ПЕРЕДОВЫЕ
ПРОИЗВОДСТВЕННЫЕ
ТЕХНОЛОГИИ
Платформа для создания цифровых двойников производственных линий
  1. Проблема промышленных предприятий
  2. Текущее состояние предприятий
  3. Актуальность для государства
  4. Целевая аудитория
  5. Опрос целевой аудитории
  6. Цель проекта
  7. Ход работы
  8. Результат
  9. Фотоотчет
Оглавление
Проблема промышленных предприятий
На промышленных предприятиях регулярно проводятся плановые проверки состояния оборудования, но простои и аварии всё равно происходят, приносят серьёзные убытки.
Мы предлагаем внедрить цифровые двойники - программный комплекс для прогнозирования износа оборудования на основе физических моделей и данных с датчиков на самих аппаратах. Внедрение цифровых двойников и предиктивного ТО в смежные сферы сокращает убытки.
Повышение темпа производства
Отставание от сроков
Простой линий
Повышение скорости износа
Износ оборудования
Поломка оборудования
В год затраты на лицензии иностранных решений.
Из-за ухода иностранных компаний эта ниша освободилась.
~3,7 млрд ₽
Сокращаются потери от простоя оборудования, при внедрении цифровых двойников в смежных отраслях.
На 30-40%
Аварий в среднем происходит за год у химических предприятий.
23
Приблизительные потери в год у ФосАгро из-за простоя оборудования.
1,5 млн ₽
Текущее состояние промышленных предприятий

Актуальность для государства

В 2024 году был подписан указ № 309
«О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года».
Указ №309
«Цифровая трансформация государственного и муниципального управления, экономики и социальной сферы».
Национальный курс
Для достижения этой цели необходимо активно внедрять современные цифровые технологии на всех уровнях. Это требует не только обновления технической базы, но и развития компетенций, способных обеспечить устойчивое и безопасное цифровое будущее.
Инновации и рост
Главный партнер проекта
Целевая аудитория
Химическая промышленность
Нефтегазовая промышленность
Одна из крупнейших химических компаний Европы с экспортом в более чем 100 стран.
Лидер в химической отрасли
Поддерживает инновационные и экологические проекты, сотрудничает с ведущими научными центрами.
Сильный индустриальный партнёр
ФосАгро — №1 в России по производству фосфорсодержащих удобрений.
Ведущий производитель удобрений
  • Ручные проверки разрозненных
датчиков, в том числе IoT-датчиков, без глубокой аналитики.
  • Частичная интеграция
с системами автоматизации бизнес-процессов (ERP).
Текущие решения
  • Точно прогнозировать период безаварийной
работы оборудования.
  • Оперативное оповещение персонала о скорой
возможности поломки оборудования.
  • Масштабирование решения на все
производственные площадки
  • Подбор лучших технологических параметров для
получения максимального КПД без модернизации оборудования
Потребности партнера к проекту
Оценки риска компаний, по шкале от 1 до 10
Опрос целевой аудитории
Наше решение
Система, сравнивающая математическую модель и показания реальных данных, для оценки состояния оборудования, с возможностью симуляции технологического процесса и симуляции производственных сценариев.
Цель проекта
Результаты проекта
  • Точность симуляции ~85%
  • Ускорение вычислений в 20 раз, по
сравнению с математической моделью
(за счет KAN-нейросетей).
  • Возможность интеграции с АСУТП через
API (программный интерфейс приложения).
  • Снижения простоев за счет
своевременного технического обслуживания.
  • Обеспечение безопасности
производства за счет недопущения аварийных ситуаций.
  • Имитация различных производственных
сценариев для обучения персонала.
Целевые характеристики
Прогнозирование поломок и аварий путем сравнения эталонной модели с реальными данными
Ход работы
Создание математической модели
Для создания достаточно точной математической модели аппаратов было изучено множество материалов, выведены и запрограммированы в MATLAB необходимые уравнения, чтобы обучить быструю KAN-модель.
Обучение KAN-модели
На основе математической модели мы обучили несколько видов нейросетей. Архитектура KAN показала себя лучше всего. Обучение происходило с использованием Python + Pytorch и PyKAN.
Разработка UI интерфейса
Для создания графического интерфейса мы использовали C# и AvaloniaUI.
Развертывание и тестирование
Было установлено ядро на сервер. Проверена доступность связи для системы. Протестировано подключение к АСУТП.
Дорожная карта

База данных

Шкафы управления АСУТП
Производственные аппараты
Панель оператора
Пользовательские ПК
Вычислительный сервер
Программная архитектура
Мы реализовали серверное и клиентское приложение.
Серверное приложение может рассчитывать физическую модель и генерировать KAN-формулы для клиентского приложения.
Демонстрация работы платформы
Наша команда
  • Максим Пискун
    Инженер АСУТП и координатор команды
  • Егор Мартынов
    Старший разработчик
  • Никита Болбот
    Инженер по демонстрационной
    3D-модели
  • Артём Журавлев
    Физик-программист
Наши наставники
  • Павел Веденеев
    Аспирант УрФУ, руководитель проекта
  • Сергей Петряков
    Бизнес-руководитель
  • Дарья Барсукова
    Эксперт от компании ФосАгро
  • Татьяна Иванова
    Бизнес-тренер
  • Дмитрий Фролов
    Ответственный за математическую модель
  • Илья Буренко
    Старший разработчик, ML-инженер
  • Артем Максимов
    Дизайнер системы визуализации
Фотоотчет