Разработка инструментальных средств для отечественных программируемых логических контроллеров с интеллектуализацией

В последнее время в связи с развитием методов искусственного интеллекта (ИИ) и машинного обучения довольно остро стоит проблема их применения в системах управления и специализированном программном обеспечении систем управления и автоматизации, в частности SCADA-системах, с учетом особенностей различных отраслей промышленности: разными условиями внешней среды и составом оборудования, территориальной распределённости объектов управления, разным уровнем технической оснащённости. Данные особенности порождают следующие вызовы: - малое количество данных для обучения; - невозможность создания универсальных моделей на основе машинного обучения, из-за чего практически нет работающих продуктовых решений с ИИ в системах управления промышленными объектами и внутри SCADA-систем, а существуют только разработанные специально под этот объект; - необходимость обмена и обобщение “знаний”, полученных методами ИИ на каждом из объектов; - учет разнородности данных доступных на каждом из объектов, как на этапе обучения, так и на этапе применения ИИ; - сохранение коммерческой тайны; - минимизация передаваемой информации по каналам с ограниченной пропускной способностью. Перспективным вариантом решения обозначенной проблемы для конечного объекта являются методы обучения на малых выборках, например, подходы на основе finetuning, one-few shot learning. Суть данных подходов заключается в использовании признаков объекта нового класса, полученных с использованием старой модели их извлечения, при добавлении нового класса в классификатор. Однако, основная проблема при использовании таких подходов заключается в нахождении разумного компромисса между количеством данных и качеством. Другим перспективным вариантом решения проблем является использование подхода на основе линейных-дискриминантных корректоров, которые были математически обоснованы несколько лет назад и задача которых уточнить границу принятия решений нейросетевой модели при работе с несбалансированной выборкой. Также перспективным, благодаря отсутствию у сети предопределённых весов и, соответственно, возможности быстрого переобучения, видится использование подходов со стохастическим (рэндомизированным) обучением, на основе сетей Stochastic Configuration Networks и механизма Stochastic Configuration Machines. Облачные подходы предлагают эффективные решения для анализа данных, но аспекты, связанные с передачей данных и рисками для конфиденциальности и безопасности данных, все еще остаются нерешенными. Парадигма федеративного обучения (ФО) открывает новые возможности для распределенной обработки разнородных данных с сохранением конфиденциальности. Поскольку ФО позволяет различным организациям совместно обучать модели машинного обучения без предварительного агрегирования данных, это значительно сокращает время и затраты на передачу данных, одновременно защищая конфиденциальность входных данных. Однако, в данном случае возникают трудности с тем, что данные должны быть аннотированы. Решение проблемы требует стандартизации подходов к используемым в системах управления вычислителям, а также расширения набора параметров оценки и получения дополнительной информации, необходимой для управления и технологического контроля. В последнее время резко возрос интерес к использованию устройств со встроенными вычислителями, применение которых ограничивается эффективностью обработки больших объёмов пространственно-временной информации (визуальные данные, звук, данные сенсоров) в режиме реального времени. Объём этих данных экспоненциально возрастает, а требования к массогабаритным характеристикам, энергопотреблению ужесточаются. Здесь основным решением проблемы является построение аппаратно-ориентированных нейросетевых методов и алгоритмов на основе машинного обучения. При этом пространство признаков, как правило, формируется при помощи аппарата частотно-временной обработки данных, а аппаратной платформой выступают программируемые логические контроллеры, встраиваемые векторные вычислители, вычислители с параллельной структурой (ASIC, FPGA, GPU). Соответственно, возникает необходимость в оптимизации нейросетевых алгоритмов и структур нейросетей, создании быстрых методов и алгоритмов исправления ошибок систем машинного обучения без переобучения, создании аппаратных платформ, ориентированных на нейросетевые алгоритмы. Сегодняшняя геополитическая ситуация формирует острую потребность в разработке отечественных программно-аппаратных средств, способных обеспечивать не только высокую производительность и функциональность, но и быть надежно защищенной доверенной системой. Это особенно важно при использовании аппаратного и программного обеспечения на стратегических промышленных объектах, где недопустима малейшая утечка информации и неконтролируемые сбои. Соответственно, важным вопросом, которому будет уделено внимание в этом исследовании, является создание доверенных отечественных средств разработки и отладки для систем управления и промышленной автоматизации