Stworzone przez nas modele odpowiadają
m.in. na takie pytania jak:
- Ile ciepła użytkownicy warszawskiej sieci ciepłowniczej będą potrzebowali w przeciągu 5 najbliższych dni? Jak to zapotrzebowanie będzie się rozkładało na poszczególne obszary sieci oraz indywidualnych odbiorców?
- Jak dużo gazu dany klient będzie chciał wtłoczyć lub wytłoczyć z podziemnego magazynu gazu na przestrzeni najbliższego roku?
- Jakie będzie zapotrzebowanie na energię elektryczną?
- Jaka jest szansa rozwinięcia padaczki lekoopornej przez dziecko leczone zaraz po wykryciu pierwszych anomalii w badaniu EEG?
Stworzone przez nas modele zazwyczaj są częścią większych systemów, np. optymalizacyjnych, dla których tworzymy dedykowany interfejs graficzny (GUI).
w odcinkach sieci ciepłowniczej w Toruniu
- Elementem sieci ciepłowniczej są odcinki sieci (ciepłociągi) przesyłające ciepło ze źródeł do odbiorców. Takie odcinki są podatne na awarie, które mogą powodować straty finansowe: przerwy w dostawach ciepła i konieczność wymiany lub naprawy odcinka. Oprócz działań naprawczych post factum, możliwe są działania prewencyjne powstałe przez odpowiednio ukierunkowaną politykę modernizacyjną sieci.
- Opracowaliśmy system oparty na uczeniu maszynowym, który na podstawie danych historycznych o awarii (ID odcinka, który uległ awarii wraz z datą wystąpienia) oraz parametrów opisujących odcinki (długość, średnica, typ konstrukcji, nazwa producenta, rok podłączenia itp.), ma za zadanie przewidywać ryzyko awarii odcinków (prawdopodobieństwo wystąpienia oraz potencjalne koszty). System został stworzony, aby wspomóc wybór odcinków przeznaczonych do wymiany lub modernizacji.
- Osiągnęliśmy wyniki (celność wskazywania odcinków narażonych na awarie) ponad 2-krotnie lepsze od eksperckiej reguły decyzyjnej i ok. 12 razy lepsze od poziomu odniesienia (losowy wybór odcinków awaryjnych).
- Wyniki prezentowane są na mapach w systemie GIS. Kolor ciepłociągów dostoswany jest do ryzyka i kosztów awarii.
młynów węglowych
-
- Nietypowe stany pracy młynów zasilających kocioł , spowodowane np. zalepianiem się młyna, powodują zaburzenie warunków spalania w kotle. Pogorszone warunki spalania mogą zwiększać emisje (NOx, CO, CO2), negatywnie wpływać na kluczowe parametry bloku, takie jak temperatura pary świeżej oraz pogarszać właściwości wymiany ciepła powierzchni ogrzewalnych kotła. Awaryjne stany skutkujące wyłączeniem młyna powodują destabilizację procesu, mogą również powodować odstawienie bloku. Nieplanowane odstawienie bloku wiąże się z dodatkowymi kosztami finansowymi.
- Algorytm opiera się na modelach dwóch kluczowych parametrów eksploatacyjnych młyna:
– natężenia prądu pobieranego przez silnik młyna,
– temperatury mieszanki pyłowo-powietrznej na wyjściu z młyna.
Empiryczne modele stworzone zostały z wykorzystaniem technik uczenia maszynowego. - Pilotażowe wdrożenie przeprowadzone zostało w Elektrowni Rybnik.
SILO to system Sztucznej Inteligencji, który czerpie inspiracje z działania układu odpornościowego organizmów żywych. System odpornościowy to szczególny układ organizmu, posiadający pamięć i podnoszący swoje umiejętności poprzez naukę i doświadczenie. Te właściwości układu odpornościowego są wielce przydatne w kontekście bieżącej optymalizacji procesów technologicznych. Dzięki temu, w trakcie optymalizacji procesu technologicznego, program sam uczy się zależności między wejściami i wyjściami procesu i na bieżąco podejmuje decyzje dotyczące korekt sygnałów sterujących, które są automatycznie przekazywane do systemu sterowania obiektem przemysłowym. Wykorzystywane strategie optymalizacji są bardzo podobne do tych, które wykorzystuje nasz układ odpornościowy w walce z wirusami.
System SILO II prowadzi bieżącą optymalizację procesów przemysłowych, posiadających wiele sygnałów wejściowych i wyjściowych. Jego zadaniem jest:
- maksymalizacja przychodów związaną z końcowym produktem,
- minimalizacja kosztów związanych z wielkościami wejściowymi (np. paliwo) i karami za nieprzestrzeganie norm dotyczących ochrony środowiska.
Specjalny moduł obliczeń ekonomicznych pomaga tak zdefiniować cele optymalizacji procesu, aby możliwe było osiągnięcie jak największych korzyści finansowych.
W przypadku optymalizacji procesu spalania w kotle energetycznym celem SILO II jest zwiększenie sprawności bloku energetycznego oraz redukcja emisji NOx i CO.
Zazwyczaj system bezpośrednio wpływa na prace ok. 100 urządzeń wykonawczych, starając się poprawić wskaźniki techniczne i ekonomiczne procesu (zwykle około 10-20 wskaźników na raz).
- W ramach grantu Horyzont 2020 braliśmy udział w stworzeniu algorytmu optymalizującego układ linii produkcyjnej. Projektując linię produkcyjna poszukujemy odpowiedzi na pytania: Jaki powinien być układ linii produkcyjnej? Czy stosować taśmociągi zakrzywione? Ile taśmociągów należy zainstalować aby zminimalizować koszty zakupu i maksymalizować zyski?
- Podstawą optymalizacji jest algorytm genetyczny. Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu osobników najlepiej dostosowanych (w naszym przypadku takich, dla których funkcja celu przyjmuje najniższe wartości) w danym środowisku, podczas gdy osobniki gorzej przystosowane są eliminowane.
- Funkcja Celu została zaprojektowana tak aby maksymalizować efektywności linii produkcyjnej dla danego zestawu produkowanych puszek (produkowane puszki są różnej wielkość i ilość) przy minimalnych kosztach stałych (jednorazowy koszt zakupu jednostek) i zmiennych (np.: konsumpcja energii).
- Optymalizacja przeprowadzana jest z wykorzystaniem symulatorów pracy linii, które dla zadanego układu linii produkcyjnej określają ilość generowanych puszek, ilość zatrzymań linii produkcyjnej oraz całkowitą konsumpcję energii. Na podstawie otrzymanych wyników wyznaczana jest funkcja celu, która jest minimalizowana przez optymalizator.
- SOE jest to system IT stworzony aby optymalizować pracę podziemnych magazynów gazu. Głównym celem optymalizatora jest maksymalizacja możliwości magazynowania gazu przy minimalizacji zużycia energii spełniając jednocześnie bezpieczną pracę urządzeń.
- Stworzony przez nas system ułatwia operatorom wybór kombinacji aktualnie pracujących urządzeń i kawern, ponadto prognozuje potencjalny przepływ gazu w najbliższym czasie (np. 7 dni).
- Stworzony model magazynu oparty został na historycznych danych pomiarowych, zapewniliśmy także spełnienie ograniczeń związanych z mechaniką skał opisanych w specjalnych raportach dotyczących skał, w których przechowywany jest gaz. W ramach projektu stworzyliśmy m.in. modele wtłaczania i wytłaczania gazu z magazynów.
- Firma EDF Polska zwróciła się do nas z prośbą o pomoc w analizie wyników badań przeprowadzonych w Elektrowni Rybnik. Badania miały na celu udzielić odpowiedzi na pytanie, czy obciążenie bloku oraz parametry pracy młyna wpływają na proces spalania w kotle. Zebrane dane zawierały wyniki dla 4 serii testów głównych, dla każdej serii testów głównych przeprowadzono dodatkową serię 8 testów pobocznych.
- W ramach współpracy, po zapoznaniu się z metodologią badań, zaproponowaliśmy metodę a następnie wykonaliśmy analizę uzyskanych wyników. Przeprowadziliśmy analizę wariancji ANOVA, która wykazała że proces spalania jest zależny zarówno od obciążenia bloku jak i parametrów pracy młynów zasilających analizowane palniki.
- Wyniki badań opublikowane zostały w artykule naukowym.
Powyższe typowe zastosowania metod analizy danych nie wyczerpują
spektrum projektów, które zrealizowaliśmy dla przemysłu.
Zawsze jesteśmy otwarci na nowe, niestandardowe projekty.