Развитие и внедрение технологий машинного обучения и искусственного интеллекта имеет потенциал как для промышленной сферы в целом, так и инженерной в частности. Но целесообразно ли отказываться от старых и проверенных годами решений в пользу новых?
В последние годы в условиях активного развития и интеграции технологий искусственного интеллекта (ИИ) и машинного обучения (МО) в промышленный сектор закономерным становится вопрос о применении методов этих областей компьютерного знания в инжиниринге. Все чаще начинают предлагаться идеи о применении инструментов искусственного интеллекта на этапе создания новых деталей и конструкций, в процессе инженерных расчетов на разных стадиях проектирования [1] и испытаний. Кроме того, среди специалистов озвучиваются идеи о необходимости создания систем для инженерных расчетов на базе обученных алгоритмов [2][3]. Действительно, развитие и внедрение данных технологий имеет потенциал как для промышленной сферы в целом, так и инженерной в частности. Но целесообразно ли отказываться от старых и проверенных годами решений в пользу новых? Адекватны ли новые подходы и имеют ли они под собой научно-техническое обоснование?
Для начала разберемся в терминологии и рассмотрим основные методы машинного обучения – с учителем и без него.
Большинство методов машинного обучения строится на анализе и поиске закономерностей в существующем наборе данных, которые специально отобраны и подготовлены. В случае с обучением с учителем мы имеем совокупность наборов признаков (входных данных) и соответствующие им ответы или реакции. Мы «поручаем» машине найти в них закономерность, которая в зависимости от выбранного математического аппарата, будет являться формулой, комбинирующей набор входных признаков. Они могут быть подвергнуты выбранным преобразованиям (возведение в степень, взятие логарифма и т.д.) и скомбинированы с теми или иными коэффициентами (весами). Иными словами, мы поручаем машине «угадать», как скомбинировать и что сделать с признаками (а, по сути, с числами), чтобы получить правильные ответы. На практике невозможно создать алгоритм, который идеально соответствовал бы данным из обучающей выборки и при этом имел высокую предсказательную силу на новых, неизвестных ему наборах признаков [4].
Обучение без учителя представляет собой отыскание похожих наборов признаков в выборке входных данных. В данном случае мы предлагаем «машине» разбить входной массив данных на заранее оговоренное количество групп – кластеров. Алгоритмы обучения без учителя позволяют лучше разобраться в большом объеме данных, получить классификационные метки, но не позволяют получать численных ответов, вещественных чисел.
И в том, и в другом случае в процессе обучения алгоритмов мы опираемся на ограниченный объем данных и пытаемся с нуля угадать закономерности в них, которые имели бы высокую предсказательную силу на широкой выборке новых, не участвующих в обучении данных. В случае с инженерными расчетами с точки зрения вычислительных процессов внедрение инструментов ИИ и МО на текущем этапе развития данных областей знаний видится неоправданным, и в некоторой степени бессмысленным. Все необходимые для инженерных расчетов закономерности уже выявлены, формализованы, проверены математически и имеют высокую предсказательную силу: Комплекс уравнений механики деформируемого твердого тела [6] для решения задач динамики и прочности, Уравнение теплопроводности [7] для решения задач температурного состояния систем, Уравнение Навье-Стокса [8] для решения задач динамики жидкостей и газов, Уравнения Максвелла [9] для решения задач электромагнетизма. Для всех перечисленных уравнений существует ряд частных решений для определенного круга задач, а также методы, которые позволяют решать их численно, используя дискретизацию по пространству и времени (Метод конечных элементов [10] и Метод контрольных объемов [11]).
Гипотетически, модель можно было бы обучить решать однотипные по геометрии, размерам и прочим существенным параметрам инженерные задачи, но даже при относительно небольших отклонениях обученная модель полностью потеряет предсказательную силу. Например, сверточную нейронную сеть относительно легко обучить отличать картинки одного типа от всех прочих, но эту же модель нельзя «спросить» о том, нарисован ли на картинке объект другого конкретного типа, т.к. модель не обучена отвечать на этот вопрос.
Методы же вычислительной физики, применительные к широкому кругу инженерных задач, лишены такого недостатка. В отличие от уязвимых с точки зрения предсказательной способности моделей ИИ и МО, методы вычислительной физики позволяют решать многие классы задач без привязки к геометрии объектов, к их размерам, свойствам, к временным интервалам в переходных процессах. Они опираются не на конечный массив данных, использованный во время обучения, а на базовые закономерности, найденные, сформулированные и обобщенные учеными сотни лет назад.
В то же время существует масса задач на этапе проектирования и эксплуатации, где модели, построенные методами машинного обучения, будут иметь преимущество над другими подходами. Перечислим краткий выборочный список таких ситуаций.
В области планирования работы:
- Оценка трудоемкости проекта по текстовому описанию.
- Оптимизация графика проекта.
- ИИ-помощник инженера в части изучения текущей и нормативной документации и обучения на рабочем месте.
АО «ЦИФРА» обладает глубокой экспертизой в области организации и автоматизации работы инженерных подразделений. За годы работы компании накоплена широкая межотраслевая база знаний, а также создана уникальная информационная система, позволяющая автоматизировать работу инженерных команд на любом уровне детализации. В процессе эксплуатации системы имеется возможность изучить и протестировать ключевые бизнес-процессы, а также оптимизировать их с помощью методов машинного обучения и статистического анализа.
В области проектирования:
- Генеративный дизайн
- Решение задач реверс-инжиниринга
В последнее десятилетие, на ряду с классическими методами прямого и обратного проектирования [12][13], пристальное внимание к себе привлекают технологии, которые позволяют генерировать новые варианты конструкций, а также изучать существующие посредством построения суррогатных моделей [14]. Несмотря на осторожный оптимизм в отношении таких технологий не стоит забывать и о методах параметрической и топологической оптимизации [15][16] — проверенных математических методиках, построенных на минимизации целевого функционала.
В области эксплуатации:
- Обработка данных с датчиков в режиме реального времени для оценки текущих рисков.
- Построение прогноза по профилактическому техническому обслуживанию с целью снижения соответствующих затрат.
- Распознавание изображений для выявления аварийных ситуаций, и, как следствие, для повышения безопасности на рабочем месте.
- Улучшение координации и затрат на цепочке поставок.
ИТ-решения по эксплуатации хорошо вписываются в концепцию Индустрии 4.0., а именно могут быть частью многих компонентов цифровых двойников устройств и систем [17]. В перспективе, любое сложное устройство и конструкция будут поставляться конечному пользователю вместе с цифровым двойником.
Цифровой двойник (ЦД) — это универсальный цифровой инструмент, способный отслеживать и отображать в реальном времени состояние физического объекта или процесса, оптимизировать режимы в разных условиях и предсказывать неполадки. Основная ценность ЦД в том, что он отражает происходящее в режиме реального времени, успевая обработать весь поток данных от физического актива. Узкое горлышко этой технологии — объем вычислений и каналы передачи информации. Если этот объем нельзя передать в реальном времени, то мы говорим о математической модели, а не о ЦД.
Цифровой двойник может создаваться в связке с технологиями ИИ и МО. Не всегда можно математически точно описать некоторые сложные физические явления в отсутствие достаточного объема исходных данных или вследствие огромного числа вариантов и сценариев поведения системы. Инструменты ИИ и МО позволяют уточнять параметры ЦД на основе реальных данных – собранных и обработанных датасетах. При этом дополнительные наборы данных могут быть сформированы не на основе реальных испытаний системы, а с использованием разработанных математических и численных моделей системы. Именно математическое моделирование позволяет в полном объеме изучить все сценарии работы устройства, с элементами неопределенности, нарушениями нормальных условий работы, аварийными ситуациями, каждая из которых не похожа на предыдущую. В случае применения математического моделирования объем данных, используемых для МО, будет более полным, что позволит и повысит предсказательную силу модели и, соответственно, эффективность ЦД.
Разнообразие областей и задач, ради решения которых применяются методы МО и ИИ, создаются ЦД, позволяет предположить, что единые подходы к использованию этих технологий возможны только на самом верхнем, теоретическом, уровне. В целом каждый инженерный проект уникален, потому что даже у относительно стандартных изделий условия и режимы эксплуатации никогда не совпадают. Математические модели имеют разную точность, и выбор параметров никогда не окончателен. Их подбор требует очень плотного взаимодействия различных подразделений компании – ИТ, проектировщиков, экономистов и производственников. Таким образом, для реализации подобных проектов нужно заручиться поддержкой как руководства, так и специалистов на местах, полностью описать все процессы, формализовать закономерности в математическом виде, ввести необходимое количество входных и выходных переменных, выявить математические и логические связи.
Специалисты АО «ЦИФРА» вместе с партнерскими коллективами обладают успешным опытом реализации проектов, связанных с проектированием, моделированием и эксплуатацией сложных промышленных систем и объектов в следующих областях:
- разработка математических моделей технических объектов, производственных систем, производственных и технологических процессов
- разработка решений оценки технического состояния объектов и устойчивости технических систем;
- разработка методов, технологий и средств создания и взаимодействия имитационных моделей;
- разработка программно-аппаратных средств проведения испытаний цифровых двойников сложных технических систем и средств на виртуальном полигоне;
- разработка методов и программных средств интеллектуальных систем поддержки принятия решений, в том числе с элементами искусственного интеллекта;
- исследование и когнитивное моделирование интеллекта, разработка методов, систем и технологий искусственного интеллекта;
- разработка методов и средств анализа сложных систем, объектов и процессов с использованием современных цифровых технологий;
- разработка платформы и отдельных программных решений предсказательной аналитики в области передовых производственных технологий.
[2] https://www.kommersant.ru/doc/6310903
[13] https://multiphysics.ru/stati/blog/chto-takoe-obratnyi-inzhiniring.htm
[14] https://multiphysics.ru/stati/blog/primenenie-iskusstvennogo-intellekta-v-inzhiniringe.htm
[17] https://www.vedomosti.ru/technologies/trendsrub/articles/2023/11/27/1007772-komu-nuzhen-dvoinik
