Мы создаем и наращиваем
ИИ-экспертизу у наших клиентов
ИИ – основа развития промышленности в 21 веке
ИИ-алгоритмы работают лучше классических
Можно извлечь прибыль из данных
Мощное аппаратное обеспечение доступно всем
Национальная стратегия развития ИИ до 2030
Стать ИИ-разработчиком всё проще и проще
Пришло время внедрять ИИ
Мы создаем и наращиваем
ИИ-экспертизу у наших клиентов
ИИ – основа развития промышленности в 21 веке
Пришло время внедрять ИИ
ИИ-алгоритмы работают лучше классических
Можно извлечь прибыль из данных
Мощное аппаратное обеспечение доступно всем
Национальная стратегия развития ИИ до 2030
Стать ИИ-разработчиком всё проще и проще
Мы прикладываем максимальное количество усилий в работе над каждым проектом. Клиенты ценят наши высокие стандарты качества, которые лежат в основе больших совместных достижений.
Принципы
Мы являемся экспертами в проектировании сложных технических систем с использованием модельно-ориентированного подхода.
ЦИТМ Экспонента
В нашем портфеле
множество успешных
проектов, выполненных с ведущими компаниями России.
Инструменты
В своей работе мы используем MATLAB и другие инструменты компании MathWorks – лидера среди поставщиков платформ обработки данных и машинного обучения по версии Gartner 2021.
Инструменты
В своей работе мы используем MATLAB и другие инструменты компании MathWorks – лидера среди поставщиков платформ обработки данных и машинного обучения по версии Gartner 2021.
Принципы
Мы прикладываем максимальное количество усилий в работе над каждым проектом. Клиенты ценят наши высокие стандарты качества, которые лежат в основе больших совместных достижений.
ЦИТМ Экспонента
Мы являемся экспертами в проектировании сложных технических систем с использованием модельно-ориентированного подхода.
В нашем портфеле
множество успешных
проектов, выполненных с ведущими компаниями России.
Мы прикладываем максимальное количество усилий в работе над каждым проектом. Клиенты ценят наши высокие стандарты качества, которые лежат в основе больших совместных достижений.
Принципы
Мы являемся экспертами в проектировании сложных технических систем с использованием модельно-ориентированного подхода.
ЦТИМ Экспонента
В нашем портфеле
множество успешных
проектов, выполненных с ведущими компаниями России.
Инструменты
В своей работе мы используем MATLAB и другие инструменты компании MathWorks – лидера среди поставщиков платформ обработки данных и машинного обучения по версии Gartner 2021.
Применение ИИ в разных сферах
Машинное зрение
ИИ для ЦОС. Локация и радиосистемы
Предсказание отказов
Интеллектуальные САУ
Цифровой двойник дельта-робота
Krones

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.

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.

Обнаружение и распознавание цели по сигналу с фазированной антенной решётки

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.

Распознавание открытого горения на обычном видеоряде

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

Mondi Gronau

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.

Распознание цифрового кода продукции Tetra Pak
Tetra Pak

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.

Автоматизирование процесса распознавания в еврокоде (уникальный рисунок автомобильного стекла)

AGC

Цель:

Автоматизировать процесс распознавания еврокода стекла по фотографии.

Сложности:

Недостаточная база данных. Данные низкого качества. Помехи в виде отражений на стекле.

Решение:

Компания Экспонента помогла заказчику на всех этапах проекта: от помощи в сборе базы данных до реализации нейросетевых алгоритмов на сервере.

Результат:

Достигнута требуемая заказчиком точность 95%.

Алгоритм распознавания автомобильных номеров для реализации на ПЛИС и GPU
Элвис-НеоТек

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.

Повышение качества работы

Факел

Цель:

Оценить возможность применения искусственных нейронных сетей (ИНС) в алгоритмах ЦОС для повышения качества работы в условиях искусственных помех:
  1. Обнаружение сигнала в спектре приемника ИНС.
  2. Замыкание контура сопровождения сигнала по оценке ИНС.
  3. 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.

Разработка программного обеспечения для прогнозирования технического обслуживания оборудования для добычи газа и нефти с использованием анализа данных и машинного обучения
Baker Hughes

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

IMA

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.

Алгоритм управления двигателем ведомого грузовика в автоколонне
Cummins

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

Vitesco

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.

Давайте обсудим ваш проект
Этапы работ
Мы много раз прошли все этапы внедрения ИИ в промышленные задачи наших заказчиков и готовы помочь вам сделать этот процесс простым и безболезненным
1

Анализ и выбор

гипотезы для

проверки применимости ИИ

2
Декомпозиция задач
и формализация ожидаемого
результата
3
Совместная разработка, обучение и консультация в области внедрения алгоритмов ИИ
4
Сопровождение при масштабировании и переносе экспертизы на другие проекты

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
Вы в одном шаге от внедрения ИИ
в ваши проекты