Система предиктивной аналитики технологических данных

Система предиктивной аналитики (ИС ПАК) представляет собой гибкий инструмент сбора, консолидации и анализа технологических данных по производственным маршрутам, подбора оптимальных технологических параметров производственного процесса и прогнозирования качественных характеристик продукции.

ИС ПАК предназначена для существенного увеличения объема анализируемой информации, совершенствования технологий производства и стабильного повышения качества готовой продукции.

Состав системы

Подсистема формирования свободных выборок

Назначением подсистемы является предоставление механизмов для подготовки произвольных наборов данных с возможностью последующей обработки и анализа полученных массивов, создания и обучения предиктивных моделей, а также импорта данных в смежные и сторонние сервисы. Источниками исходных данных являются существующие автоматизированные системы предприятия: АСУ ТП, MES, системы управления технологией и качеством продукции, системы интегрированного планирования производства.

Предоставляет широкий арсенал инструментов для анализа выборок:

• корреляционный анализ с расчетом следующих показателей:
• коэффициент корреляции;
• вероятность ошибочной корреляции;
• вероятность одинаковой дисперсии методами Колмогорова–Смирнова и Манна–Уитни;
• доля взаимной информации, %;
• кластеризация методами понижения размерности:
• метод главных компонент;
• многомерное масштабирование;
• однородная проекция многообразия;
• построение SHAP-диаграмм (диаграммы Шепли);
• построение кривых обучения.

В рамках подсистемы реализована возможность построения регрессионных и классификационных моделей на основании следующих методик ML (машинного обучения):

• линейное моделирование;
• random forest (случайный лес);
• gradient boosting (градиентный бустинг);
• метод k-ближайших соседей;
• deep learning (глубокое обучение) – нейросетевые модели с настраиваемыми топологиями.

Учет отраслевой специфики металлургии

Широкий набор методик регрессионного моделирования позволяет осуществлять эффективное проектирование многопередельного поточного технологического процесса.

Предусмотрена возможность использования любых технологических параметров производства и характеристик продукции в качестве предикторов и целевых функций для решения как прямых, так и обратных технологических задач.

Основные функции

Система позволяет решать задачи оптимизации технологии, стабильного достижения высокого уровня потребительских свойств, прогнозирования эксплуатационных характеристик продукции методами машинного обучения и нейросетевого моделирования.

Формирование свободных выборок

Инструменты и регламенты формирования свободных по структуре выборок данных для различных групп пользователей. 
Визуализация разнородной информации, возможности консолидации различных комбинаций статистических данных в рамках специализированных форм.

Обработка данных

Предоставление инструментария для интерактивной обработки, настройки и адаптации подготовленных массивов данных.

Анализ данных

Корреляционный анализ и анализ нелинейных взаимосвязей, характеризующие технологический процесс в виде инфографики.

Моделирование

Моделирование и расчет значений целевых функций на основе произвольных значений предикторов. Мониторинг обучения моделей в режиме online.

Контроль эффективности

Контроль эффективности моделей и пайплайнов (pipeline) с использованием соответствующих метрик (MSE, MAE, MAPE, Precision, Recall, Accuracy, F1-Score, R2, adjusted R2) и распределения остатков.

Эффективность

Инструменты системы позволяют с высокой точностью осуществлять прогнозирование качественных характеристик продукции, своевременно выявлять и реагировать на отклонения технологических параметров производства, принимать решения о корректировке технологии, аттестации и отгрузке продукции.

Численное моделирование позволяет осуществлять проверку гипотез при совершенствовании технологии, минимизируя затраты на опытное производство.