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,
приводящих к отказам оборудования
  • Подбор лучшего ИИ-метода для прогнозирования отказов оборудования
  • Разработка AI-моделей для прогнозирования отказов оборудования
  • Интеграция моделей на сервер
с отправкой результатов прогнозирования в Telegram-канал
Оповещения в Telegram-канал о вероятных отказах оборудования
Данные с датчиков, установленных на оборудовании
задачи
выходные данные
Участники
команды проекта
  • руслан гришаков
    Тимлид проекта
    • Руководство проектом и контроль выполнения его этапов
    • Поддержание общения с заказчиком для согласования требований и промежуточных результатов
  • даниил савченко
    Программист
    • 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 михалькевич
    Горный 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 сапсалёв
    Ведущий 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 шулятиков
    оператор 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 мусалёв
    Эксперт 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 рожков
    самозанятый
    • 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 солошенко
    животновод
    • 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 федоренко
    представитель заказчика
    • Предоставление материалов по оборудованию
    • Предоставление методических материалов для исследований
    • Тестирование на реальных данных в условиях эксплуатации оборудования
  • Дмитрий гордеев
    Представитель заказчика
    • Обеспечение сбора данных в режиме реального времени
    • Консультирование по вопросам работы оборудования
    • Тестирование на реальных данных в условиях эксплуатации оборудования