mobile logo

Atlansys EUS Enterprise

В текущих экономических условиях, когда концепция развития цифровой экономики сменяется новым трендом развития – экономикой данных, внедрение передовых вычислительных и прорывных информационных технологий в промышленных экосистемах является приоритетным направлением цифровой трансформации промышленных предприятий различных отраслей экономики.

Цель цифровой трансформации промышленных предприятий должна заключаться в реализации ряда комплексных программ и проектов основывающихся на прорывных и перспективных технологиях «Индустрии 4.0», которые, прежде всего, включают в себя технологии искусственного интеллекта (ИИ), позволяющие создавать на первом этапе новую промышленную инфраструктуру, а в итоге – цифровую экосистему сетевых предприятий, способную объединить разрозненные цифровые и платформенные решения.
Одними из наиболее востребованных для промышленности являются автоматизированные системы прогнозируемого (англ. Predictive Maintenance) или предписывающего обслуживания (англ. Prescriptive Maintenance), предназначенные для прогнозирования выхода оборудования из строя и предотвращения поломок.

С 2023 года в компании «Программные системы Атлансис» ведутся работы по созданию отечественной цифровой платформы Atlansys EUS Enterprise для решения задач прогнозируемого и/или предписывающего обслуживания промышленных предприятий.

 

Atlansys EUS Enterprise позволяет решать следующие задачи:

  1. Определять вероятностные характеристики аномальных событий и осуществлять:
  • Мониторинг показателей работы оборудования. Постоянный сбор и анализ данных от Edge-IIoT-устройств и других источников.
  • Выявление аномалий. Обнаружение отклонений в работе оборудования, которые могут указывать на приближающийся отказ.
  • Оценку вероятности отказа. Прогнозирование вероятности возникновения критических событий на основе анализа данных.
  1. Производить описательный анализ (англ. Descriptive Analytics) и находить ответ на вопрос «Что произошло?»
  • Анализ исторических данных для понимания текущего состояния оборудования.
  • Визуализация данных (графики, диаграммы, отчёты и другие) для наглядного представления информации.
  • Выявление закономерностей и трендов в работе оборудования.
  1. Производить диагностический анализ (англ. Diagnostic Analytics) и находить ответ на вопрос «Почему это произошло?»:
  • Определение причин возникновения аномалий или отказов.
  • Анализ факторов, влияющих на работу оборудования (например, износ деталей, перегрузки, внешние и внутренние условия эксплуатации, и другое).
  • Поиск первоначальных причин проблем для предотвращения их повторного возникновения.
  1. Производить прогностический анализ (англ. Predictive Analytics) и находить ответ на вопрос «Что произойдет?»
  • Прогнозирование вероятности отказов на основе анализа текущих и исторических данных.
  • Использование моделей машинного обучения для предсказания будущих событий.
  • Оценка оставшегося срока службы оборудования.
  1. Производить предписывающий анализ (англ. Prescriptive Analytics) и находить ответ на вопрос «Что следует делать?»
  • Рекомендации по оптимальным действиям для предотвращения отказов (например, замена деталей, настройка параметров, и другое).
  • Разработка планов технического обслуживания на основе прогнозов.
  • Оптимизация графика обслуживания для минимизации простоев и затрат.
  1. Оказывать помощь в принятии решений (англ. Decision Support) и находить ответ на вопрос «Где и как делать?»
  • Предоставление информации о том, какие именно компоненты оборудования требуют внимания.
  • Рекомендации по локализации проблем и методам их устранения. Автоматизированные системы прогнозируемого / предписывающего обслуживания предоставляют специалистам по техническому обслуживанию экспертные знания и инструменты, необходимые для принятия своевременных решений и выполнения технических работ, гарантируя бесперебойную и эффективную работу оборудования.
  1. Осуществлять мониторинг и оповещение, включая:
  • Непрерывный мониторинг состояния оборудования. Отслеживание ключевых показателей в режиме реального времени.
  • Автоматическое оповещение. Уведомление персонала о потенциальных проблемах или необходимости вмешательства.
  • Настройка пороговых значений. Определение критических уровней показателей, при которых требуется реакция.
  1. Выполнять оптимизацию процессов обслуживания, которая позволит:
  • Снизить затраты на обслуживание. Минимизация расходов за счёт предотвращения катастрофических отказов.
  • Увеличить срок службы оборудования. Своевременное обслуживание для предотвращения износа.
  • Повысить эффективность производства. Снижение простоев и увеличение доступности оборудования.
  1. Реализовывать процессы обучения, переобучения и адаптации
  • Постоянное обновление моделей. Совершенствование алгоритмов и дообучение моделей на новых данных для повышения точности прогнозов.
  • Адаптация к изменениям. Учёт новых факторов и условий работы оборудования.
  1. Обеспечивать безопасность и надёжность
  • Предотвращение аварий. Снижение рисков, связанных с отказами оборудования.
  • Повышение уровня промышленной безопасности. Обеспечение безопасных условий работы для персонала.
  1. Интегрироваться с другими производственными системами и поддерживать бизнес- и технологические процессы
  • Обеспечивать обмен данными с системой управления производством (MES), системой управления активами предприятия (EAM), системой планирования ресурсами (ERP), система управления качеством продукции (QMS), компьютеризированной системой управления техническим обслуживанием (CMMS) и другими отраслевыми производственными системами.
Текущие результаты и план развития Atlansys EUS Enterprise
2023. Разработан базовый вариант платформы

Зарегистрирована первая версия программного продукта. Свидетельство об официальной регистрации программы для ЭВМ №2023619721. Электронная универсальная система машинного обучения «Atlansys EUS».

2024. Обновление архитектуры решения и доработка платформы

Изначально, платформа «Atlansys EUS» задумывалась, как универсальная среда выполнения разнородных задач машинного обучения и управления вычислительными ресурсами для каждой из них. Чуть позже, было принято решение сконцентрироваться на решении прикладных задач. Были определены два приоритетных направления НИОКР: прогнозируемое обслуживание в промышленности и моделирование новых соединений в фармацевтике.

2025. Разработан программный модуль ИИ «EUS Model 1 PdM / DST»

Свидетельство о государственной регистрации программ для ЭВМ № 2025667829. Программа «EUS Model 1 PdM / DST» для промышленных систем прогнозируемого обслуживания, реализующая математическую модель снижения неопределенности данных.

2025. Разработан программный модуль ИИ «EUS Model 1 PdM / Exp»

Свидетельство о государственной регистрации программ для ЭВМ № 2025668288. Программа машинного обучения «EUS Model 1 PdM / Exp», реализующая алгоритм поддержки принятия решений для промышленных автоматизированных систем прогнозируемого обслуживания.

2025. Разработан программный модуль ИИ «EUS Model 1 PdM / MNN»

Свидетельство о государственной регистрации программ для ЭВМ № 2025683341. Программа машинного обучения, реализующая алгоритм потенциала негативности рассогласования для систем прогнозируемого обслуживания.

2025. Разработан программный модуль ИИ «EUS Model 1 PdM / DST 2»

Свидетельство о государственной регистрации программ для ЭВМ № 2025683349. Программа «EUS Model 1 PdM / DST 2» для автоматизированных систем прогнозируемого обслуживания, реализующая функции интеллектуальной диагностики технического состояния промышленного оборудования.

2026. Создание программно-аппаратного комплекса (ПАК)

В рамках проекта Atlansys EUS Enterprise разрабатывается высокопроизводительный программно-аппаратный комплекс (ПАК) на базе отечественных микропроцессоров МЦСТ «Эльбрус» и НТЦ «Модуль», которые обеспечат работу платформенного решения и цифровых сервисов за счет применения созданных технологий и алгоритмов обработки данных и машинного обучения.

Ссылки на результаты работ:

Ссылки на научные публикации: