Обнаружение разладок в химических процессах
Необходимость ручного мониторинга показаний множественных сенсоров снижает возможность эффективно предсказать и обработать ситуации, предшествующие поломке разладке процессов обработки на производстве, что несет колоссальные потери для компаний в нефтегазовой отрасли. Исследователи на стыки инженерных и компьютерных наук активно внедряют модели машинного обучения для описанных задач с целью минимизации потерь компании в результате разладки процесса.

В работе сотрудников Института и Лаборатории ИИ предложены современные модели глубокого обучения для обнаружения разладок на данных Tennessee Eastman Process, а также синтетического расширения данных на основе генеративных состязательных нейронных сетей. Результаты опубликованы в топ-1 журнале в области промышленной инженерии, IF > 10 в Web of Science Core.

Предлагаемые модели могут быть использованы для своевременного сообщения об отклонении в показателях процесса для своевременного технического обслуживания, а также построения интеллектуального мониторинга и контроля процессов, основанных на множественных потоковых данных. Внедрение подобных моделей имеет не только бизнес эффект от предотвращения поломки оборудования и простоя, но и позволяет снизить эффект человеческого фактора при мониторинге процессов на комплексных производствах.
ОПИСАНИЕ ПРОЕКТА
ПУБЛИКАЦИИ
АВТОРЫ
ГОД
ИСТОЧНИК
Fault detection in Tennessee Eastman process with temporal deep learning models
Ildar Lomov
Mark Lyubimov
Ilya Makarov
Leonid Zhukov
2021