
Построенный на основе технологий машинного обучения, продукт в реальном времени даёт рекомендации оператору, или полностью автоматизирует принятие решений при управлении сложными технологическими процессами.
Продукт позволяет оптимизировать производственный процесс для улучшения выбранных метрик – например, снижения затрат, повышения производительности, снижения уровня брака.
Решаемая проблема
Современные системы управления производственными процессами имеют существенные ограничения:
- Значительная часть систем управления перекладывает наиболее сложные решения на оператора, который принимает их исходя из собственного опыта, опираясь на относительно простые модели, заложенные в систему управления. В этом случае эффективность работы производственной линии зависит от оператора, в том числе от его опыта и интуиции, что может привести к ошибочным решениям;
- Заложенные в основу систем управления физико-химические модели неизбежно отбрасывают множество «второстепенных» факторов, связанных с особенностями оборудования, степенью его износа, небольшими изменениями параметров производства, отклонениями, которые связаны с изменениями внешней среды.
Преимущества продукта
- Решение обеспечивает прямой и измеримый результат;
- Вместо инструмента, за работу с которым отвечает оператор, мы предлагаем решение, которое дает прямые рекомендации (указания). На время накопления опыта использования, оператор может оставаться на месте, однако есть перспектива полной автоматизации управлением производственными процессами;
- Оптимизация именно тех целевых метрик или их сочетаний, которые важны для конкретного процесса - например, снижение энергозатрат при сохранении производительности или сокращение расхода сырья без потерь в качестве готового продукта;
- Отсутствие необходимости в интеграции нового сложного решения и капитальных инвестиций – продукт интегрируется с существующими системами автоматизации, или работает как «надстройка» над ними.
Настройка
Каждый продукт адаптируется для конкретного производства на основе исторических данных о процессе, который выполняется на конкретном оборудовании.
Этапы:
- Создание сценария использования, определение оптимизируемых параметров и ограничений;
- Оценка достаточности данных;
- Передача исторических данных о выбранном процессе. Состав и объем данных определяется для каждой конкретной задачи;
- Обучение рекомендательной модели на стороне Mechanica AI. Сроки разработки варьируются от 2 недель до 3 месяцев;
- Тестирование качества модели в реальном эксперименте;
- Перенос модели в инфраструктуру заказчика;
- После обучения на исторических данных модель может выдает рекомендации или автоматически отправляет команды на исполнение в реальном времени;
- Мониторинг качества и дообучение модели на новых данных.
Интеграция
Решение легко интегрируется с источниками данных и системами управления производством. Оно может работать как в составе действующей APC-системы, так и независимо от неё, напрямую интегрируясь с MES или АСУ ТП.