Стажировка
Создание ИИ-системы моделирования отказов оборудования на линии с экструдерами
Компания: ООО «амаи»
Суть проекта
Для чего
Вводные данные
Проект направлен на разработку и внедрение систем на основе искусственного интеллекта для прогнозирования отказов технологического оборудования (заклинивание двигателя экструдера, обрыв проволоки на волочильне) на предприятиях кабельной промышленности. Одна система нацелена на предсказывание внезапной остановки двигателя экструдера. Другая – на прогноз обрыва проволоки на волочильне при пуске оборудования
- Исследование закономерностей в данных,
- Подбор лучшего ИИ-метода для прогнозирования отказов оборудования
- Разработка AI-моделей для прогнозирования отказов оборудования
- Интеграция моделей на сервер
Оповещения в Telegram-канал о вероятных отказах оборудования
Данные с датчиков, установленных на оборудовании
задачи
выходные данные
Участники
команды проекта
команды проекта
- руслан гришаковТимлид проекта
- Руководство проектом и контроль выполнения его этапов
- Поддержание общения с заказчиком для согласования требований и промежуточных результатов
- даниил савченкоПрограммист
- Исследование закономерностей в данных, приводящих к отказам оборудования
- Исследование методов интерполяции данных
- Предобработка данных для обучения моделей ML
- Поиск методов использования моделей ML для задач прогнозирования отказов оборудования
- Проведение экспериментов по подбору гиперпараметров моделей ML ARIMAX, TS, LSTM + TCN, Random Forest, GBoost)
- Адаптация классификатора Random Forest для прогнозирования аварий на линии волочения
- Адаптация ARIMAX с дообучением для прогнозирования аварий на линии экструдера
- Подготовка моделей ML к интеграции на сервер
- Интеграция моделей ML на сервер
- Обеспечение работы моделей ML в режиме реального времени (оповещения в Telegram-канал о вероятных отказах оборудования)
- Тестирование на реальных данных в условиях эксплуатации оборудования
- анелия михалькевичГорный инженер, аналитик данных
- Исследование закономерностей в данных, приводящих к отказам оборудования
- Исследование методов интерполяции данных
- Предобработка данных для обучения моделей ML
- Поиск методов использования моделей ML для прогнозирования аварий на линии волочения
- Feature Engineering в обучении моделей ML
- Проведение экспериментов по подбору гиперпараметров моделей ML(Random Forest, GBoost, XGBoost)
- Подготовка моделей ML к интеграции на сервер
- евгений сапсалёвВедущий эксперт (менеджер проекта) ИИЦ ИТМО-Газпромнефть
- Разработка инструментов для сбора данных в режиме реального времени
- Сбор данных и формирование датасетов
- Исследование закономерностей в данных, приводящих к отказам оборудования
- Предобработка данных для обучения моделей ML
- Поиск методов использования моделей ML для прогнозирования аварий на линии волочения
- Feature Engineering в обучении моделей ML
- Проведение экспериментов по подбору гиперпараметров моделей ML(Random Forest, XGBoost)
- Подготовка моделей ML к интеграции на сервер
- Интеграция моделей ML на сервер
- Обеспечение работы моделей ML в режиме реального времени (оповещения в Telegram-канал о вероятных отказах оборудования)
- Тестирование на реальных данных в условиях эксплуатации оборудования
- леонид шулятиковоператор станков с ЧПУ
- Исследование закономерностей в данных, приводящих к отказам оборудования
- Предобработка данных для обучения моделей ML
- Поиск методов использования моделей ML для прогнозирования аварий на линии экструдера
- Проведение экспериментов по подбору гиперпараметров моделей ML (TCN + LSTM, автоэнкодеры)
- Обучение автоэнкодеров (отдельно на каждый из 30-ти датчиков)
- Визуализация работы моделей ML
- Создание видеодемонстрации моделирования отказов оборудования
- андрей быков
- Исследование закономерностей в данных, приводящих к отказам оборудования
- Предобработка данных для обучения моделей ML
- Поиск методов использования моделей ML для прогнозирования аварий на линии экструдера
- Проведение экспериментов по подбору гиперпараметров моделей ML (CNN, LSTM, GRU, Attention mechanism)
- Подготовка моделей ML к интеграции на сервер
- дмитрий мусалёвЭксперт Управления научно-технического сопровождения ООО "ПроТех Инжиниринг"
- Исследование закономерностей в данных, приводящих к отказам оборудования
- Предобработка данных для обучения моделей ML
- Поиск методов использования моделей ML для прогнозирования аварий на линии волочения
- Проведение экспериментов по подбору гиперпараметров моделей ML
- андрей рожковсамозанятый
- Исследование закономерностей в данных, приводящих к отказам оборудования
- Предобработка данных для обучения моделей ML
- Поиск методов использования моделей ML для прогнозирования аварий на линии экструдера
- Проведение экспериментов по подбору гиперпараметров моделей ML
- сергей солошенкоживотновод
- Исследование закономерностей в данных, приводящих к отказам оборудования
- Предобработка данных для обучения моделей ML
- Поиск методов использования моделей ML для прогнозирования аварий на линии экструдера
- Проведение экспериментов по подбору гиперпараметров моделей ML
- андрей федоренкопредставитель заказчика
- Предоставление материалов по оборудованию
- Предоставление методических материалов для исследований
- Тестирование на реальных данных в условиях эксплуатации оборудования
- Дмитрий гордеевПредставитель заказчика
- Обеспечение сбора данных в режиме реального времени
- Консультирование по вопросам работы оборудования
- Тестирование на реальных данных в условиях эксплуатации оборудования