распознавания автомобильных номеров для реализации на ПЛИС и GPU.Сложности:
Гетерогенная архитектура GPU + FPGA. «Наследие» в виде сети с точностью 95%.Решение:
Отладка общего алгоритма на модели (локализация и распознавание).Результат:
Достигнута точность распознавания 97% на новой сети.
Детекция искусственных помех в сигнале
импульсно-доплеровского радиолокатора
Цель:
Оценить возможность применения искусственных нейронных сетей (ИНС) в алгоритмах ЦОС для повышения качества работы в условиях искусственных помех:Сложности:
Решение:
Подобрана подходящая архитектура и обучены 2 отдельных ИНС: одна для обнаружения наличия сигнала помехи, другая - сопровождающая полезный сигнал в спектре.Результат:
Продемонстрировано превосходство алгоритма на базе ИНС при оценки наличия помех в сложных условиях работы. В обычных условиях ИНС работает так же точно, как и классический алгоритм, взятый за основу.
Задача:
Разработать систему профилактического обслуживания, чтобы снизить затраты на насосное оборудование и время простоя.Сложности:
Бригады Baker Hughes работают круглосуточно, чтобы вскрыть нефтяные и газовые пласты. На одной скважине одновременно могут работать до 20 грузовиков, в которых объемные насосы закачивают смесь воды и песка под высоким давлением глубоко в пробуренные скважины. Эти насосы и их внутренние детали являются дорогостоящими.Решение:
Результат:
Профилактическое обслуживание машины для производства таблеточных прессов
Цель:
Разработать систему профилактического обслуживания, которая отслеживала бы состояние машины для производства таблеточных прессов.Сложности:
У машины есть важные движущиеся части, которые требуют точной смазки. Слишком мало смазки вызывает стресс и поломку. Слишком много смазки может вызвать утечку в конечный продукт.Решение:
Результат:
Достигнута точность классификации 89% с использованием всего 5 извлеченных характеристик. Оборудование работает без простоев.
Задача:
Исследовать обучение с подкреплением (RL) как способ синтеза сложных систем управления, такими как аккумуляторы электромобилей, двигателей на альтернативном топливе или машин, подключённых к глобальным сетям.Сложности:
Сложно определить критерии оптимальной работы, нужно соблюдать регуляторные, гарантийные и другие ограничения, цикл разработки продукта всё время сжимается.Решение:
Систематическим и масштабируемым методом, позволяющим также снизить время калибровки системы управления, является обучение с подкреплением, но эта технология машинного обучения пока находится в стадии формирования успешных приёмов. Полученная модель скорее всего будет иметь слабо интерпретируемую структуру и не позволит осуществить файнтюнинг.Результат:
Эксперименты с RL определённо продвигают компанию на пути к новым способам автоматизированной разработки сложных систем управления. MATLAB позволяет успешно разработать модель и оптимизировать её гиперпараметры.Технологии применения глубокого обучения с подкреплением при управлении трансмиссией
Цель:
Заменить в цикле управления двигателем модель системы управления и модель рассеивания выхлопных газов на комбинацию контроллера, обученного с подкреплением, и модели внешнего мира.Сложности:
Требования к выбросам двигетелй постоянно растут.Решение:
Для решения проблемы был выбран RL, поскольку он значительно снижает участие человека в параметризации модели.Результат:
Использование инструментов «Reinforcement Learning Toolbox» значительно снизило время разработки – они ощутимо помогли осуществить быстрое прототипирование и синтез агентов, полученных методом обучения с подкреплением. Компания заметила, что проект, который разрабатывался 3-5 лет, можно разработать за 2-3 года.
Результат: Время, необходимое для симуляции 10⁵ комбинаций параметров, было сокращено с 5 часов до 0.01 секунды при соблюдении нормы ошибки суррогатной модели ниже 1%.
Анализ и выбор
гипотезы для
проверки применимости ИИ
Ваши результаты