Машинное обучение — это лодка, которая поднимает все волны, предлагая решения проблем, которые раньше считались неразрешимыми. Он уже используется в финансовых, туристических, развлекательных и медиа-компаниях по всему миру, принося миллионы долларов в год. Однако не все платформы машинного обучения одинаковы. В этой статье вы узнаете, как машинное обучение может сэкономить время и деньги для вашего промышленного бизнеса.
Профилактическое обслуживание и механические неисправности
Стандартные системы управления технологическими процессами часто не в состоянии обнаружить малейшие изменения вибрации, звука и других входных данных, которые могут предвещать механическую поломку. В прошлом машинное обучение для профилактического обслуживания использовалось для дополнения «анализа первопричин» в ретроспективе — инженеры-технологи делились результатами и давали перспективные рекомендации инженерам и операторам.
Сегодня заводы могут использовать как анализ в режиме реального времени, так и периодический анализ, а это означает, что операторы, наконец, смогут воспользоваться предупреждениями и рекомендациями за достаточное время, чтобы избежать дорогостоящих поездок или незапланированного обслуживания. Вращающиеся группы машин могут не только создавать и развертывать модели машинного обучения для эффективного обнаружения отказов, они также могут отслеживать эти модели на предмет дрейфа и без особых усилий переобучать их, поддерживая модели в актуальном состоянии и с максимальной эффективностью.
Распределение нагрузки
В то время как ветровая и солнечная прерывистость только начала подчеркивать физические ограничения некоторых электрических сетей, требования к будущим прерывистым активам намного превышают возможности существующей инфраструктуры. Улучшенная балансировка с прогнозированием, эффективное хранение энергии и улучшенная интеллектуальная интеграция будут иметь решающее значение для надежности сети в будущем.
Кроме того, подключение потребителя к рынкам электроэнергии экспоненциально увеличит сложность системного управления, коммерциализации и оптимизации. Для коммерциализации потребительской стороны рынка требуется оцифровка гораздо более широкого набора категорий входных/выходных данных, чем оптовый рынок.
На этом уровне сложности не существует прецедента для какой-либо балансировки, управляемой человеком — только модели машинного обучения в реальном времени, которые могут принимать, хранить и анализировать петабайты многодоменных данных, позволят операторам сетей и коммунальных служб и их консультационным системам на основе ИИ быть в курсе быстро меняющихся многодоменных данных.
Отказ датчика
Многие остановки установки являются результатом неисправных датчиков. Некоторые поездки могут стоить миллионы долларов в день. В масштабах всей отрасли это приводит к огромным потерям производительности. Эти неисправности часто возникают из-за того, что значение датчика внезапно выходит за пределы рабочего диапазона или не регистрируется. На самом деле часто неисправен сам датчик, и любой опытный оператор может отличить это от множества других доступных точек данных. Однако операторам сложно решать эти проблемы в режиме реального времени из-за сотен других аварийных сигналов, которые они решают одновременно.
Современная технология машинного обучения позволяет операторам выполнять прогнозы в реальном времени для идентифицированных «критических тегов», анализируя до десяти миллионов точек данных в секунду. Это позволяет проводить «внутреннюю проверку» состояния датчика и позволяет как операторам, так и техническому обслуживанию вмешиваться в оптимальное время и избегать дорогостоящих простоев.
Обнаружение утечки
Пакеты обнаружения утечек являются неотъемлемой частью большинства систем управления в жидкостных технологических процессах. Однако утечки по-прежнему случаются слишком часто. В дополнение к издержкам, связанным с охраной окружающей среды и безопасностью для общества, утечки часто оказываются коммерчески разрушительными. Раннее обнаружение утечек или, что еще лучше, предотвращение утечек является главным приоритетом. Базовые расчеты, такие как внезапные изменения давления или расхода, могут вызвать запрограммированные сигналы тревоги, но к этому моменту ущерб уже нанесен.
Однако машинное обучение может идентифицировать несколько цифровых подписей в различных, часто несопоставимых наборах данных, которые могут указывать на когда утечка может быть неизбежной. Это слияние многодоменных данных позволяет разрабатывать, развертывать и улучшать эффективные и динамичные модели обучения машинному обучению, чтобы наилучшим образом прогнозировать и избегать утечек.
Решения
Теперь, когда вы знаете, что машинное обучение может сделать для вас, как вам выбрать между огромным разнообразием платформ на рынке?
Традиционные подходы к применению AI/ML для решения промышленных задач делятся на два основных подхода: самостоятельная сборка компонентов программного обеспечения с открытым исходным кодом или собственных облачных вычислений и проприетарные решения Black Box. Оба этих подхода имеют свои преимущества и недостатки.
Самостоятельная сборка компонентов дает вам полный контроль над вашей платформой, но за счет инженерной сложности и задержки данных. Чтобы предоставить эффективное комплексное решение, большая команда распределенных инженеров должна постоянно интегрировать множество компонентов. Это дорого, долго и сложно в исполнении.
Даже если бы вы могли найти экспертов и позволить себе заплатить за подход «сделай сам», слабосвязанные компоненты должны обмениваться данными, а данные перемещаются между механизмами обработки медленно. В среде реального времени промышленного мира эта медлительность может ухудшить способность системы прогнозировать сбои или проблемы с производительностью, имея достаточно времени для их устранения.
Проприетарные системы «черного ящика» имеют другой недостаток: эти инженерные системы не имеют открытого исходного кода и требуют специальных навыков для работы. Кроме того, они, как правило, связаны со значительными профессиональными услугами, которые, как известно, трудно завершить. Если вы зарегистрируетесь, вы застряли на неопределенный срок. Кроме того, некоторые поставщики требуют, чтобы вы разделили с ними право собственности на свои данные. Этот актив ваш. Зачем делиться этим с конкурентами?
В промышленных условиях слишком много данных, чтобы иметь слабосвязанную систему, и слишком много поставлено на карту, чтобы отказаться от своих прав. Так что выбирайте лучшее из обоих миров: выбирайте Livewire.
Операционная платформа искусственного интеллекта Livewire
Livewire — это полностью интегрированная система, основанная на стандартах с открытым исходным кодом в среде с открытым исходным кодом, которую вы можете легко опробовать в облачной песочнице. С Livewire ресурсы вашей команды тратятся на создание прогностических моделей, которые работают, а не на исправление низкоуровневых компонентов. Вы можете быть уверены, что ваши сотрудники не будут загнаны в угол непрозрачными проприетарными решениями. Livewire с открытым исходным кодом, прозрачный, простой и быстрый.
Платформа Livewire Operational AI состоит из трех компонентов:
- Подключение и прием – инструменты и API для интеграции и приема данных из DCS, SCADA, архивов, систем ERP, систем MES и других источников данных.
- Платформа прогнозирования — комплексная платформа машинного обучения для разработки, экспериментирования и развертывания моделей машинного обучения.
- Платформа наблюдения — инструменты визуализации и оповещения для отображения временных данных, статических данных и прогнозов.
Livewire позволяет группам инженеров данных, операторов и специалистов по данным работать вместе с беспрецедентной скоростью и гибкостью. Используя интегрированную платформу, эти команды могут развертывать модели машинного обучения в 100 раз быстрее, вдвое меньше сотрудников.
Не верите нам? Попробуйте! Попросите своих инженеров и разработчиков запустить пробную версию на сайте livewire.ai/trial со своей изолированной программной средой немедленно.
