Интегратор GPU-серверов и рабочих станций · Россия и СНГ
8 (800) 350-70-73 · бесплатно по России  |  Условия поставки
Промышленность и производство · Обнаружение аномалий · ML на табличных данных

Контроль технологического процесса: обнаружение отклонений в реальном времени

Модели на данных АСУ ТП находят отклонения режима раньше, чем срабатывают пороговые сигнализации, и подсказывают оператору причину.

Раннее предупреждениеотклонение видно за 15–60 минут до пороговой сигнализации
Партии вне спецификацииснижение на 15–30 %
Расход сырья и энергииснижение на 2–5 % при стабилизации режима

Диапазоны по отраслевым публикациям и типовым внедрениям; результат зависит от данных и процессов заказчика.

Задача

Что решаем

В непрерывных и периодических производствах — металлургия, химия, пищевая промышленность, целлюлоза — качество продукта зависит от сотен взаимосвязанных параметров. Пороговые сигнализации АСУ ТП срабатывают, когда отклонение уже произошло, а оператор в смене видит десятки трендов и не может держать в голове их совместное поведение.

Итог — партии с отклонением по качеству, перерасход сырья и энергии, «дрейф» режима, который замечают через неделю по лабораторным анализам.

Опытные операторы «чувствуют» процесс, но такая экспертиза не формализована и уходит вместе с людьми. Смена без опытного технолога работает хуже, и разброс качества между сменами становится заметным.

Как работает

Что делает ИИ

PythonPyTorchscikit-learnClickHouseИсториан АСУ ТПGrafana

Решение анализирует многомерный поток технологических параметров и сравнивает текущее состояние с моделью нормального режима, обученной на истории.

  • Многомерное обнаружение аномалий (автоэнкодеры, методы на главных компонентах) учитывает связи между параметрами, а не каждый тег по отдельности.
  • Виртуальные анализаторы: прогноз показателя качества по данным датчиков до получения лабораторного результата.
  • Объяснение отклонения: какие теги внесли основной вклад, чтобы оператор понимал, что регулировать.
  • Рекомендации по уставкам в советующем режиме, без вмешательства в контур управления.

Модели обучаются на архиве историана за 1–3 года и проверяются на известных инцидентах: система должна «увидеть» прошлые отклонения раньше, чем их увидел персонал. После валидации запускается советующий режим на одном переделе, затем охват расширяется.

Какие данные нужны

  • Архив АСУ ТП и историана за 1–3 года
  • Лабораторные анализы качества
  • Журнал событий и смен
Железо · Данные и табличный ML · Один узел в стойке

Какая инфраструктура нужна

Профиль «данные»: работа с временными рядами на тысячах тегов, обучение относительно небольших нейросетей и статистических моделей, колоночная база под историю. Ключевые ресурсы — многоядерный CPU, 256 ГБ и более оперативной памяти, быстрый NVMe-массив; одна-две GPU нужны для обучения автоэнкодеров и переобучения по расписанию.

Подходит R7 PRO из раздела GPU-серверы, для одного участка — W7 ULTRA из рабочих станций. Сервер размещается в контуре АСУ ТП с односторонним доступом к данным, что соответствует требованиям к защите промышленных сетей.

Сравнить конфигурации →  ·  Подобрать по ускорителю →

Внедрение

Как идёт проект

  1. 01

    Данные и цель

    Фиксируем метрику успеха, источники данных и ограничения: on-premise, персональные данные, сроки.

  2. 02

    Пилот на нашей конфигурации

    Стартовая машина под задачу и подтверждённый профиль нагрузки перед закупкой кластера.

  3. 03

    Инфраструктура

    Поставка серверов, станций и охлаждения, монтаж, ввод в эксплуатацию, ПО и мониторинг.

  4. 04

    Сопровождение

    Масштабирование, обновление ускорителей в том же шасси, сервис и запчасти.

Смежные решения

Что ещё автоматизируют в отрасли «Промышленность и производство»

Все решения для отрасли →

Запрос КП · ответ в течение рабочего дня

Опишите задачу и данные.

Вернёмся с профилем нагрузки, конфигурацией и коммерческим предложением на поставку в вашу страну.

Обсудить внедрение