| Реферат |
HumanAgro v2.0 - Интеллектуальная система управления процессами в агросекторе с мониторингом качества выполняемых работ с функцией прогнозирования времени работы и ремонта сельскохозяйственного оборудования.
Доработка и запуск в опытную эксплуатацию интеллектуальной системы управления процессами, выполняемыми сотрудниками в сфере сельского хозяйства функцией прогнозирования времени работы и ремонта сельскохозяйственного оборудования.
Доработанная интеллектуальная системам эффективно реализовывает функции прогнозирования состояния техники.
Технические требования к научно-техническому продукту (прототипу, опытному образцу), который должен быть разработан/доработан в рамках текущего этапа выполнения НИОКР
Основные технические параметры, определяющие функциональные и количественные (числовые) характеристики научно-технического продукта, полученного в результате выполнения текущего этапа НИОКР
1. Создан личный кабинет самоходной техники/прицепного оборудования
1.1. Написана система хранения данных обо всех проведенных ремонтах, заменах и техническом обслуживании оборудования и самоходных машин хозяйства
1.2. Написан модуль автоматических уведомлений на основании данных по регионам и данных о замене узлов/запасных частей по видам и типам оборудования, которые предупреждают о необходимости обслуживания.
-Использованы алгоритмы машинного обучения: Внедрены алгоритмы для предсказания возможных проблем на основе исторических данных и текущих данных машины. Модели машинного обучения оценивают состояние оборудования на основе набора данных и дают рекомендации по дальнейшим действиям.
1.3. Произведена визуализация данных (доработан и переработан интерфейс)
- Реализовано хранение текущих заявок о ремонте, выполненных заявок о ремонте, рекомендациях и документации в одном месте.
- Создана система Геолокации техники: Выбор геолокации вручную для удаленного создания заявки на ремонт. Хранение предустановленных и выбранных геолокаций.
2. Написан функционал прогнозирования времени работы и ремонта сельскохозяйственной техники
2.1. Прогнозирование времени простоя
- Анализ исторических данных: Использована историческая информация о поломках и ремонтах для вычисления средней продолжительности работы техники и вероятности выхода из строя.
- Алгоритмы прогнозирования: Реализованы различные методы, таких как временные ряды и регрессионные модели, для предсказания вероятного времени простоя и сроков ремонта. Это помогает планировать работы на определенные периоды и минимизировать влияние неплановых остановок.
2.2. Реализована оценка ресурса техники
- Анализ состояния запчастей: Система учитывает текущий износ и предсказывает, когда отдельные узлы или агрегаты могут выйти из строя на основе их рабочей нагрузки и истории использования.
- Моделирование сценариев: Проведение сценарного анализа, который позволяет оценить влияние различных факторов (работа в сложных условиях, частота использования и т.д.) на срок службы оборудования.
2.3. Реализована оптимизация планов обслуживания
- Календарное планирование: Автоматическая генерация планов обслуживания и рекомендаций на основе прогнозов, что позволяет минимизировать простои.
- Динамическое регулирование расписаний: Обновление планов обслуживания в зависимости от текущего состояния техники и результатов прогнозов, что помогает оптимизировать затраты и ресурсы.
2.4. Реализовано долгосрочное прогнозирование
- Прогнозирование на основе тенденций: Использование анализа тенденций в производительности техники для оценки её будущей производительности и потребностей в обслуживании.
- Анализ влияния внешних факторов: Учет сезонных изменений, региональных и почвенных условий, и других внешних факторов, которые могут повлиять на работу техники.
2.5. Написана система обратной связи и улучшения моделей
- Фидбэк от пользователей: Система собирает обратную связь от операторов и техников о точности прогнозов, что позволяет улучшать алгоритмы моделирования и повышать точность в будущем.
- Механизмы самообучения: Внедрение механизмов машинного обучения, чтобы модель могла адаптироваться к новым данным и условиям эксплуатации техники, обеспечивая более точные прогнозы.
Количественные параметры, определяющие выполнение научно-техническим продуктом своих функций:
Количественные требования разрабатываются для обеспечения надежного и эффективного функционирования системы в агросекторе.
1. Контроль состояния техники и формирование рекомендаций
- Количество машин, одновременно заведенных в систему: система способна поддерживать управление состоянием не менее 3000 единиц сельскохозяйственной техники одновременно на первом этапе разработки с возможностью масштабирования.
- Доступное количество запасных частей: система поддерживает интеграцию с не менее чем 10 различными каталогами запасных частей, позволяя пользователям находить и заказывать необходимые компоненты.
- Скорость выдачи рекомендаций: время на формирование рекомендаций по заказу запасных частей не превышает 5 секунд после сбора данных о состоянии техники.
2. Модуль назначения задач
- Количество одновременно обрабатываемых задач: модуль поддерживает возможность назначения не менее 500 одновременных задач различным сотрудникам.
- Скорость назначения задач: назначение задач происходит в реальном времени, с задержкой не более 3 секунд.
3. Личный кабинет оборудования
- Ограничение на количество одновременно подключенных пользователей: обеспечивает работу не менее 200 пользователей одновременно в режиме личного кабинета.
- Объем данных, связанных с оборудованием: личный кабинет обеспечивает хранение данных о каждом объекте не менее 50 МБ на единицу оборудования, включая детали о техническом обслуживании и запчастях.
4. Достоверность определения неисправностей
- Точность определения неисправностей: точность определения вида неисправностей и рекомендации по их устранению составляет не менее 90% по итогам обучения нейросетевой модели.
5. Мобильное приложение для iOS и Android
- Скорость загрузки приложения: мобильное приложение загружается за время не более 3 секунд на устройствах со средней производительностью.
- Количество установок: приложение способно поддерживать не менее 50,000 активных пользователей одновременно.
6. Точность выбора запасных частей (F1)
Точность выбора запасных частей: алгоритм выбора запасных частей имеет точность и полноту не менее 90%.
7. Учет параметров при прогнозировании замены и ремонта. Количество видов данных, подлежащих учету. Система учитывает не менее 8 различных параметров: регион эксплуатации, вид техники, тип техники, тип узла, вид запасной части, общее среднее время работы, время работы до отказа минимальное и максимальное.
8. Время отклика системы
Максимальное время отклика на запросы пользователя: система отвечает на запросы, касающиеся рекомендаций состояния техники и получения информации о ремонтах, в течение не более 2 секунд.
9. Доступность системы
Процент времени доступности: система обеспечивает 99.5% времени доступности в месяц, что подразумевает не более 36.5 часов простоя в год.
10. Производительность базы данных. Скорость обработки запросов базы данных: база данных обрабатывает SQL-запросы не более чем за 1 секунду при выполнении запросов к более чем 10,000 записям.
12. Поддержка форматов данных. Количество поддерживаемых форматов данных: система поддерживает не менее 5 различных форматов данных для импорта и экспорта информации (например, CSV, XML, JSON, XLS, SQL).
13. Диапазон прогнозирования. Временной диапазон прогнозирования: система обеспечивает прогнозирование времени выхода из строя и необходимости ремонта техники с горизонтом не менее 30 дней, с возможностью интервала обновления прогноза каждые 5 дней.
Для обеспечения высококачественного обучения нейросетей, которые будут использоваться в интеллектуальной системе управления процессами в агросекторе, установлены следующие количественные требования:
14. Объем обучающего набора данных
Минимальный объем данных: Нейросети обучались на минимальном объеме данных не менее 100,000 примеров для достижения приемлемой точности прогноза.
15. Разнообразие данных
Количество различных классов данных: Набор данных содержал не менее 10 различных классов (например, различные виды неисправностей, параметры оборудования и т.д.), чтобы обеспечить обобщающую способность модели.
16. Точность моделей
Минимальная точность на тестовом наборе: Точность предсказания нейросетей составляет не менее 90% на тестовом наборе данных, чтобы гарантировать высокую надежность классификации.
17. Обновление модели
Частота переобучения: Модель обновляется и переобучается минимум один раз в 6 месяцев, чтобы адаптироваться к новым данным и изменениям в поведении техники.
18. Функция потерь
Максимальное значение функции потерь: Значение функции потерь на валидационном наборе данных не превышает 0.1 по метрике, выбранной для оценивания качеств модели.
19. Обработка выбросов
Процент преодоления выбросов: Модель демонстрирует устойчивость к выбросам, минимизируя их влияние на результат обучения не более чем на 10% в итоговом качестве предсказаний.
Конструктивные характеристики, полученного научно-технического продукта:
Научно-технический продукт представляет собой программное обеспечение, включая мобильное приложение для сотрудников агро-предприятий.
1) Разрабатываемый прототип интеллектуальной должен включать в себя следующие модули:
- Модуль управления процессами в агросекторе.
- Модуль прогнозирования времени работы и ремонта сельскохозяйственного оборудования.
- Модуль системы управления заявками по выполнению ремонта сельскохозяйственного оборудования с мониторингом качества работ.
- Мобильное приложение для клиента и инженера.
2) Для обучения прототипа интеллектуальной системы должны использоваться большие массивы данных.
3) Для хранения и накопления больших данных будут доработаны модели хранения данных с потенциалом масштабирования. В рамках разработки модуля будут реализованы инструменты распределенной обработки данных на серверах, разработка алгоритмов параллельной обработки и использования готовых кластерных решений. Данные алгоритмы повысят эффективность использования больших данных и эффективности в обработке массивов при машинном обучении.
Требования к конструкции и(или) исходным компонентам, сырью, материалам, использующимся при изготовлении научно-технического продукта:
Разработка алгоритмов обработки, анализа и структурирования данных осуществлена на языке Python.
Мобильные приложения разработаны для устройств на базе Android и iOS.
Степень внедрения – Начало опытной эксплуатации в реальных условиях у дилеров сельскохозяйственной техники и заказчиков, собственников оборудования.
Рекомендовано по итогам внедрения собрать обратную связь от пользователей и с учетом этой обратной связи составить возможный список требуемых доработок для массовой эксплуатации на рынке.
Область применения – сельскохозяйственные предприятия, фермерские хозяйства, кфх, дилеры сельскохозяйственной техники, производители и дилеры компонентов для сельскохозяйственной техники, сервисные компании, поставщики запасных частей.
Прогнозные предложения – возможный выход на масштабирование на всей территории РФ к концу 2026 года, выход на международный рынок в 2027 году.
Объекты интеллектуальной собственности – Программа для ЭВМ, Ноухау.
Все работы выполнены в полном объеме в соответствии с календарным планом.
|
