Александр Юрьевич Чесалов
Умные фабрики будущего. Как искусственный интеллект и прогнозируемое обслуживание меняют промышленность
Выделяют следующие основные методы мониторинга производственных линий и оборудования: инфракрасная термография; анализ вибрации; ультразвуковой акустический мониторинг; анализ масла; тестирование выбросов и анализ частичного разряда.
Как не странно, прогнозируемое обслуживание, как «лучшая» стратегия не подходит всем промышленным предприятиям без исключения. Тем не менее, каждая из них имеет ряд преимуществ перед другими стратегиями обслуживания [8].
Таблица 1. Сравнение стратегий прогнозируемого обслуживания
На сегодняшний день, наиболее оптимальным подходом к решению производственных проблем (с точки зрения временных и финансовых затрат) является стратегия прогнозируемого обслуживания на основе состояния в реальном времени с применением технологий искусственного интеллекта. Это в первую очередь связано с тем, что большинство производителей датчиков промышленного Интернета вещей оснащают свои устройства дополнительным интеллектуальным программным и аппаратным обеспечением, по сути, превращая каждый датчик в «умное» устройство. Технология, которая позволяет это реализовать называется «периферийный искусственный интеллект» (Edge Artificial Intelligence, Edge AI).
Периферийный искусственный интеллект подразумевает развертывание алгоритмов и моделей ИИ непосредственно на локальных периферийных устройствах, таких как датчики или устройства промышленного Интернета вещей, что обеспечивает быструю обработку и анализ данных в режиме реального времени без постоянной зависимости от облачной инфраструктуры и каналов передачи данных [9,10].
Таблица 2. Пример архитектур автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов
Если речь идет о мониторинге оборудования в реальном времени крупного промышленного предприятия, то технология Edge AI и технологии облачных вычислений для ИИ являются наилучшим выбором при разработке архитектуры и создании автоматизированной системы прогнозируемого обслуживания многостадийных технологических процессов.
Ниже в таблице 3 приведен пример использования автоматизированных систем прогнозируемого обслуживания в различных отраслях экономики для решения различных прикладных задач [11].
Таблица 3. Пример использования автоматизированных систем прогнозируемого обслуживания в различных отраслях экономики
Высокую эффективность в работе современных автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов показали различные варианты совместного применения методов нейронных сетей и теории свидетельств, в части уменьшения уровня неопределенности и увеличения уровня доверия к выходным данным для принятия решений экспертами [12].
Отличительная особенность работы данного класса автоматизированных систем заключается в наличии факторов неопределенности при сборе и анализе данных от датчиков и оборудования промышленного Интернета вещей. Одним из общих подходов для снижения неопределенности в собираемых данных и повышения степени доверия к ним может быть объединение методов интеллектуальной обработки нечеткой информации.
