Проектирование цифровых моделей предприятия тэк ро теме автоматизированная система управления предприятием. 6._Николаев_Сергей. Оптимизация производственных процессов на основе цифрового моделирования и
 Скачать 4.42 Mb.
|
|
ОПТИМИЗАЦИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ НА ОСНОВЕ ЦИФРОВОГО МОДЕЛИРОВАНИЯ И МАШИННОГО ОБУЧЕНИЯ Био Лаборатория Киберфизических систем & »СайберФизикс» 17 инженеров-исследователей, 15 разработчиков • Численное моделирование • Оптимизация производства • Предиктивная & прескриптивная аналитика Сергей Николаев, к.т.н. - научный сотрудник Cколтех - директор «СайберФизикс» Содержание 3 • ВВЕДЕНИЕ: ЦИФРОВЫЕ ДВОЙНИКИ + МАШИННОЕ ОБУЧЕНИЕ • ПОДХОД ГИБРИДНОГО МОДЕЛИРОВАНИЯ ПРОИЗВОДСТВЕННЫХ СИСТЕМ • ПЛАТФОРМА ГИБРИДНОГО МОДЕЛИРОВАНИЯ И ОПТИМИЗАЦИИ • ПРИМЕРЫ КОМБИНАЦИИ ML И ТЕХНОЛОГИИ ЦИФРОВЫХ ДВОЙНИКОВ СТЕРЕОТИПНОЕ ПРЕДСТАВЛЕНИЕ О ЦИФРОВОМ ДВОЙНИКЕ ПРОМЫШЛЕННОГО ОБЪЕКТА Цифровой двойник 7 Динамика ротора Численная гидродинамика Цифровой двойник Off-line моделирование конкретных сценариев и on- line анализ текущей ситуации Вычисленные параметры • Анализ остаточного ресурса • Предсказание дефектов Сбор и анализ данных Сравнение и обновление Техническое обслуживание и ремонт Регулирование и управление Гидроэлектростанция Функциональная модель систем турбины * https://hyperbole.epfl.ch/ ЦИФРОВОЙ ДВОЙНИК ГЭС Анализ скрытых зависимостей в данных Классификация данных Предсказание событий НУЖНЫ ДАННЫЕ ДАННЫЕ – НОВАЯ НЕФТЬ? 10 ДАННЫЕ – НОВЫЙ ВИД ЭНЕРГИИ Машинное обучение: Анализ данных и зависимостей • Когда данных большое количество • Данные размечены • Высокая степень автоматизации процессов Цифровые модели/двойники: Создание данных и зависимостей • Можно моделировать критические неисправности/ситуации, которых еще не было • Анализ и оптимизация динамики системы • Определение причин неисправностей • Применяет методы механики, газодинамики, системной динамики, химии и т.д. Малое количество информации Большое количество информации Критические события Не критические события Критически важная область прогнозирования Доступная на основе реальных данных область прогнозирования 12 НАУЧНЫЙ ПОДХОД: ГИБРИДНОЕ МОДЕЛИРОВАНИЕ Гибридные модели: Алгоритмы Machine Learning на реальных и синтетических данных ЦИФРОВЫЕ МОДЕЛИ/ДВОЙНИКИ РЕАЛЬНЫЕ ДАННЫЕ Моделирование дефектов и генерация на их основе синтетических данных Анализ исторических IIOT/SCADA данных, а также данных об операционных режимах и поломках Применимы в условиях нехватки эксплуатационных данных Предсказывают не случавшиеся ранее неисправности Позволяют моделировать не используемые ранее режимы КЛЮЧЕВАЯ ТЕХНОЛОГИЯ ПЛАТФОРМА ЦИФРОВЫЕ ФИЗИЧЕСКИЕ МОДЕЛИ ОБОРУДОВАНИЯ И ПРОЦЕССОВ МАШИННОЕ ОБУЧЕНИЕ НА РЕАЛЬНЫХ ДАННЫХ И ДАННЫХ ГЕНЕРИРУЕМЫХ ЦИФРОВЫМИ МОДЕЛЯМИ ОПЕРАТИВНЫЙ и ПРЕСКРИПТИВНЫЙ АНАЛИЗ НЕИСПРАВНОСТЕЙ ОПТИМИЗАЦИЯ РЕЖИМОВ АНАЛИЗ «ЧТО-ЕСЛИ» для ОПТИМИЗАЦИИ РЕЖИМОВ ОБОРУДОВАНИЯ IIoT/SCADA данные с сенсоров ЦИФРОВЫЕ ДВОЙНИКИ ОБОРУДОВАНИЯ И ПРОЦЕССОВ 15 ДЕМОНСТРАЦИЯ ПЛАТФОРМЫ 16 МЫ ОБЪЕДИНЯЕМ НА ОДНОЙ ПЛАТФОРМЕ ВСЮ ИНФОРМАЦИЮ, НЕОБХОДИМУЮ ДЛЯ КОМПЛЕКСНОЙ ОПТИМИЗАЦИИ IIoT/SCADA система ERP система Эксплуатационные данные Операционные затраты и метрики эффективности «Физика» производственных процессов Цифровые модели ПРЕДСКАЗАНИЕ НЕИСПРАВНОСТЕЙ ОПТИМИЗАЦИЯ ПРОИЗВОДСТВЕННЫХ РЕЖИМОВ СНИЖЕНИЕ ОПЕРАЦИОННЫХ ИЗДЕРЖЕК 17 FMI: ФОРМАТ ОБМЕНА ЦИФРОВЫМИ МОДЕЛЯМИ ПРИМЕРЫ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ МОДЕЛИРОВАНИЯ ПРИМЕРЫ ЦИФРОВЫХ МОДЕЛЕЙ Платформа CYBERPHYSICS поддерживает стандарт FMI для обмена моделями МАШИННОЕ ОБУЧЕНИЕ НА ПЛАТФОРМЕ: AUTO ML Выбор моделей MLP Gradient Boosting SVM LSTM Оптимизация Оптимизация архитектуры Многопараметрическая оптимизация Применение Выбор оптимальной модели Использование цифровых моделей облегчает имплементацию алгоритмов машинного обучения и позволяет использовать платформу без углубления в ML-алгоритмы Мы используем передовые методы оптимизации для получения моделей высокой точности Наша технология предлагает только релевантную оптимизацию, т.к. модели работают в режиме реального времени 18 Сгенерированные из цифровых моделей данные Исторические данные AutoML Использование Цифровые модели генерируют данные для искусственного интеллекта В основе нашей рекомендательной и оптимизационной системы лежат гибридные модели AutoML позволяет автоматически создавать гибридные модели Данные Цифровые модели IIoT, SCADA, MES системы МАШИННОЕ ОБУЧЕНИЕ НА ПЛАТФОРМЕ: AUTO ML 19 ПРИМЕРЫ ПРИМЕНЕНИЯ ПОДХОДА Платформа Эксплуатационные данные Характеристики газотурбинных установок 2-вальный ГТД Измерения раз в 60 секунд / 1 в секунду Физическая модель ГТД Гибридное моделирование Загрязнение компрессора Прогар жаровых труб Снижение КПД турбины 1 1 2 Применение гибридной аналитики Генератор виртуальных поломок Предиктивная модель 3 Раннее идентификация возникающих неисправностей в системе КВД, КНД, ТВД, ТНД Предсказание и анализ деградации вспомогательных подсистем (забор воздуха, маслосистема), ресурса лопаток ТВД. ПРИМЕР: НАЗЕМНАЯ ГАЗОТУРБИННАЯ УСТАНОВКА 22 ДЕМОНСТРАЦИЯ ПЛАТФОРМЫ ДЛЯ ГТУ 23 ПО ДЛЯ ПРЕСКРИПТИВНОЙ АНАЛИТИКИ ГТУ 24 ПРИМЕР: ОПРЕДЕЛЕНИЕ ОПТИМАЛЬНОГО ВРЕМЕНИ ПЕРЕМЕШИВАНИЯ СТАЛИ В ВАКУУМАТОРЕ • Геометрические размеры • Режимы засыпки лигатуры (алюминий) • Параметры вакуума • Процесс перемешивания Результаты Источник данных: Физико- математическая модель вакууматора • Сокращение времени перемешивания в 2 раза до 2.5 мин. • При сокращении времени перемешивания образование избыточного углерода стало отсутствовать –> Повышение марки стали • Снижение износа футеровки вакууматора на 50 % за счет снижения времени перемешивания Применение платформы CYBERPHYSICS на всем жизненном цикле производства металла и готовой продукции На платформу приходят данные со всех переделов производства стали, где возможна потеря ценности 1 Выстраивание графа технологического процесса и этапов производства готовой продукции. Анализ данных с виртуальных сенсоров. Определение превышений границ бездефектных режимов 2 - Вывод и анализ данных с виртуальных сенсоров; - Онлайн сравнение с бездефектными показателями выпуска продукции; - Рекомендации для выхода на бездефектный режим - Глубокий анализ физики процессов для разбора причин появления дефектов Превышение показаний виртуальных сенсоров 1. Поврежденность 2. Физ-хим свойства ШОС не оптимальны Неоптимальная подача слябов 1. Возможно снижение экономических потерь при рекомендованных режимов подачи слябов Превышение скорости циркуляции стали 1. Возможен повышенный износ футеровки Нет корреляций 1. Технология проката НЕ нарушена Превышение износа инструмента 1. Клеть 2. Верхние калибры 3 ПРИМЕР: ЛИТЬЕ ПЛАСТИКА ПОД ДАВЛЕНИЕМ Конструктор Технолог Оператор 3D модель Технологические параметры Итерации для достижения качества процесса БАЗОВЫЙ ТЕХНОЛОГИЧЕСКИЙ ПРОЦЕСС ЛИТЬЯ ПЛАСТИКА ПОД ДАВЛЕНИЕМ Конструктор Технолог Оператор CAD модель Начальные технологические параметры CAE анализ в Moldflow CAE анализ в Moldflow Результат расчета Качество Настройки машины Положения инжекторов Форсунки охлаждения Идентификация проблемных мест • Усадка • Анализ дефектов • Коробление • Охлаждение Обновленная CAD модель Упрощение и ускорение процесса отладки технологии Начальные условия) Идея: От 2-3 месяцев до 1 дня Технолог Результаты анализа Настройки машины CAD модель Обновленная CAD модель Конструктор Рекомендательная система Инструмент для выбора оптимальных режима для заданной топологии и улучшения геометрии Оператор Оперирует знаниями, накопленными на предприятии: 10 3 вариантов изделий ОБНОВЛЕННЫЙ ТЕХНОЛОГИЧЕСКИЙ ПРОЦЕСС Предсказание деформаций за 2 секунды, выбор оптимальных параметров тех процесса, рекомендация по изменению геометрии Процесс реализации модели машинного обучения Предсказание растекания пластика Сверточная нейронная сеть Предсказание отклонений Предсказанные параметры в свернутом подпространстве Модель градиентного бустинга Параметры тех. процесса и геометрия Проекция в 2D Преобразование геометрии в 2D Восстановление в 3D Унификация цифровых моделей Использование общих платформ моделей ТРЕНДЫ РАЗВИТИЯ ВЫСОКОТЕХНОЛОГИЧНЫХ ПРОИЗВОДСТВЕННЫХ КОМПАНИЙ 32 Непрерывное образование инженеров и руководителей в области методов машинного обучения Автоматизация принятия решений Единая самообучающаяся модель производственных активов Москва, Сколково, Большой Бульвар, 30, стр. 1 s.nikolaev@cyberphysics.xyz +7-926-257-23-57 Сергей Николаев, Директор 34 ПОДКЛЮЧЕНИЕ ПЛАТФОРМЫ на ПРОИЗВОДСТВЕ РАЗРАБОТКА и ЗАГРУЗКА ЦИФРОВЫХ МОДЕЛЕЙ ИНТЕГРАЦИЯ с SCADA/IIoT СИСТЕМОЙ Цифровые модели SCADA/IIoT данные Платформа ВАЛИДАЦИЯ ЦИФРОВЫХ МОДЕЛЕЙ РЕАЛЬНЫМИ ДАННЫМИ ГЕНЕРАЦИЯ ДАННЫХ для КЛАССИФИКАЦИИ ДЕФЕКТОВ ПРИМЕНЕНИЕ ГИБРИДНОГО МАШИННОГО ОБУЧЕНИЯ ИСПОЛЬЗОВАНИЕ ФУНКЦИОНАЛА ПЛАТФОРМЫ ИНТЕГРАЦИЯ МОДЕЛЕЙ и ДАННЫХ НАСТРОЙКА ПЛАТФОРМЫ SCADA/IIoT данные Валидированные цифровые модели Сгенерированные данные Алгоритмы машинного обучения 35 ПЛАТФОРМА ДЛЯ ОБМЕНА МОДЕЛЯМИ ПРОИЗВОДИТЕЛЬ ЭКСПЛУАТАНТЫ • Среда для оперативного уведомления о потенциальных неисправностях и получения обратной связи • ML алгоритмы для аналитики использования оборудования и оптимизации обслуживания Загрузка цифровых моделей оборудования на платформу Тестирование использования нового оборудования с помощью анализа «что-если» Решение о покупке нового оборудования Использование функционала платформы CYBERPHYSICS для используемого оборудования «ГАЗ» Отправка обратной связи, автоматические отчеты об использовании Запрос на покупку Получение обратной связи и аналитики использования Программный модуль CyberPhysics |