Умные фабрики будущего. Как искусственный интеллект и прогнозируемое обслуживание меняют промышленность. Александр Юрьевич ЧесаловЧитать онлайн книгу.
Интернета вещей оснащают свои устройства дополнительным интеллектуальным программным и аппаратным обеспечением, по сути, превращая каждый датчик в «умное» устройство. Технология, которая позволяет это реализовать называется «периферийный искусственный интеллект» (англ. Edge Artificial Intelligence, Edge AI).
Периферийный искусственный интеллект подразумевает развертывание алгоритмов и моделей ИИ непосредственно на локальных периферийных устройствах, таких как датчики или устройства промышленного Интернета вещей, что обеспечивает быструю обработку и анализ данных в режиме реального времени без постоянной зависимости от облачной инфраструктуры и каналов передачи данных [12,13].
Рис. 10 – Пример архитектур автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов
Если речь идет о мониторинге оборудования в реальном времени крупного промышленного предприятия, то технология Edge AI и технологии облачных вычислений для ИИ являются наилучшим выбором при разработке архитектуры и создании автоматизированной системы прогнозируемого и предписывающего обслуживания.
Далее в таблице приведен пример использования автоматизированных систем прогнозируемого обслуживания в различных отраслях экономики для решения различных прикладных задач [14].
Рис. 11 – Пример использования автоматизированных систем прогнозируемого обслуживания в различных отраслях экономики
Высокую эффективность в работе современных автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов показали различные варианты совместного применения методов нейронных сетей и теории свидетельств, в части уменьшения уровня неопределенности и увеличения уровня доверия к выходным данным для принятия решений экспертами [15].
Отличительная особенность работы данного класса автоматизированных систем заключается в наличии факторов неопределенности при сборе и анализе данных от датчиков и оборудования промышленного Интернета вещей. Одним из общих подходов для снижения неопределенности в собираемых данных и повышения степени доверия к ним может быть объединение методов интеллектуальной обработки нечеткой информации.
Также нужно обратить внимание на тот факт, что для получения итогового распределения вероятностей отказов недостаточно применения байесовского подхода, по причине того, что он не применим для многостадийных технологических процессов, так как в самом начале отсекает неперспективные варианты решений, в которых может находится информация о причинах дефекта. В данном случае, целесообразно применение теории свидетельств, которая позволяет выполнить полный анализ всех возможных вариантов решений.
Выделим следующие ключевые организационно-технические мероприятия, которые необходимо реализовать для успешного создания автоматизированной
. Ideal State of Equipment Maintenance: Technology That Realizes Predictive Maintenance [Электронный ресурс]. URL: https://article.murata.com/en-eu/article/technology-to-realize-predictive-maintenance (дата обращения: 23.10.2024)
. What is edge AI? [Электронный ресурс]. URL: https://www.ibm.com/topics/edge-ai (дата обращения: 23.10.2024)
. Ucar, A.; Karakose, M.; Kırımça, N. Artificial Intelligence for Predictive Maintenance Applications: Key Components, Trustworthiness, and Future Trends. Appl. Sci. 2024, 14, 898. https://doi.org/10.3390/app14020898 (дата обращения: 23.10.2024)
. Иванов В.К., Палюх Б.В. Демонстратор программной платформы для совместного использования алгоритмов теории свидетельств и нейронных сетей в нечетких системах // Программные продукты и системы / Software & Systems. – 2021. – №4(34) – С.511-523.