Разработка систем мониторинга и предиктивной аналитики производственных систем с использованием технологии машинного зрения и обучения (Этап 2024 года)

Для наукоёмкого промышленного производства самолётов, ракет, автомобилей, металлообрабатывающих станков и газотурбинных двигателей характерны длинные циклы изготовления продукции, отдельные детали проходят несколько стадий (операций) обработки в цеху, перемещаются между цехами внутри предприятия или между предприятиями-смежниками. В аэрокосмической отрасли характерно изготовление деталей малыми партиями при широкой номенклатуре их изготовления. Для того чтобы выполнялся главный календарный план и план производства в соответствии с директивными датами и своевременно производились корректирующие мероприятия, необходимо отслеживать движение материальных потоков и оптимизировать загрузку производственных мощностей по цепочке технологического маршрута. Для этой цели служат системы сбора информации и мониторинга (MDC-системы) и системы оперативного учёта выполнения производственных заданий (MES-системы). Существующие MES-системы направлены на повышение эффективности производства за счёт снижения избыточных складских запасов, объёмов незавершённого производства, повышения степени использования производственных ресурсов, уровня организации хранения и логистики, пропускной способности производственной системы и т.п. В настоящее время существует разрыв между используемыми в производстве программами среднесрочного и оперативного планирования (ERP) и системами сбора информации (MDC+MES). На предприятиях аэрокосмического профиля данные собираются не со всех станков технологической цепочки, а только со специально для этой цели оснащённых, либо с терминалов на рабочих местах, где присутствует ручной ввод. Такой избирательный характер поступления информации и человеческий фактор существенно снижают её достоверность. В этой связи разработка эффективных алгоритмов интеллектуализации видеонаблюдения для проведения автоматического анализа видеопотока при помощи технологий машинного обучения позволит сократить существующий разрыв в сборе и анализе производственных данных, повышая эффективность планирования и исполнения. Актуальной является разработка модульной программной системы, реализующей подобные алгоритмы. Модульный принцип построения подобной программной системы позволит интегрировать её с MDC системами, применяемыми на производстве (АИС Диспетчер, Winnum) или использоваться последнюю в качестве автономной MDC системы для передачи оперативной информации в MES или ERP – систему. Цель текущего этапа проекта: создание опытных образцов интеллектуальных программно-аппаратных средств для отработки технологии мониторинга состояния движения материальных потоков (заготовок) в дискретном производстве машиностроительных предприятий на основе данных видеофиксации. В рамках текущего этапа решены следующие задачи: 1) разработка алгоритмов для идентификации QR-кодов, алгоритмов OCR для маркеров, отличных от QR- кодов; 2) выбор моделей машинного обучения, позволяющих детектировать объекты производства (движение деталей) без идентифицирующих специальных маркеров; 3) разработка каскадного алгоритма, позволяющего проводить идентификацию содержимого в производственных тарах; 4) создание рабочих прототипов (опытный образец) программно-аппаратных средств для мониторинга изменений в производственном потоке деталей. Практическая значимость разрабатываемых моделей, алгоритмов, методов и программно-аппаратных средств для промышленных предприятий заключается в снижении потерь рабочего времени, затрат на неэффективное использование материалов и заготовок, снижение случаев нарушений графиков производства, срывов сроков поставок, предоставление оперативной информации для анализа затрат и причин отклонения от производственного плана. Существенная значимость заключается в снижении разрыва между полнотой, актуальностью и достоверностью получаемой информации о состоянии производственной системы при выполнении заказов. Научной новизной выполняемых исследований первого этапа является разработка экстенсионального метода распознавания образов (машинное обучение), отличающегося от известных методов применением нового каскадного алгоритма обучения сверточных нейронных сетей, повышающего точность при существенном снижении размера обучающей выборки.