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.
Диапазоны по отраслевым публикациям и типовым внедрениям; результат зависит от данных и процессов заказчика.
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.
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
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.
Как идёт проект
- 01
Данные и цель
Фиксируем метрику успеха, источники данных и ограничения: on-premise, персональные данные, сроки.
- 02
Пилот на нашей конфигурации
Стартовая машина под задачу и подтверждённый профиль нагрузки перед закупкой кластера.
- 03
Инфраструктура
Поставка серверов, станций и охлаждения, монтаж, ввод в эксплуатацию, ПО и мониторинг.
- 04
Сопровождение
Масштабирование, обновление ускорителей в том же шасси, сервис и запчасти.
Что ещё автоматизируют в отрасли «Промышленность и производство»
Опишите задачу и данные.
Вернёмся с профилем нагрузки, конфигурацией и коммерческим предложением на поставку в вашу страну.

