Shazam для промышленности: украинцы создали стартап, который по звуку распознает поломки оборудования и помогает их исправить. Вот их история

В 2016 году три математика – Андрей Старжинский, Ярослав Недашковский и Андрей Столбов – основали стартап a-Gnostics. Он помогает предприятиям выявлять аномалии оборудования и прогнозировать поломки – и все это с участием искусственного интеллекта.

Два года спустя в рамках работы над проектом для ДТЭК коллеги посетили Ладыжинскую ТЭС в Винницкой области. Внутри котла электростанции сотрудники ТЭС рассказали им, что при проверке работы оборудования и выявлении поломок они… слушают его. Ведь, когда трубы с водой терпят повреждения, из них выходит пар – и это очень слышно.

Коллеги-математики были настолько удивлены, что решили научить алгоритмы прогнозировать поломки промышленного оборудования именно по звуку. Редакции MC.today команда a-Gnostics рассказала, как работала над Shazam для промышленности и как они сотрудничают с ДТЭК, МХП и НЭК «Укрэнерго».

Встреча, которая все изменила

Более 10 лет мы работали в аутсорсинговой компании SoftElegance – делали ПО на заказ. Но нашим главным увлечением был искусственный интеллект и машинное обучение. В то время в Украине и мире они не внедрялись в промышленных масштабах. Разработка велась на уровне научных дискуссий и академических проектов, которые имели скорее теоретическую пользу, чем практическую.

В 2016 году мы разработали «цифровой двойник» нефтяной скважины. Это цифровая копия, которая в режиме реального времени анализирует ее показатели и помогает спрогнозировать, как изменение параметров повлияет на состояние системы в целом.

Это была теоретическая разработка. Мы представили ее на конференции Spark Summit в Брюсселе, посвященной Big Data и машинному обучению.

Во время конференции мы общались с СЕО Databricks Али Годси. Он сказал, что ему очень понравилась разработка нашего «двойника». А на тот момент Databricks была ведущей компанией в сфере Big Data и машинного обучения. Также Али поделился с нами интересной информацией о том, что в технологических компаниях Америки соотношение технических специалистов и продавцов – 1:1. Это для нас было неожиданно, но стало маркером, куда нужно двигаться дальше.

Все это настолько нас вдохновило, что уже на следующий день мы решили не медлить, а разрабатывать собственный продукт на основе ИИ для украинских промышленных предприятий. 28 октября 2016 года мы считаем днем ​​рождения стартапа a-Gnostics.

Как искусственный интеллект облегчил жизнь ДТЭК

Среди предпринимателей интерес к ИИ понемногу рос, но в 2016 году еще никто не решался его внедрять. Первыми в 2018 году за это взялись в ДТЭК.

Совместно с акселератором для стартапов Radar Tech они запустили конкурсную программу по поиску инновационных технологий в сфере энергетики. Туда взяли 10 проектов, половина из которых разрабатывала продукты на основе ИИ – мы были в их числе.

Для ДТЭК мы должны были создать технологию, которая прогнозировала бы потребление электроэнергии в Киевской, Донецкой и Днепропетровской областях. Это требовалось энергетикам, чтобы эффективно распределять энергию. А также трейдерам, чтобы знать, сколько нужно закупить электроэнергии в месяц. До этого сотрудники делали такие прогнозы своими силами.

В 2019 году у нас были готовые модели, автоматизировавшие прогнозирование. Для понимания: модель – это программный код, в нашем случае на python. В нем реализован математический алгоритм, анализирующий данные. Система получает исходные данные – например, факты потребления электроэнергии – «прогоняет» через алгоритмы и выдает прогноз.

Этот виртуальный энергетик экономит каждому специалисту до двух часов работы. Для повышения точности прогнозов модели также учитывают влияние погоды, праздничных дней, выходных и так далее. Работник просто получает утром несколько прогнозов и выбирает соответствующий ситуации и его экспертному мнению.

Мы тогда очень увлеклись идеей, что ИИ сможет работать вместо человека. А вот некоторые сотрудники испугались остаться без работы и с осторожностью отнеслись к нашей разработке. Это была наша ошибка в коммуникации. Потом мы начали объяснять, что алгоритм призван упростить жизнь, а не сократить штат.

Прогнозы наших моделей проверяли независимые специалисты. Вот как это происходило: они получали прогнозы от человека и машины, но не знали, где чей. Анализировали их и определяли, кто «больше молодец». Прогнозы нашей системы были точными на 95-99%, поэтому ДТЭК предложил нам сотрудничество.

А в 2020 году нашей разработкой заинтересовалось МХП. Для их птицефабрик мы тоже разработали виртуального энергетика. Это крупные предприятия, поэтому им нужно заранее делать расчеты закупки электроэнергии. Мы подсчитали, что используя ИИ, они могут экономить на электроэнергии 300-500 тыс. грн в месяц – благодаря точному прогнозированию.

Shazam для промышленных двигателей

Еще в акселераторе от ДТЭК нам устроили экскурсию на Ладыжинскую ТЭС. Во время нее мы заходили внутрь котла электростанции – это такая большая конструкция высотой с 10-этажный дом. Внутри множество маленьких трубочек, в которых греется вода, затем крутится турбина и вырабатывается электроэнергия.

Сотрудники ТЭС рассказали, что иногда, когда они топят котел углем, зола начинает разъедать эти трубочки. Тогда из них выходит пар, и это очень слышно. Когда они проверяют оборудование, подходят к нему и прислушиваются, есть ли повреждения. Такой подход масштабирован для множества промышленного оборудования.

Тогда у нас возникла идея, что этот процесс тоже можно автоматизировать. Записывать эти звуки на телефон и передавать данные через мобильное приложение, которое подобно Shazam будет распознавать поломки по звуку.

Вдобавок это сможет помочь и в подготовке новых специалистов. То, что один человек слышит и понимает, другой может и не услышать из-за отсутствия опыта. Но мы решили пойти дальше и научить ИИ не только распознавать звуки поломок, но и анализировать состояние оборудования и прогнозировать, когда оно может выйти из строя.

Записывали все: от офисного чайника до элеваторов

Работу над приложением для звуковой аналитики мы начали в конце 2021 года, а назвали его Di-agnostics.

Разработка происходила так: сначала мы создали математические алгоритмы для распознавания. Но чтобы они работали, их нужно «накормить» разными данными.

Мы начали с непромышленных звуков: записывали все, что нашли в офисе – от дрели до чайника, учили систему отличать их. Затем записали двигатель автомобиля и убедились, что, услышав его, система говорит: «О, это Toyota».

Дальше перешли к промышленному оборудованию: в 120 км от нашего офиса стоит комбикормовый завод и элеваторные комплексы. Там мы записывали наши первые звуки оборудования в промышленном использовании.

Для заказчика внедрения звуковой аналитики выглядит так: сначала он или мы записываем звуки оборудования, это можно делать через телефон. Далее математическая модель обучается этим данным – как должен звучать исправный двигатель и, когда слышит отклонения – сигнализирует об аномальном состоянии.

Имея обширную базу знаний и дополнительные алгоритмы преобразования данных, можно создавать более точные модели. Также, если во время пилотного проекта удается записать звук оборудования, уже работающего в раннем предаварийном состоянии, система становится готовой для промышленного использования. Таким образом удается предотвратить более серьезные поломки.

Преимущество ИИ в том, что впоследствии он может обучаться самостоятельно. Однажды он был способен обнаружить сложную зависимость. Используя большое количество данных, включая прогнозирование потребления электроэнергии, система смогла спрогнозировать ракетный обстрел Украины. Скорее всего, враг использовал какую-то закономерность.

Мы планируем продолжать работать над Shazam для промышленного оборудования. Звуковая аналитика имеет перспективы и в военном деле – определять по звуку, какой тип воздушного объекта летит, например. Также этот процесс можно автоматизировать, чтобы работать в режиме 24х7.