Сервис (https://whiteswan.finance/) для персонального финансового планирования и робоэвайзинга. Возможности по учету активов и обязательств, контролю доходов и расходов, построению финансового плана c целями и автоматическому составлению инвестиционных портфелей для реализации этих целей с помощью робоэдвайзинга.
Разрабатываемая технология направлена на объединение полученных
статистических данных с систем SCADA, IIot и КИП и выходных коэффициентов
полученных от построения цифровой физической модели. Все полученные
данные с генерируемых цифровых физических моделей и техникоэксплуатационные данные используются в машинном обучении для получения
положительной динамики в оценке долговечности и оценке остаточного ресурса
оборудования; проработки алгоритмов с учетом входных и выходных
параметров для анализа текущего состояния оборудования и выполнения
прогнозирования по возможным поломкам и дефектам как отдельных углов и
агрегатов так и отказа оборудования в целом; на основе проработанных условий,
выявления достаточно верных входных коэффициентов для построения
алгоритмов по анализу состояний и рекомендационных данных полученных от
эксплуатационного персонала, система выполняет оценку состоянию,
необходимость в плановой или экстренной остановке оборудования и
прогнозирование по планированию технического обслуживания и ремонта
оборудования.
Разрабатываемый продукт направлен на решение следующих задач:
• диагностирование дефектов и поломок оборудования
• определение неэффективного производственного режима
• грамотное и своевременное планирование ремонта и замены оборудования
• предотвращение остановок в работе агрегатов заранее и переход на ремонт
по состоянию
• оценка технического состояния оборудования в реальном времени
• выявление причины поломки оборудования
• получение оповещения о приближающихся сбоях и отказах
• оцифровка знаний инженеров и экспертов
Базовый функционал отдельных модулей.
• Модуль по сбору статистических данных и данных с систем SCADA, IIot
и КИП
• Модуль построения цифровой физико-химической модели и процессов
• Модуль по применению машинного обучения, построенного на основе
полученных данных с генерируемых цифровых физико-химических
моделей и технико-эксплуатационных данных
• Модуль сравнительного анализа неисправностей в режиме реального
времени
• Модуль предоставления рекомендаций по оптимизации технологических
режимов
• Модуль прогнозирования, связанный с дефектами и поломками
технологического оборудования
• Модуль предоставления рекомендаций по проведению технического
обслуживания и ремонта
Циклы внедрение и функционирования.
Этапы внедрения продукта
На первом этапе внедрения предлагаемого продукта проводится «постановка
формулировок и определение задач» (предпроектный анализ).
Определяются цели и задачи проекта совместно с заказчиком, выявляем
проблемные стороны производства, разрабатывается техническое задание.
На втором этапе происходит «сбор данных»
Собирается информация о структуре производства, данные с датчиков
оборудования, время и причины дефектов и отказов, информация о техническом
обслуживании и проводимых ремонтных работах.
На третьем этапе проводится «обработка и анализ качества данных»
Подготавливаются совместно с инженерами технологами все полученные
данные, включая статистические, исторические данные по технологическому
оборудованию и ТОиР к анализу и интерпретации.
На четвертом этапе происходит «Построение физико-химической модели и
интерпретация результатов»
Строятся цифровые физико-химические модели оборудования, выявляются
скрытые зависимости и показатели значение которых далеки от нормы.
На пятом этапе происходит «Настройка программного обеспечения и
поддержка системного продукта».
Создается интерфейс/WEB интерфейс по требованию заказчика и проводится
интеграция в IT инфраструктуру производства.
Дополнительные этапы на случай отсутствия подключения к системам
IIoT/SCADA
Создается пилотный проект. Происходит подключение разрабатываемого
продукта к системам IIoT/SCADA.
Методы и способы решения поставленных задач для получения ожидаемых
характеристик.
При выполнении анализа состояния основного технологического оборудования
на разных стадиях планирования используется ряд методов. Система
управления и планирования ремонта и технического обслуживания химического
оборудования должна включать допустимый диапазон затрат на техническое
обслуживание и ремонты оборудования, ограниченный лимитами ресурсов,
заложенных в бюджете предприятия на эти цели, а также комплекс техникоэкономических показателей, позволяющий оценить текущее состояние
оборудования и выявить необходимость проведения его технического
обслуживания или ремонта.
В комплекс технико-экономических показателей входят:
− показатели состояния оборудования: температура деталей и узлов
(норма и факт); дефекты (наименование дефекта и его уровень); степень износа;
длительность межремонтного периода; коэффициенты интенсивного,
экстенсивного и интегрального использования оборудования;
− срок использования оборудования (нормативный, оптимальный и
фактический);
− амортизационные отчисления (ежегодные и накопленные за
фактический срок использования);
− затраты на ТОиР (верхний и нижний пределы затрат на ремонт и
межремонтное обслуживание, определяемые на основе ранжирования работ по
ТОиР; ежегодные фактические и накопленные затраты на ТОиР оборудования).
− суммарные затраты на воспроизводство оборудования
(амортизационные отчисления и
затраты на ТОиР).
Функционирование технологии
Базовый функционал разрабатываемой технологии
• Сбор статистических данных и данных с систем SCADA, IIot и КИП
• Построение цифровой физической модели и процессов
• Применяется машинное обучение, построенное на основе полученных данных
с генерируемых цифровых физических моделей и технико-эксплуатационных
данных
• На основе полученных данных происходит построение анализа неисправностей
в режиме реального времени
• Предоставление рекомендации по оптимизации технологических режимов
• Выполнение прогнозов, связанных с дефектами и поломками технологического
оборудования
• Предоставление рекомендации по проведению технического обслуживания и
ремонта
Сбор статистических данных о работе оборудования и данных с систем
IIoT/SCADA и КИПиА является первоначальным этапом функционирование
данной технологии. Число измеряемых или контролируемых технологических
переменных зависит от условной информационной мощности. Средняя
информационная мощность имеющая индекс 3 может работать с набором
переменных от 161 до 650, а большая информационная мощность с индексом 5
работает с диапазоном переменных от 2500 и не имеет ограничения В систему
вносится информация о предыдущих поломках, неисправностей, ошибках или
отказах, а также информация об плановых или экстренных остановках
производства и последующем техническом обслуживании и ремонте
технологического оборудования. Строится хронология состояния оборудования
от первого запуска до текущего момента и хронология проводимых ТОиР. После
первичного анализа статистических данных, полученных с систем IIoT/SCADA
и КИП, происходит выборка необходимых вводных и сравнительных
коэффициентов для построения физической модели технологического
оборудования. На основе полученных статистических данных и параметров
внешних факторов строится первая часть физической модели как отдельных
важных технологических узлов агрегата, так и всего оборудования в целом со
всеми сопутствующими процессами. В процессе создания первой части
физической модели определяются наиболее уязвимые места агрегата в которых
существует высокая вероятность износа или поломки. Из полученных данных
проводится сверка с запланированным техническим обслуживанием и ремонтом.
В случае если полученный анализ подтвердил возможность появления поломки
или скорейшего износа и данной информации о состоянии оборудования нет в
запланированных ТОиР, то система оповещает об этом в ближайших отчетах и
вносит соответствующую информацию в систему АСУиТП. Помимо контроля
данных с КИП для построения второй части физической модели, необходимо
провести анализ на соответствие технологических режимов, поступающего
сырья и качества продукции. Определяются входные параметры, свойства и
химический состав сырья, используемого в технологическом процессе на
моделируемом агрегате. На основе полученных данных строится эталонная
модель получаемой продукции", выполненной на моделируемом агрегате. Из
полученной модели выявляют ключевые параметры, свойства и химический
состав. В совокупности, все полученные данные о входном сырье и итоговой
готовой продукции лежат в основе построения второй части физической модели
технологического оборудования. Имея все необходимые данные, система
выявляет ошибочные или аномальные состояния в работе технологического
оборудования, действующие неполадки или дефекты за указанный период
времени, вплоть до текущего момента и прогнозирует возможные неполадки и
дефекты, которые появятся в следующий эксплуатационный срок работы
оборудования.
Методология построения мониторинга и анализа технического состояния
оборудования с построением физической модели строится из следующих
ключевых параметров: сбор данных, анализ и обработка
потоковых данных, подключение промышленного оборудования, предиктивная
диагностика данных, построение физических моделей на основе полученных
данных.
Сбор данных осуществляется по средству передачи информации с датчиков
(КИП), с интегрированных систем по контролю ТОиР ERP, MES, TORO и
внешних факторов. Данные
передаются по стандартным протоколам HART на сервер в специальное
зарезервированное хранилище в режиме реального времени.
Обработка и анализ потоковых данных происходит с помощью подсистемы
мониторинга состояния, которая включает библиотеки и инструменты анализа
сигналов. Обработка данных в режиме реального времени считается обработкой
непривязанного потока входных данных с минимальным временем задержки —
несколько миллисекунд или секунд. Эти входящие данные обычно поступают в
неструктурированном или полуструктурированном формате JSON.
Архитектура обработки в режиме реального времени состоит из нескольких
логических компонентов. Прием сообщений в режиме реального времени
основывается на специальной архитектуре, которая включает средства сбора и
сохранения сообщений в режиме реального времени, доступные для объектаполучателя, обрабатывающего поток. В случаях малого производства, роль
такой службы выполняет обычное хранилище данных, в одной из папок которого
размещаются новые сообщения. Но для больших предприятий используется
специализированные брокеры обмена сообщениями, которые выполняют роль
буфера для входящих сообщений. Брокер обмена сообщениями поддерживают
масштабируемую обработку и надежную доставку. Сохранив сообщения,
поступающие в режиме реального времени, система выполняет для них
фильтрацию, статистическую обработку и другие процессы подготовки данных
к анализу. Хранилище аналитических данных спроектированы так, чтобы
подготавливать данные к анализу и предоставлять их в структурированном
формате для запросов через средства аналитики. Обработанные данные
сохраняются в хранилище аналитических данных, которое оптимизировано для
анализа и визуализации. Обработанные данные принимаются на слоях
аналитической обработки и отчетности для анализа, бизнес-аналитики и
визуализации на панелях мониторинга в режиме реального времени.
Если предприятию необходимо подключить нестандартное оборудование,
устройство или систему, то может быть использована готовая библиотека Lib,
которая позволяет встраивать программные модули передачи данных в систему
практически в любое оборудование, оснащенное микропроцессором и
аппаратным интерфейсом сопряжения. Разработанная на стандартном языке
программирования ANSI C, библиотека Lib не требует значительных
аппаратных ресурсов и может быть интегрирована в любую операционную
систему.
Дополнительно для расширения числа протоколов и устройств, подключаемых к
системе, используются специальные интерфейсы, которые поддерживают
большое число сторонних программных/аппаратных агентов и спецификаций
передачи данных, например MQTT, SmartRest,Modbus RTU, Modbus TCP, CANbus, MMC, SPI, I2C, McASP.
Уникальность разрабатываемой системе заключается в запросе с отдельных
серверов данных о параметрах работы технологического оборудования.
Запрашиваются данные о типе марке оборудования, маркировка установленных
рабочих узлов и расходных деталей, расходе ресурс часов, ключевые параметры,
влияющие на технологический процесс, исторические данные о предыдущих
режимах работы и текущих показания полученных с КИП в режиме реального
времени. На основе полученных данных система строит физическую модель
(цифровой двойник) технологического оборудования. В систему загружается
проработанная 3D модель оборудования со всеми необходимыми свойствами,
как работы, так и материала.
Построенная цифровая модель позволяет смоделировать работу оборудования в
соответствии с технологическом процессом и получить цифровой вид продукции
для последующего анализа.
Система позволяет в режиме реального времени вносить корректировки в работу
«Цифрового двойника», что позволяет оперативно влиять как на данные
цифровой продукции, так и на сам технологический процесс в целом. После
получение единой цифровой концепции «оборудование-продукт», система
направляет отчет с рекомендациями оператору для анализа и утверждения
полученных корректировок. На основе полученных данных система создает
горизонт событий ведущих к анализу и прогнозированию технического
состояния оборудования.
Имея актуальные данные о состоянии оборудования, система анализирует ресурс
работы и сравнивает с заданными параметрами. В качестве протокола приемапередачи данных в рамках сети IIoT используется стандартный протокол TCP/IP,
а также текстовый формат обмена данными JSON (JavaScript Object Notation).
Для предварительной обработки сигналов с датчиков, установленных на
оборудовании, применялись аналоговые и цифровые фильтры.
Интеллектуальная система обладает всеми необходимыми инструментами для
построения систем предиктивной диагностики ремонтов и выявления дефектов
технологического оборудования. В систему по предиктивные диагностики
входит набор алгоритмов и библиотек для создания предсказательных моделей с
помощью методов глубокого машинного обучения, нейронных сетей и на основе
физических и математических моделей. Готовые аналитические модули быстро
сконфигурированы и подключены к источникам промышленных данных,
отображающим работу промышленных систем. C помощью специального
модуля входящего в систему, пользователи создают и адаптируют загружаемые
физические модели технологического оборудования, сохраняя их затем в
специально отведенное хранилище на выделенном сервере. Каждый экземпляр
модели обучается на серии реальных данных, собранных в блоке хранения
данных, а результат анализа визуализируется. Модели создаются с
использованием известных алгоритмов и наборов библиотек, таких как
TensorFlow, Spark, NumPy, Scikitlearn, Keras, SciPy, Matplotlib, Pandas, а также
библиотек распределенных вычислений
Главной особенностью интеллектуальной системы, является применение физико-химического моделирования. Для правильного
выстраивания процесса управления работы агрегата необходимо использовать
построенные модели машинного обучения в совокупности с физикохимическими моделями. Основываясь на потребностях и запросе заказчика,
формируется основная гипотеза о возможности решения проблемы
средствами искусственного интеллекта. Для этого изучаются принципиальные
схемы технологического процесса и технологические инструкции.
Для начала функционирования системы необходимо провести сбор
данных с контрольно-измерительных прибор и средств автоматики, датчиков
внутренних и внешних факторов, влияющих на технологический процесс.
Определить качественные и количественные параметры сырья участвующего
в процессе изготовления продукции. На основе полученных данных провести
анализ на влияние главных и побочных параметров, влияющих на
технологический процесс. После проведенного анализа определить ключевые
параметры как статистические данные, используемые в работе
технологического процесса.
Основываясь на полученных результатах начать повторный сбор данных
в режиме реального времени и внедрить этот процесс в имеющуюся
автоматизированную систему на производстве. Следующим этапом работы
системы является использование полученных данных для построения физикохимической модели технологического процесса, протекающего на всех этапахпроизводства продукции. Идентифицированные параметры, оказывающие
основное влияние на технологический процесс, такие как: параметры сырья,
химический состав сырья, коэффициенты освоения, температурный и
временные режимы и т.д. лежат в основе построения физико-химической
модели технологического процесса.
Физико-химическая модель нацелена на выполнение следующих функций:
• расчет коэффициентов усвоения химических элементов. Для их
определения необходимо построить модель машинного обучения, которая по
набору исторических данных и данных, загружаемых в режиме реального
времени, вычисляла актуальные коэффициенты усвоения легирующих
элементов для текущего технологического режима.
• расчет оптимального набора и массы присадочных материалов,
необходимых для технологического процесса. Оптимизационная модель,
обеспечивающая подбор оптимальной смеси присадочных материалов,
обладающей минимальной стоимостью, при заданных ограничениях в виде
целевого химического состава и стоимости материалов.
• прогнозирование химического состава. Модель, проводящая расчет с
учетом рассчитанных коэффициентов усвоения, текущего состава материала и
рассчитанных масс присадочных материалов для прогнозирования состава
полученной продукции в случае исполнения рекомендации.
• восстановление пропущенных данных. Для обеспечения устойчивой
работы модели необходимо обеспечить поступление всех критически важных
данных. По причине сбоя датчиков, сбоя оборудования, ошибок или задержек
в работе программного обеспечения, установленного на производстве, данные
могут поступать не в полном объеме, иметь пропуски и искажения. Для
решения данной необходимо использование разрабатываемой модели
машинного обучения, которая по набору исторических и загружаемых в
режиме реального времени данных восстанавливала пропущенные данные.
Имея все полученные данные системы приступает к заключительному
этапу работы по выдаче рекомендаций и прогнозированию оптимизационных
параметров технологического процесса и химического состава поступающего
сырья, и готовой продукции.
Методы и способы решения поставленных задач для получения
ожидаемых характеристик.
В основе функционирования ВА, как элемента системы мониторинга ТП,
лежит математическая модель, отражающая взаимосвязь входных и выходных
параметров ТП. В качестве исходной структуры для анализа ТП используется
традиционная кибернетическая модель “черного ящика”.
Предлагаемое решение – это low-code платформа, использующая
технологию AutoML для создания моделей предиктивной и прескриптивной
аналитики. AutoML позволяет автоматически находить оптимальную
архитектуру и гиперпараметры используемых в рамках построения прогнозов
моделей машинного обучения. Таким образом, использование платформы не
требует владения навыками программирования или понимания технологий
машинного обучения: для настройки платформы необходимо только составить
карту производственного процесса и связать параметры «виртуального»
оборудования с эксплуатационными данными (если они имеются).
Схема использования платформы:
1. Построение виртуального парка оборудования
Загрузка в платформу инженерных моделей используемого
оборудования, а также их связь между собой и проверка сборки динамической
модели всей производственной цепочки. Формируется виртуальная карта
парка оборудования, позволяющая прослеживать взаимосвязи оборудования
между
собой и таким образом учитывать физику всего производственного процесса.
*При развитии платформы предлагается сразу использовать
предварительно настроенные модели известного и часто используемого
оборудования.
2. Интеграция с базой эксплуатационных данных и построение гибридных
моделей
На данном этапе производится привязка развернутой на производстве
системы сбора эксплуатационных данных (IIoT/ SCADA) к платформе.
Сценарии интеграции являются индивидуальными и на первых этапах
развития платформы будут настраиваться под конкретного клиента.
Цель - установление связи между «виртуальным» оборудованием, его
моделью и поступающими с него эксплуатационными данными (если таковые
имеются). Цифровые модели интегрируются с эксплуатационными данными,
c применением методов машинного обучения строятся гибридные модели,
позволяющие выполнять классификацию неисправностей и предсказывать
развитие временных рядов по показаниям датчиков.
3. Моделирование эксплуатационного сценария
Для построения точного прогноза состояния парка оборудования
необходимо также учитывать условия на производстве (например,
температуру окружающей среды, давление и температуры на входе в
агрегаты). Пользователем выбирается желаемый/ожидаемый
эксплуатационный сценарий* (в каких режимах предполагается эксплуатация
оборудования, насколько интенсивной будет загрузка производства).
*Если предполагается расширение производство новым оборудованием,
также предусматривается возможность добавить его в сценарий. Данная
опция становится возможной благодаря использованию цифровых моделей
оборудования даже в условии отсутствия эксплуатационных данных. Таким
образом, платформа предоставляет не только предиктивный анализ
стабильного производства, но и анализ целесообразности возможных
изменений.
4. Представление результатов моделирования
Главной особенностью интеллектуальной системы, является применение
физико-химического моделирования. Для правильного выстраивания
процесса управления работы агрегата необходимо использовать построенные
модели машинного обучения в совокупности с физико-химическими
моделями. Основываясь на потребностях и запросе заказчика, формируется
основная гипотеза о возможности решения проблемы средствами
искусственного интеллекта. Для этого изучаются принципиальные схемы
технологического процесса и технологические инструкции.
Для начала функционирования системы необходимо провести сбор
данных с контрольно-измерительных прибор и средств автоматики, датчиков
внутренних и внешних факторов, влияющих на технологический процесс.
Определить качественные и количественные параметры сырья участвующего
в процессе изготовления продукции. На основе полученных данных провести
анализ на влияние главных и побочных параметров, влияющих на
технологический процесс. После проведенного анализа определить ключевые
параметры как статистические данные, используемые в работе
технологического процесса.
Основываясь на полученных результатах начать повторный сбор данных
в режиме реального времени и внедрить этот процесс в имеющуюся
автоматизированную систему на производстве. Следующим этапом работы
системы является использование полученных данных для построения физикохимической модели технологического процесса, протекающего на всех этапах
производства продукции. Идентифицированные параметры оказывающие
основное влияние на технологический процесс, такие как: параметры сырья,
химический состав сырья, коэффициенты освоения, температурный и
временные режимы и т.д. лежат в основе построения физико-химической
модели технологического процесса.
Физико-химическая модель нацелена на выполнение следующих функций:
• расчет коэффициентов усвоения химических элементов. Для их
определения необходимо построить модель машинного обучения, которая по
набору исторических данных и данных, загружаемых в режиме реального
времени, вычисляла актуальные коэффициенты усвоения легирующих
элементов для текущего технологического режима.
• расчет оптимального набора и массы присадочных материалов,
необходимых для технологического процесса. Оптимизационная модель,
обеспечивающая подбор оптимальной смеси присадочных материалов,
обладающей минимальной стоимостью, при заданных ограничениях в виде
целевого химического состава и стоимости материалов.
• прогнозирование химического состава. Модель, проводящая расчет с
учетом рассчитанных коэффициентов усвоения, текущего состава материала и
рассчитанных масс присадочных материалов для прогнозирования состава
полученной продукции в случае исполнения рекомендации.
• восстановление пропущенных данных. Для обеспечения устойчивой
работы модели необходимо обеспечить поступление всех критически важных
данных. По причине сбоя датчиков, сбоя оборудования, ошибок или задержек
в работе программного обеспечения, установленного на производстве, данные
могут поступать не в полном объеме, иметь пропуски и искажения. Для
решения данной необходимо использование разрабатываемой модели
машинного обучения, которая по набору исторических и загружаемых в
режиме реального времени данных восстанавливала пропущенные данные.
*На данном этапе развития платформы возможности интеграции с ERPсистемами компании также подбираются индивидуально с учетом
возможностей и бизнес-модели производства клиента.
5. Получение рекомендаций
Глубокий анализ эксплуатационных данных, физики производственных
процессов и возможность привязки основных производственных показателей
к экономическим позволяют как комплексно оценивать эффективность
производства, так и выдавать рекомендации по изменению эксплуатационных
режимов. Это может быть рекомендация по изменению технологических
параметров производственных процессов (например, скорость разливки стали,
температура жидкости, скорость вращения ротора) для нахождения наиболее
оптимального режима, нахождения баланса между высокой
производительностью и наиболее долгосрочным использованием
оборудования.
Основные этапы работы системы.
Создание или импорт моделей в систему. На данном этапе происходит
преобразование моделей различных форматов в унифицированный формат.
Система поддерживает функционал преобразования моделей, созданных в
других системах, позволяет преобразовывать модели из одной в другую.
Исходные данные из сторонних подсистем импортируются в единую
базу данных системы.
Для проведения анализа данные преобразуются в json формат.
Классификация и кодификация элементов модели. Автоматический
алгоритм осуществляет процесс классификации (приведение всех названий
элементов к классификатору элементов процесс присвоения уникального кода
каждому элементу модели).
Для классификации элементов модели процесса используется
иерархический метод (множество объектов разделяется на классы, группы,
виды и т.д. по основным признакам, характеризующим эти объекты по
принципу — от общего к частному, т.е. каждая группировка в соответствии с
выбранным признаком (основанием деления)). Кодирование объектов
производится хеш-функциями, алгоритмом Хаффмана (или другими, к
примеру, арифметическим кодированием, RLE).
Декомпозиция работ на основе проведенной кодификации.
Кодифицированные элементы модели формируют структуру процесса,
учитывая регламентирующую информацию, а также ограничения, заданные
пользователями.
Декомпозиция работ проводится на основе иерархической кодификации, и при
необходимости, с применением алгоритмов кластеризации (K-means++ и пр.)
для группирования схожих элементов и учета ограничений.
Формирование материально-компонентного состава бизнес-процесса.
На данном этапе происходит формирование основы базы данных
материально-компонентного состава по всем элементам на основе данных
моделей.
Материально-компонентный состав бизнес-процесса формируется в виде
реляционной базы данных, позволяющей выполнять автоматическое
соотнесение со всей системой бизнес-процессов организации.
Ресурсное и временное планирование. С помощью алгоритмов
искусственного интеллекта на основании сформированной декомпозиции,
материально-компонентного состава, а также используя накопленные
исторические данные, исходные требования к проекту, ресурсные
ограничения, регламентирующую документацию, нормативы для каждого
элемента определяются длительность процесса и поток его материальных
объектов .
Для получения временных характеристик моделируемых процессов, а
также обеспечения классификации объектов на основании определенных
групп параметров используется модифицированное расширение сетей ПетриМаркова, которое позволяет получить максимально комплексную оценку
свойств моделей процессов, задание временных задержек позициям и
переходам, задание параметров модели в нечетком виде и контроль порядка
срабатывания переходов.
.
Для осуществления процесса имитационного процесса сети Петри будет
использоваться нейросеть.
Используемые алгоритмы:
- algorithm ensembles:
- градиентный бустинг (gradient boosting decision trees (GBDT) – XGBoost,
CatBoost);
- random forests;
- Neural Oblivious Decision Ensembles (NODE);
и пр.
- мета-каскады:
- Stacked Generalization -stacking;
- Weighted voting/Mixture of Experts.
Вспомогательные алгоритмы:
- метод главных компонент (понижение размерности);
- алгоритмы фильтрации (исключение выбросов);
- алгоритмы заполнения пропущенных значений;
- алгоритмы предобработки и статистического анализа данных;
- алгоритмы регуляризации (повышение обобщающей способности);
- алгоритмы визуализации данных:
и пр.
Используемый стек:
язык программирования – python;
используемые модули (библиотеки): scikit-learn, xgboost, catboost, pythorch,
teano, matplotlib, pandas;
СУБД: mySQL (или др.);
ORM: SQLAlchemy.
Используемые метрики качества: для анализа точности алгоритма
используется расчет среднеквадратичной ошибки (RMSD) и коэффициента
детерминации, также может быть использован расчет средней абсолютной
ошибки, квантильной ошибки, построение REC, RROC-кривых.
Имеющийся у коллектива предприятия научный задел по предлагаемому
НИОКР, полученные ранее результаты (в т.ч. указываются документы,
подтверждающие право предприятия-заявителя на интеллектуальную
собственность по тематике проекта).
Актуальность темы в условиях развивающихся рыночных отношений в
России резко усложнились задачи управления производственными объектами
в целом и промышленными предприятиями в частности. Один из
перспективных путей решения этих вопросов заключается в повышении
эффективности управления производственными объектами на основе
использования научно обоснованных методов выработки и принятия решений
с применением
соответствующего математического аппарата и средств вычислительной
техники.
Часть работ в направлении реализации проекта уже выполнена:
1. Сформирована команда проекта
2. Изучены основные направления информационной поддержки принятии
решений при оперативном планировании промышленного производства.
3. Отобраны существующие алгоритмы и начата разработка проприетарных
алгоритмов генерации вариантов оперативных производственных программ
предприятия с учетом специфики производства.
4. Методы оценки вариантов оперативных производственных программ
предприятия.
5. Имитационные модели производственной деятельности предприятия,
имитирующая процесс реализации оперативных производственных программ
предприятия.
6. Оценены структуры и программная реализация системы поддержки
принятия решений в оперативном планировании производства.
7. Изучаются результаты исследования эффективности внедрения системы
оперативной поддержки принятия решений в хозяйственную деятельность
предприятий.
Для решения задач принятия решений применяются различные методы
и алгоритмы. Например, Вальд, Гурвиц и Сэвидж предлагают использовать
теорию статистических решений и теорию игр Маршак, Чернов и Рубин, а
также Блекуэлл дю, Гиршик - субъективную вероятность
Когнитивный анализ: Максимов В И, Корноушенко Е.К. Феду-лов Ю Г
Методы экспертных систем и искусственного интеллекта-Литвак Б Г.,
Бешелев С JI, Гурвич Ф Г, Евланов Л Г., Кутузов В.А , Пятковский О И
Методы нечеткой логики Усков A.A., Васильев В.И Имитационное
моделирование- Бусленко Н П, Багриновский К А., Форрестер Дж и другие.
Большинство методов, применяемых для поддержки принятия решений,
малопригодны в
условиях реального процесса планирования производства на промышленных
предприятиях в связи со спецификой производства.
Поэтому одной из наших задач является задача адаптации существующих
методов и формирование новых алгоритмов для поддержки принятия решений
с учетом специфики планирования производства
Платформа Olymp.Club рассказывает школьникам о видах олимпиад, знакомит с особенностями их проведения, позволяет упорядочить информацию о школьных олимпиадах для участников и их родителей. Платформа с помощью календаря олимпиад кастомизирует список олимпиад под конкретного пользователя и его запросы, а сервис чек-листов позволяет ученику перед каждой олимпиадой проверить свою техническую готовность и не забыть о важных моментах. У родителей школьников будет отдельный личный кабинет, в котором они могут отслеживать статус участия в конкретной олимпиаде. Организаторы олимпиад смогут оперативно отвечать на вопросы участников олимпиад. Образовательные организации смогут прорекламировать свои образовательные проекты и школы для олимпиадников.
Гибкий рекуператор воздуха относится к теплообменным и теплопередающим устройствам и может быть использовано для обеспечения приточно-вытяжной вентиляции воздуха и рекуперации энергии тепла воздуха в образовательных, медицинских, административных, развлекательных учреждениях; квартирах, офисах, бытовках, индивидуальных и многоквартирных домах и в любых других помещениях, где требуется замена воздуха. Гибкий рекуператор выполнен в виде труб из гофрированного металла с адаптерами на концах выполненными из пластика, составленного из, по меньшей мере, одного модуля, образованного из, по меньшей мере, двух гофрированных труб разного диаметра с центраторами с одинаковым шагом установки, при этом на концах гофрированные трубы соединяются с адаптерами для распределения потоков входящего и удаляемого воздуха, в одном из которых установлена нейлоновая вставка для передачи влаги от удаляемого воздуха к входящему.
Технический эффект при использовании данного рекуператора заключается в повышении эффективности работы трубчатого рекуператора, передачи влаги от удаляемого воздуха к входящему, возможности изгиба рекуператор на любой угол при установке, а также в сокращении его габаритов и веса.
Поставленная задача в части повышения КПД трубчатого рекуператора решена за счет того, что в теплообменном модуле использованы гофрированные металлические трубы, тогда при движении воздуха вдоль них приводит к образованию микровихрей между выступами и впадинами гофр. Образование этих микровихрей способствует турбулентизации потока воздуха как в кольцевом пространстве при движении удаляемого воздуха, так и при движении входящего воздуха во внутренней трубке теплообменного модуля. Так же за счет применения гофрированных металлических труб решена задача по снижению длины в транспортном положении, так как гофрированная труба номинальной длиной 2,5 м в транспортном положении имеет длину 0,3 м. Толщина стенки гофрированной трубы составляет 0,0009 м (90 микрометров), соответственно это решает задачу по снижению веса.
Поставленная задача по передаче части влаги от удаляемого воздуха к входящему решена за счет установки нейлоновой вставки в адаптер, соединяющей кольцевую полость и полость внутренней трубки. Так как нейлон является гигроскопичным материалом с антибактериальными свойствами, то это позволяет сконденсировавшуюся влагу в кольцевом пространстве за счет капиллярных сил перевести в полость внутренней трубки и испарить ее в поток входящего воздуха.
#инвестиционно_привлекательный
Создание инжиниринговых компаний на заказ.
Проект направлен на создание и развитие технологий раннего
обнаружения задымления или возгорания на основе интеллектуальной
обработки видеосигнала.
Целью данного НИОКР является cоздание автономного программно-аппаратного решения, способного
осуществить раннее обнаружение возгорания и задымления по
видеоизображению, а так же определить расположение очага возгорания в
трехмерном пространстве при использовании стерео-видеокамеры в качестве
источника сигнала.
Актуальность НИОКР подтверждается одновременно актуальностью
самой задачи раннего предупреждения возникновения пожара на открытой
территории или внутри помещений, и - отсутствием промышленного
аппаратно-программного решения для раннего обнаружения дыма и огня по
видеоизображению, для которого были бы известны количественные и
качественные показатели точности распознавания и ошибки второго рода
(ложные срабатывания)
Обнаружение этанола, ацетона и прочих летучих органических соединений (ЛОС) в паровой фазе было и остается важной областью исследований и разработок ввиду критической потребности в детектировании ЛОС для таких отраслей промышленности, как химическая, клиническая, ферментационная, фармацевтическая, а также медицинская, включая область судебной медицины. Также в ряде исследований показано, что анализ дыхания человека имеет решающее значение для проведения неинвазивного скрининга, в режиме реального времени для диагностики сложных заболеваний, таких как рак, острые инфекции и диабет I и II типа. Чрезвычайно чувствительные и селективные анализы можно проводить с помощью обычного хроматографического или спектроскопического лабораторного оборудования, но, несмотря на свою точность, эти устройства обычно являются сложными, дорогостоящими и имеют значимые габаритные размеры, что затрудняет их использование для обнаружения ЛОС в режиме реального времени на местах.
В качестве возможного решения вышеперечисленных проблем, представителями предприятия ООО «НПО «Градиент» разработан лабораторный макет оптического детектирующего датчика, имеющий высокую селективность к молекулам ЛОС (включая молекулы ацетона) в выдыхаемом человеком воздухе.
Предлагаемое решение имеет следующую научно-техническую новизну:
Оптический детектирующий датчик не требует забора крови для исследования, необходимо просто выдохнуть воздух и узнать результат. На настоящий момент приборы для неинвазивного определения концентрации ацетона в организме человека, фактически, используются в редких случаях ввиду своей ненадежности и низкой информативности. Предлагаемая командой проекта разработка будет крайне востребована людьми с таким заболеванием, как сахарный диабет.
За счёт высокой селективности датчика к молекулам ЛОС и определения показателя преломления исключительно для таких молекул, предлагаемый к разработке датчик позволяет получать высокоточные данные, на основании которых квалифицированные специалисты могут сделать заключение о состоянии здоровья человека.
Ввиду использования в датчике специфической системы плёнок, полученных на основе золей оксида кремния, стоимость производства предлагаемого к реализации датчика значительно ниже существующих аналогов.
Низкая себестоимость детектирующего датчика позволяет обеспечить его применение в большом количестве приборов от медицинского оборудования до условных фитнес-трекеров для спортсменов.
В данной работе к разработке предлагается новое поколении золь-гель-фотонных сенсоров паров для определения летучих органических соединений на основе водоотталкивающих тонких пленок мезопористого кремнезема, функционализированных метилом. В качестве инновационного механизма предлагается технология капиллярной конденсации водяного пара с помощью ЛОС в гидрофобные мезопоры. Пленки с наноразмерными дифракционными решетками, изготовленные по методике наноимпринтинга, оказались эффективным преобразователем для преобразования вызванных капиллярами наноразмерных вариаций показателя преломления пористых материалов в оптические сигналы, легко измеряемые с помощью обычных фотодиодов, типичное время отклика и регенерации для которых составляет менее одной минуты. Датчики на основе золь-гель-фотонных сенсоров могут применятся для исследования химического состава атмосферного воздуха, воздуха рабочих зон и промышленных выбросов в атмосферу.
Внедрение в общественном транспорте Пензенской городской агломерации без кондукторной формы оплаты проезда и использование системы распознавания лица для штрафов за безбилетный проезд: 1. Оснащение всех автобусов и троллейбусов терминалами безналичной оплаты проезда на каждом входе в общественный транспорт; 2. Организация продажи билетов длительного действия (проездных) с обязательной регистрацией биометрических данных лица; 3. Оснащение автобусов и троллейбусов видеокамерами подключенные к системе распознавания лиц и системе оплаты проезда; 4. Внесение предложений по изменению в КоАП для вынесения постановления об административном правонарушении за безбилетный проезд при помощи системы распознавания биометрических данных пассажиров.
Вконтакте
0