CyberPhysics

Грант РФРИТ приближается к окончанию, а это значит, что пришло время подводить итоги.

За полтора года команда CyberPhysics проделала огромную работу над совершенствованием ПО CyberStudio. Она коснулась как технических характеристик, так и дизайна платформы.

Выделим ряд ключевых функциональностей, которые удалось реализовать:

- суррогатное моделирование и дообучение суррогатных моделей с использованием технологии обучения с переносом (Transfer Learning);
- автоматическая оптимизация архитектуры суррогатной модели;
- разработка алгоритма расчета и прогноза индекса технического состояния оборудования;
- создание двух новых типов моделей на базе архитектур байесовской и сверточной нейронных сетей;
- расчет моделей сократился до 0,02 с.

Перечисленные фичи — лишь часть большой работы, которую удалось осуществить нашим специалистам за 18 месяцев реализации проекта.

Государственные меры поддержки, а именно грант РФРИТ открыл перед CyberPhysics возможности по выводу продукта на качественно новый уровень развития.

Делимся успехами применения ПО CyberStudio в химической отрасли!

https://t.me/siburpolylab/2805

СИБУР ПолиЛаб Как мы тестировали советчик по технологическому процессу производства полимерных изделий Производство полимерных изделий — трудоемкая задача, требующая провед....

С 9 по 10 ноября в Санкт-Петербурге состоялся V Международный Муниципальный Форум БРИКС+. Площадка позволила обменяться положительным мировым опытом, обсудить внедрение информационных, цифровых и инновационных технологий в каждодневную деятельность крупных городов развивающихся стран.

Михаил Гусев, наш директор по развитию бизнеса, принял участие в мероприятии от лица CyberPhysics. В рамках своего выступления он рассказал о функционале нашей платформы CyberStudio и успешных кейсах компании.

Мероприятие позволило участникам не только поделиться своей экспертизой, но и подписать соглашения о международном сотрудничестве!

Для построения моделей и эффективного функционирования систем предиктивной аналитики и оптимизации необходимы данные с датчиков. Часто бывает так, что их либо недостаточно, либо они некорректные. Также бывают ситуации, когда датчики вообще отсутствуют, но для построения модели они крайне необходимы. Так и случилось у нас на одном химическом предприятии.

Заказчик поставил перед нами цель: повысить выработку продукта с помощью нашего оптимизатора. При выполнении работы было выяснено, что она измеряется только после ее выгрузки в машины. Данный параметр не заносится ни в какую систему данных, а прописывать их вручную — возрастет риск человеческого фактора. Так что же делать?

После брейнсторминга нашей командой был придуман виртуальный тег, позволяющий вычислять выработку исходя из имеющихся данных (расходы и уровни в баках) прямо в коннекторе данных.

В итоге выработка стала вычисляться в режиме реального времени и подаваться на оптимизатор. Наши технологи и инженеры сотворили чудо!