Стажировка по проекту
Проект по созданию ИИ-системы предсказания отказов оборудования
Компания: ТОО «Nordal»
Суть проекта
Задача
Для чего
Вводные данные
Разработка системы на основе искусственного интеллекта, предназначенной для прогнозирования отказов технологического и энергетического оборудования.
Используя данные с датчиков вибрации, температуры и давления, ИИ будет анализировать показания в реальном времени для выявления потенциальных неисправностей и предупреждения о них заранее, что позволит минимизировать время простоя и избежать финансовых потерь. Проект предоставляет студентам УИИ возможность применить и развить свои знания в реальных условиях, подчеркивая роль искусственного интеллекта в повышении эффективности и надежности производственных и энергетических систем
Данные о показания различных датчиков в формате csv и текстовые данные о возможных неисправностях
Гипотезы, обученные модели, интегрированная нв Flask рабочая система
Выходные данные
Участники
1 команды проекта
1 команды проекта
- Терещенко АлексейТимлид проектаАлексей - руководитель группы разработчиков, отвечал за полную разработку проекта
- Каргальцев ВладиславПомощник ТимлидаВладислав помогал руководителю команды организовывать процесс разработки проекта
- Леонтьев ОлегПомощник ТимлидаОлег помогал руководителю команды организовывать процесс разработки проекта
- Готова НатальяИсполнительный директор Ассоциации содействия производителям интеллектуальных систем в электроэнергетике и ЖКХ «ИНСИСТ ЭНЕРГО»
- Разработан бэкенд для предсказания режимов работы нефтяного оборудования, вероятности отказов, степени износа и остаточного ресурса на полгода вперед;
- Созданы коды для автоматизированной аналитики исторических данных оборудования;
- Освоена работа с библиотеками обработки больших данных duck и dusk distributed;
- Проведена кластеризация данных с помощью алгоритма DBScan, кластеры объединены по крупным паттернам для диагностики и прогнозирования;
- Обучена модель LSTM, выполнено перевзвешивание классов для улучшения предсказаний;
- Создана анимация предсказаний на Plotly;
- Составлен словарь неисправностей оборудования, выполнена диагностика с помощью RandomForestClassifier, визуализированы графики и предупреждения;
- Прогнозирование данных на полгода вперед выполнено с помощью модели САРИМА, найдены неисправности;
- Подготовлен полный пакет для продакшена, дорабатывается запуск и дизайн для демонстрации;
- Подготовлена презентация проекта
- Уразова ЮлияСММ-специалист, таргетолог, директолог
- Проведена работа с датасетом: проанализированы данные, выбраны показания датчиков насоса, где наиболее верная (по словам заказчика) информация по данным. Дополнение отсутствующих значений;
- Кластеризация методами DBScan , HDBScan и «вручную»;
- Ручная классификация для каждого вида показаний (норма, высокое, критическое), Поскольку в реальном датасете не было информации по критичным проблемам, добавлены в него синтетические данные для имитации аварийных ситуаций;
- Создана модель HistGradientBoostingRegressor - для классификации, на тренировочной выборке точность 0.9996, на тестовой точность 0.9972;
- Обработка данных на Auto-ts для выбора лучшей модели. По результатам 4 тестов с разными временными интервалами (3 по датчику вибрации, 1 - температуры, время - час или минута), лучшая - ML xgboost;
- Подготовка презентации проекта;
- Обучение модели Классификации на полученные после обработки модели xgboost Результат получился верный, модель правильно провела классификацию. При необходимости - можно дообучить на большем количестве классов и использовать ее для вывода результатов в текущем времени и в прогнозе
- Эфрос ЕвгенийРуководитель группы АСУТП
- Преобразование данных из исходного формата в формат, подходящий для обработки инструментами Pandas;
- Предварительная обработка данных (удаление повторов, сокращение количества записей;
- Анализ режимов работы агрегатов методом кластеризации;
- Анализ методов предсказания неисправности оборудования
- Капустин Тимофейдефектоскопист
- Анализ исходных данных;
- Обработка исходных данных для формирования датасета;
- Создан объединенный по датам датасет и разбитый по отдельным насосам и компрессорам;
- Кластеризация датасета при помощи KMeans, AgglomerativeClustering, DBSCAN с различными параметрами
- Коваленко СергейРуководитель технологических проектов в московской компании
- Проработка гипотез;
- Собрана векторная модель с центрами кластеров для разных режимов работы, в том числе для аварийного, путем постепенного движения кластера работы к кластеру аварийного режима, отражая процесс износа системы. Аварийный режим складывается из суммы текущей вероятности выхода из строя оборудования и долгосрочного параметра выхода из строя оборудования
- Химин Артем
- Разработка проекта с использованием AI-моделей и временных рядов для прогнозирования отказов технологического оборудования с интервалом в 1 месяц и глубиной предсказания до 6 месяцев;
- Подготовка презентации проекта
Благодарность университетУ