Цифровая трансформация - один из главных приоритетов промышленных компаний. Крупнейшие игроки уже движутся в этом направлении, много лет непрерывно работая над повышением эффективности производства и запуская масштабные программы оптимизации. Внедрение новых аналитических систем на промышленных предприятиях кораблей под множеством разных наименований. Их называют передовой аналитикой или цифровыми инновациями, и по своей сути технология может быть сведена к искусственному интеллекту. Во всех случаях попытки использовать модели искусственного интеллекта или системы анализа данных являются частью более масштабных усилий по цифровой трансформации развивающихся компаний.

В промышленном контексте такие стратегии экономии и оптимизации процессов часто начинаются с пилотных проектов или руководящих указаний высшего руководства о цифровых изменениях. Как правило, для изменения процессов или инвестиций в капиталоемкие и конкурентоспособные отрасли требуются большие суммы денег. Традиционные капитальные затраты обычно растягиваются на длительный период, поэтому текущее финансовое положение может не позволить провести полный физический ремонт заводов или объектов. Эти высокие затраты приводят к поиску более дешевых альтернатив. Инвестиции в решения для цифрового и искусственного интеллекта могут быть намного меньше.

При создании стратегии трансформации вы можете найти место для использования ИИ во всех операциях. Некоторые сценарии предоставляют возможность быстрой окупаемости инвестиций, например, системы поддержки принятия решений, сопровождающие технологические процессы, а другие требуют длительного тестирования. В этой статье мы рассмотрим популярные и многообещающие варианты использования приложений машинного обучения в промышленности.

Независимо от конкретной отрасли, в последние три года наблюдается тенденция к созданию более современного искусственного интеллекта, особенно в области глубокого обучения. Чаще встречается сотрудничество с поставщиками технологий и стартапами в области машинного обучения. Фокус исследователей сместился с анализа больших данных на периферийные вычисления. Однако промышленные компании по-прежнему не хотят применять передовые методы анализа данных.

Выгоды от внедрения ИИ можно найти в общих рыночных тенденциях. В новом отчете Meticulous Research отмечается, что ожидается рост ИИ на производственном рынке в среднем на 39,7% с 2019 по 2027 год и до 27 миллиардов долларов к 2027 году. ИИ на рынке нефти и газа был оценен Mordor Intelligence в 2 млрд долларов США в 2019 году и, как ожидается, к 2025 году достигнет 3,81 млрд долларов США при среднегодовом темпе роста 10,96% за прогнозируемый период 2020–2025 годов.

Прогнозирование спроса

Начнем с обзора Big River Steel из Арканзаса, США. Этот стартап по производству стали объединился с консалтинговой фирмой по искусственному интеллекту, чтобы улучшить показатели рентабельности и улучшить процессы. Они выбрали подход, ориентированный на данные, который использует исторический спрос на сталь, макроэкономические данные и деятельность своих клиентов. Они разработали приложение для сигнализации спроса, которое расширяет традиционные приложения для работы с большими данными с помощью алгоритмов машинного обучения. Эта система состоит из трех частей. Определение спроса, статистический спрос и согласованный спрос приводят к лучшему управлению предложением и уменьшению страхового запаса. В связи с резкими колебаниями спроса в сталелитейной промышленности новая аналитика имеет большой потенциал.

Больше информации дает автомобильная промышленность. На примере автомобильной промышленности объясняются подходы мягких вычислений для прогнозирования спроса. Используемые модели: нечеткая логика и метод Дельфи, плюс ИНС временных рядов (искусственная нейронная сеть). Эта структура сочетает в себе мнения экспертов с искусственным интеллектом.

Как показывают данные Volkswagen AG Data: Lab Munich, автомобильная промышленность уверена в прогнозировании спроса. Они инициировали более 100 специализированных проектов по прогнозированию продаж для разных продуктов и регионов. Разработка необходимых инструментов, использующих контекстные данные, такие как прогнозы роста, экономические санкции и погодные условия, является одним из их ключевых направлений. По оценкам консалтинговой компании Capgemini, крупные производители конструктивно сложных автокомпонентов могут увеличить прибыль до 16% за счет масштабного внедрения искусственного интеллекта.

Другой производитель, Predictive Layer, предлагает решение для прогнозирования энергопотребления. Они разработали механизм динамического ценообразования, который включает анализ эластичности спроса и предложения компании-клиента. По заявлению компании, удалось сформировать достаточно точный прогноз потребления на следующий день. Заявленная экономия от ежегодных закупок электроэнергии на национальных рынках электроэнергии ЕС составляет более 45 миллионов долларов.

Нефтегазовая отрасль использует традиционные модели и модели на основе искусственного интеллекта для прогнозирования энергопотребления. И они используют широкий спектр моделей для прогнозирования разных горизонтов. Обзор за 2019 год показал, что для прогнозирования годового энергопотребления на национальном уровне предпочтительнее традиционные модели. Модели на основе ИИ могут применяться в полном объеме во всех горизонтах и ​​областях прогнозирования. Однако в краткосрочных прогнозах регрессионные модели и модели временных рядов могут конкурировать по точности прогнозов с моделями на основе ИИ. Поскольку это модели белого ящика, они лучше объясняют взаимосвязь между данными о потреблении и влияющими факторами. Обзор также показал, что модели глубокого обучения пока использовались редко, и их производительность и надежность нуждаются в дальнейшей проверке. Этот недостаток использования состоит в том, что даже несмотря на то, что некоторые исследователи указывают на превосходство моделей глубокого обучения.

Управление рисками и профилактическое обслуживание

Обзор показывает резкий рост публикаций по ИИ для управления рисками за последние десять лет, а с 2016 по 2018 год он удвоился. Ведущими отраслями применения ИИ для управления рисками являются автомобилестроение и строительство. Нефтегазовая, горнодобывающая и энергетическая отрасли находятся на одном уровне. Обзор науки о безопасности за 2020 год дает много подробностей об использовании искусственных нейронных сетей на этапе идентификации рисков во время оценки рисков.

Оценка рисков определяется здесь как «общий процесс выявления рисков, анализа рисков и оценки рисков». Двумя основными источниками данных для применения искусственного интеллекта являются обучение на основе текстовых и числовых данных. Текстовые данные для управления рисками состоят из письменных отчетов об инцидентах или несчастных случаях, связанных с безопасностью. Большие структурированные вопросники или неструктурированный свободный текст - это две формы, в которых доступны данные. Таким образом, такой источник данных идеально подходит для корпоративной аналитики ИИ. Числовые данные поступают в виде частот аварий или других данных временного ряда. Здесь также применяется широкий выбор моделей. Акцент делается на деревьях классификации и регрессии (CART), деревьях решений и SVM.

С точки зрения практиков, Оценка рисков нефтяной системы является доступной услугой технологической компании, которая использует рабочие процессы геологоразведочных работ. Они помогают принимать надежные решения с помощью искусственных нейронных сетей. Они сосредоточены на улучшении существующего численного моделирования с определением неопределенностей, и они создают карты рисков в масштабе разведки и во временных рамках, совместимых с операциями. Они используют экспертные знания в сочетании с постоянно обновляемыми моделями регрессии и кластеризации.

Профилактическое обслуживание сейчас является актуальной темой, но для развития этой области требуются высококачественные данные и системная реструктуризация процессов обслуживания и ремонта. В нефтегазовой отрасли эти системы обнаружения аномалий представляют собой важные приложения машинного обучения. Широкое распространение оборудования для управления датчиками способствует использованию такой аналитики. Дефект на турбомашинах, насосах и двигателях можно было распознать на ранней стадии, а значит, можно предотвратить дальнейшие убытки, переведя внеплановые ремонты в плановые.

Преимущества применения анализа данных наглядно продемонстрированы при создании BCG системы управления нефтегазовой платформой. Полученные эксплуатационные данные позволили предотвратить простои динамического оборудования и оценить достижимый потенциал его эксплуатации. Кроме того, управление технологическим процессом открывает новые возможности для устранения узких мест на производстве.

Раннее обнаружение аномалий в технологическом процессе

Несомненно, одним из ключевых приоритетов для всех отраслей является безопасность, исключение человека из опасной среды, онлайн-мониторинг работы и отслеживание нарушений режимов работы оборудования, а также оперативное реагирование на ключевые риски.

Одна из неотъемлемых возможностей системы искусственного интеллекта - обнаружение аномалий. Это можно рассматривать как одну из основных целей промышленного Интернета вещей. Выявление аномального поведения в пуле собранных данных. Известные шаблоны процессов могут быть прерваны редкими событиями, которые обычно не обнаруживаются специалистом-человеком. В качестве примера промышленного применения такой аномалии может служить протекающая соединительная труба. В неудачном случае этот дефект мог привести к остановке всей производственной линии. Учитывая огромные потоки данных внутри производственных предприятий, поиск аномалий вручную кажется неразумным.

Украинский технологический провайдер Sciforce делится ситуацией своего производственного клиента, который хотел ускорить обычные алгоритмы обработки и повысить стабильность системы. Они установили коммерческий процесс обнаружения аномалий, который включает само обнаружение аномалий и прогноз будущих аномалий. В качестве модели для обнаружения они использовали автокодеры. Эти кодировщики отображают данные в скрытое представление. Затем они пытаются восстановить исходный ввод из этого внутреннего представления. Для части прогнозирования использовалась рекуррентная нейронная сеть (RNN). Эта модель может делать точные прогнозы на 10 минут вперед.

Ценообразование

Кризис, связанный с эпидемией, еще больше обострил давно назревшую потребность в цифровизации промышленности. Из-за отрицательных цен на нефть нефтяные компании оказались в крайне нестабильной среде, что вынудило их пересмотреть свои стратегии и операции. Когда мы смотрим на управление цепочкой поставок в нефтегазовой отрасли, есть несколько моментов, в которых можно применить искусственный интеллект. ИИ помогает прогнозировать рыночные цены на сырую нефть и готовую продукцию, давая больше информации для корректировки ценовой политики.

Исследования моделей ценообразования на основе искусственного интеллекта продолжаются. Обзор за 2015 год показывает, что для прогнозирования цен на нефть используются все классические модели искусственного интеллекта, от искусственных нейронных сетей, опорных векторных машин, вейвлетов, генетических алгоритмов до гибридных систем. Исследователи пришли к выводу, что из-за сложности факторов, влияющих на цену на нефть, модели очень ограничены. Нет единых индикаторов, влияющих на цены на нефть. И необходимые входные данные еще предстоит обнаружить.

Несмотря на непредсказуемость цен на нефть, малейшее преимущество необходимо использовать в условиях жесткой конкуренции. Дорогая гонка вооружений вынуждает трейдеров не отставать от очевидных преимуществ решений. Интересное развитие происходит с товарным рынком. Вскоре управление ценовыми рисками может быть изменено с помощью новой технологии, которая коренным образом меняет то, как малые и средние предприятия справляются со своими товарными рисками. Торговые системы с искусственным интеллектом с автономным сельским хозяйством и добычей полезных ископаемых могут минимизировать ценовые риски.

Логистика

Будущее управление сырьем, логистикой и транспортировкой тесно связано с концепцией умного завода. Если посмотреть на отрасли, которые ведут процесс цифровой трансформации к полному цифровому производству, автомобильная промышленность снова становится мастером цифровых технологий. Они способны увеличить свою прибыль за счет усилий по оцифровке с удвоенной маржой по сравнению с новичками. Для логистики подключенные к сети заводы и фабрики являются ключом к успешным проектам. В масштабе глобально действующих компаний существующие каналы коммуникации необходимо использовать для создания единой цифровой логистической системы.

Одним из примеров уже используемого интеллектуального производственного решения является блестящая заводская программа General Electric. GE обслуживает 20 заводов Brilliant по всему миру и связывает данные в реальном времени, полученные в результате проектирования, проектирования, производства, цепочки поставок, распределения и обслуживания. Все вместе они строят одну взаимосвязанную интеллектуальную систему. DHL и IBM описывают функцию ИИ для логистики как взаимосвязь с роботизированной автоматизацией процессов (RPA), где ИИ учится копировать и улучшать процессы на основе данных, предоставляемых RPA. Системы искусственного интеллекта становятся помощником логистики, основанной на человеческих решениях. Они могут быстро принимать решения и взаимодействовать с людьми. Помимо RPA, системы искусственного интеллекта помогают логистике переключить свою операционную модель с реактивного поведения на прогнозирование и упреждающие операции с прогнозной аналитикой.

Производственные процессы

От роботов до коботов - более интеллектуальная автоматизация с управлением на основе искусственного интеллекта и системами контроля ИИ меняет производственные процессы. Примером более технологичного ИИ является оптимизация потребления добавок во многих промышленных процессах. Несмотря на то, что большинство процессов прошли традиционный годичный процесс оптимизации, машинное обучение может продвинуть эту оптимизацию еще дальше. Сложные процессы по-прежнему имеют некоторую неопределенность. Столь дорогие добавки использовались для обеспечения большого запаса прочности. ИИ не может более глубоко изучить исходный состав материала, качество сырья, показания сотен датчиков и прийти к осмысленным рассуждениям. После обучения модели ИИ она может точно предсказать параметры конечного продукта.

Примером применения таких систем является оптимизация использования добавок во многих промышленных процессах, например, при использовании ферросплавов в металлургии. Кейс НЛМК примечателен, раскрывая возможности машинного обучения в прогнозировании химического состава при добавлении определенных материалов. Люди часто перестраховываются и используют слишком дорогие добавки для обеспечения определенных свойств продукта. Использование методов машинного обучения позволяет проводить более глубокий анализ исходного состава материала, качества сырья, потоковую передачу данных с сотен датчиков, прогнозировать свойства выходного продукта и рекомендовать необходимые действия.

В 2019 году компания Accenture представила финансовую модель типичного внедрения искусственного интеллекта на химическом предприятии. В их примере бизнес с годовой выручкой 11,3 миллиарда долларов может увеличить свою прибыль на 10%. Поставщик технологий bitrefine предлагает общее решение для широкого спектра процессов. Благодаря подготовленному набору инструментов машинного обучения, от классификации, кластерного анализа, регрессионного анализа, структурированного прогнозирования до обучения с подкреплением, они обслуживают целые отрасли обрабатывающей промышленности. Они обещают оптимизировать процессы обогащения руды, переработки газа, нефтепереработки, химической промышленности, производства пластмасс, стекла и полупроводников. Когда с помощью цифровых технологий мы можем увеличить скорость разливки стали или уменьшить количество лома, это будет прямым увеличением дохода.

Контроль качества

Системы поддержки принятия решений также включают в себя контроль качества, который помогает визуально контролировать свойства продуктов и выстраивать логику работы с аномалиями после. И здесь ИИ снова является ядром таких систем. Используя методы глубокого обучения, ИИ может обнаруживать дефекты лучше и точнее, чем люди. По заявлению McKinsey, ИИ можно использовать для автоматизированного тестирования качества. Таким образом, производительность может увеличиться до 50%. Усовершенствованные методы распознавания изображений для визуального осмотра и обнаружения неисправностей могут повысить уровень обнаружения дефектов до 90%. Это увеличение является значительным улучшением по сравнению с ручной проверкой.

Основным подходом к визуальному осмотру является система контролируемого обучения, основанная на алгоритмах. Здесь глубокие нейронные сети учатся различать хорошие и дефектные продукты. Зрительная система обучается просмотрам с разных точек зрения, поэтому ранее неизвестные типы дефектов могут быть идентифицированы с помощью полууправляемого обучения. В этом подходе используются как помеченные, так и немаркированные данные.

Этот визуальный осмотр и контроль качества можно использовать для большого разнообразия продуктов. Ассортимент простирается от обработанных деталей, солнечных батарей, окрашенных кузовов автомобилей до металлических поверхностей с текстурой. Практическим примером автоматизированного визуального контроля являются подходы компании DevisionX. Они предлагают решения для автомобильной промышленности. Здесь промышленная камера или сенсор выявляет дефекты. Его можно использовать для проверки на соответствие сварке, штамповке, сборке или размеру. Захваченное изображение анализируется с помощью алгоритмов машинного обучения, и система может принимать меры и предоставлять индивидуальные отчеты в режиме реального времени.

Новые практические приложения превосходят традиционный искусственный интеллект

В последние годы появилось использование новых глубоких нейронных сетей и других новых концепций машинного обучения, и их применение процветает. Но они широко распространены не только в тяжелой, но и в других отраслях. Здесь, в нефтегазовой сфере, горнодобывающей промышленности, производстве, металлургии и металлообработке, по-прежнему преобладает более традиционный ИИ. А автомобильная промышленность стимулирует внедрение новейших моделей.

Различные приложения показывают, что все существующие модели искусственного интеллекта используются во всех отраслях. Однако большинство из них все еще находится на экспериментальной стадии или продвигались поставщиками технологий. Широко доступные данные только медленно становятся доступными для новых проектов искусственного интеллекта.

Такие крупные компании, как Royal Dutch Shell PLC, Tata Steel Europe Ltd., General Electric Company, Volkswagen Group и Bayerische Motoren Werke AG, продвигают масштабную цифровую трансформацию в масштабах всего предприятия. Эти стратегии включают в себя множество небольших проектов искусственного интеллекта, которые в первую очередь пытаются захватить низко висящие плоды.

Обзоры академических исследований показывают зрелость новых технологий искусственного интеллекта и нежелание отрасли их внедрять. Некоторые стартапы демонстрируют успешное внедрение передовых технологий и таким образом лидируют.

_____

Эта статья изначально была опубликована в AI almanac.