Можно извлечь прибыль из данных
Мощное аппаратное обеспечение доступно всем
Национальная стратегия развития ИИ до 2030
Стать ИИ-разработчиком всё проще и проще
ИИ-экспертизу у наших клиентов
Можно извлечь прибыль из данных
Мощное аппаратное обеспечение доступно всем
Национальная стратегия развития ИИ до 2030
Стать ИИ-разработчиком всё проще и проще
ИИ-экспертизу у наших клиентов
Прогнозирование отказов оборудования обеспечивает бесперебойную работу и снижает эксплуатационные расходы, поскольку техническое обслуживание выполняется только в случае необходимости. Такой эффект достигается за счет непрерывного мониторинга и контроля состояния оборудования, позволяющего обнаружить первые признаки износа и оценить, когда оборудование выйдет из строя или потребует обслуживания. В результате предприятие может заблаговременно предпринять действия для устранения проблемы или минимизации неблагоприятного эффекта.
Аналитика является неотъемлемой частью предиктивного обслуживания. Для эффективного внедрения этой технологии Экспонента предлагает вам протестировать Экспонента.Предиктив
аналитика
промышленного
оборудования
Прогнозирование отказов оборудования обеспечивает бесперебойную работу и снижает эксплуатационные расходы, поскольку техническое обслуживание выполняется только в случае необходимости. Такой эффект достигается за счет непрерывного мониторинга и контроля состояния оборудования, позволяющего обнаружить первые признаки износа и оценить, когда оборудование выйдет из строя или потребует обслуживания. В результате предприятие может заблаговременно предпринять действия для устранения проблемы или минимизации неблагоприятного эффекта.
Аналитика является неотъемлемой частью предиктивного обслуживания. Для эффективного внедрения этой технологии Экспонента предлагает вам протестировать Экспонента.Предиктив
| Подробнее о продукте |
Инженеры Экспоненты предлагают вам задействовать их экспертизу при выполнении проектов с компьютерным зрением, а также провести проектное обучение сотрудников предприятия.
Почитайте о наших проектах, где мы, в ходе решения промышленных задач, создавали и обучали нейросети почти для любых этапов обработки изображений и видео. Если вы решаете задачи детектирования, трекинга, сегментации или трехмерной реконструкции, то вам будет интересно сотрудничество с ЦИТМ Экспонента.
в промышленных задачах
Инженеры Экспоненты предлагают вам задействовать их экспертизу при выполнении проектов с компьютерным зрением, а также провести проектное обучение сотрудников предприятия.
Почитайте о наших проектах, где мы, в ходе решения промышленных задач, создавали и обучали нейросети почти для любых этапов обработки изображений и видео. Если вы решаете задачи детектирования, трекинга, сегментации или трехмерной реконструкции, то вам будет интересно сотрудничество с ЦИТМ Экспонента.
| Подробнее о технологии |
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.
Результат:
Итоговый алгоритм успешно справляется с поставленной задачей, как в среде симуляции, так и в реальном окружении.
интеллект
в промышленности
разработчиков промышленного ии
6 октября 2022 года
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.Сложности:
В этой задаче нужно сперва детектировать объект, потом его распознать. Если пропустить шаг детекции, на результат распознавания будет влиять слишком много факторов.
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.Сложности:
Отсутствие данных для обучения моделей ИИ, невозможность проведения экспериментов из-за их вредоносного влияния на оборудование.
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).Сгенерированный датасет использовался для обучения моделей ИИ и внедрения технологии предиктивной аналитики.
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:
- Обеспечена работа производственных процессов без простоев
- Создано приложение для запроса базы данных и графического представления результатов с оценкой пределов нормального рабочего диапазона
- Создание приложения для операторов с прогнозами потенциальных сбоев на основе ML
- Создание автономного приложения для предприятия
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:• маркером с помощью робота для оператора;
• с помощью лазерной гравировки в район микроточек, используемых для позиционирования.
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).Использование генераторов кода HDL и CUDA.
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:- Обнаружение сигнала в спектре приемника ИНС.
- Замыкание контура сопровождения сигнала по оценке ИНС.
- Обнаружение и селекция полезного сигнала на фоне искусственных помех в спектре приёмника ИНС.
Сложности:
- Проблемы формирования обучающих данных.
- Несбалансированность данных для ИНС: сильно больше данных, где сигнала искусственной помехи нет или наоборот.
- Определение облика обучающих данных
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:
- Сбор данных: С датчиков температуры, давления, вибрации и др. Импорт Big Data в MATLAB.
- Анализ данных: Спектральный и Фурье-анализ, фильтрация двигательных артефактов.
- Глубокое обучение: Обучение нейронной сети прогнозировать отказы насосов по данным с датчиков.
Результат:
- Разработано ПО для мониторинга состояния помпы насоса.
- Прогнозируемая экономия более 10 миллионов долларов.
- Время разработки сокращено в 10 раз и обеспечен легкий доступ к нескольким типам данных.
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:
- Сбор данных с помощью установленных в машине датчиков.
- Анализ данных: разметка данных, извлечение характеристик, выбор значимых характеристик.
- Машинное обучение: обучение моделей ML классификации, выбор модели с максимальной точностью.
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.Использование RL вносит свои трудности, такие как необходимость в достаточно общем окружении для обучения агента верному поведению в непредвиденных ситуациях, а также создание сложной функции вознаграждения.
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.Традиционные RL алгоритмы могут не сходиться на данных реального мира из-за их высокой стохастичности и большой размерности. Нужно использовать глубокое обучение с подкреплением и даже метрику оптимальности системы аппроксимировать при помощи глубокой нейросети.
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.
Сложности: Исходная модель температурного состояния лопатки выполнена средствами метода конечных элементов (FEM/CFD). Одно выполнение этой модели занимает около секунды, но при необходимости регулярно рассчитывать десятки тысяч комбинаций параметров (например, при анализе Монте-Карло) вести инженерное проектирование с такой моделью в контуре становится абсолютно нереалистично.
Решение: Заменить детальную симуляцию на статистическую “суррогатную” модель. Суррогатная модель обучается на сравнительно небольшом наборе результатов симуляции детальной модели, ее качество можно задать наперед, но зато она выполняется на много порядков быстрее.
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
и формализация ожидаемого
результата
Ваши результаты
-
Ясное понимание границ применимости методов ИИ в проектах предприятия -
Четкий план внедрения методов ИИ в подходящих проектах, освоение компетенции ИИ на прикладных задачах -
Освоение предприятием новых технологий разработки -
Новые амбициозные проекты -
Продление ЖЦ изделий за счет расширения потенциала модернизации
в ваши проекты