Анна Смоляная о применении искусственного интеллекта в промышленном инжиниринге и экологических технологиях

В промышленном инжиниринге и экологических технологиях модели машинного обучения применяют для решения конкретных задач. Однако польза от таких моделей проявляется там, где есть качественные данные и понимание границ их использования. Как ИИ помогает решать производственные и экологические задачи, рассказала Анна Смоляная – инженер, предприниматель, основатель Diovis Eco, руководитель направления экологического мониторинга в компании «Ренова Инжиниринг».

Где ИИ уже дает результат

На практике такие модели помогают выявлять отклонения, оценивать параметры, которые сложно измерять непрерывно, и подбирать более эффективные режимы работы оборудования.

Ярким примером служит опубликованное поставщиком описание проекта на очистных сооружениях Куксхафена в Германии. Согласно этим данным, применение моделей для управления аэрацией позволило снизить ее энергопотребление более чем на 26% при сохранении требуемого качества очищенной воды.

«Однако это результат конкретного объекта, который нельзя автоматически переносить на другие предприятия. Одно из основных ограничений – работа модели в условиях, которые не были представлены при обучении. Другой состав сырья, сезонные колебания температуры или ремонт оборудования могут существенно повлиять на точность прогноза», – считает Анна Смоляная.

Модель, хорошо работавшая на одном объекте, может давать менее точные прогнозы на другом предприятии или при изменении производственных условий. Поэтому перед внедрением необходимо проверить ее применимость к конкретному объекту и при необходимости адаптировать.

От чего зависит точность прогноза

Исследователи SINTEF и Veas сравнили несколько моделей для оценки и прогнозирования концентрации нитратов на выходе пилотного реактора в Норвегии. Работа показала важность проверки модели на данных другого эксплуатационного периода. Авторы связывают трудности прогнозирования с сезонными изменениями температуры и неучтенными изменениями состояния реактора.

Для таких задач нужны достоверные данные, которые отражают разные режимы работы и сезонные изменения. В их число входят результаты измерений, параметры процесса, сведения о сырье, нагрузке, ремонтах и состоянии приборов», – рассказывает Анна Смоляная.

Перед внедрением модель необходимо проверить на данных, которые отражают предполагаемые условия эксплуатации и не использовались при ее обучении и настройке. После запуска нужно регулярно сопоставлять прогнозы с фактическими измерениями и заранее определить порядок действий при существенных расхождениях.

Читайте также: