Искусственный интеллект в управлении промышленным транспортом

Искусственный интеллект так прочно вошёл в повседневную жизнь, что иногда мы даже не замечаем, что используем его. Чаще всего ИИ приходит на помощь человеку в медицине и финансах, однако и в сфере транспорта и производства он способен значительно улучшить практически любые рабочие процессы. О возможностях применения ИИ на транспорте, рисках, текущих ограничениях и готовых решениях рассказал Дмитрий Петровский, заместитель генерального директора компании SIMETRA.

ИИ в управлении производством и транспортом

Искусственный интеллект имеет большой потенциал для оптимизации и улучшения производственных процессов на промышленных предприятиях. Внедрение ИИ может способствовать сокращению затрат, повышению эффективности и качества, а также улучшению функций управления и принятия более точных решений.

ИИ в производственных процессах будет способствовать уменьшению влияния «человеческого фактора», но не стоит ожидать, что он заменит классическую Автоматизированную систему управления технологическим процессом (АСУТП), по крайней мере в обозримом будущем. АСУТП и, в частности, системы противоаварийной защиты функционируют по установленным алгоритмам, которые отражают технологические регламенты и установки нормативных документов. Присущая ИИ неопределённость в управлении технологическим процессом — недопустимый риск.

Поэтому очевидным применением ИИ является выполнение вспомогательных функций. Например, ИИ может быть высокоэффективен в верификации данных полевого уровня и выявлении неисправностей оборудования, осуществлении контроля качества продукции, проведении анализа данных и формировании подсказок для оператора, а также распознавании речи и выполнении команд. Для более высоких уровней производственного управления применение ИИ выглядит ещё более рациональным, поскольку там имеется большой массив данных. В таких системах очевидные функции для ИИ: прогнозирование и планирование параметров производства, поддержка принятия управленческих решений.

В сфере промышленного транспорта у ИИ имеется огромный потенциал для улучшения управления, повышения эффективности и безопасности, а также снижения финансовых затрат и времени на транспортировку. 

ИИ может быть использован для автоматизации различных аспектов управления транспортом, среди которых стоит отметить следующие.

1. Прогнозирование спроса. Алгоритмы машинного обучения могут выявить паттерны и тенденции при анализе больших объёмов данных. Это позволит достоверно прогнозировать спрос на транспортные услуги с учётом множества параметров и оптимальным образом планировать транспортную работу.
2. Распределение ресурсов. ИИ способен автоматически оптимизировать распределение ресурсов, которыми выступают транспорт, персонал и складские площади. Он сможет учитывать различные факторы: объём грузов, погрузочное пространство, расстояния, доступность и предпочтения клиентов. Это поспособствует повышению эффективности производственной системы.
3. Управление транспортной работой. ИИ может учитывать различные ограничения: загруженность дорог, погодные условия, светофорные объекты и прочее при маршрутизации и контроле движения транспорта. Это обеспечит высокую эффективность работы транспорта и своевременную доставку материалов и товаров.
4. Предупреждение аварий. ИИ поможет в разработке систем предсказания и предотвращения аварий. Автоматическое распознавание состояния транспортных средств и обнаружение неисправностей поможет снижению рисков аварий и улучшению безопасности на производстве. 
5. Обслуживание и ремонт. ИИ возможно применить для оптимизации процессов обслуживания и ремонта транспортных средств на производстве. Он может помочь в планировании обслуживания и составлении расписания, формировать рекомендации на основании накопленной информации о моделях и видах поломок ТС, а также осуществлять мониторинг состояния транспорта и предотвращение поломок.
6. Защита окружающей среды. Использование ИИ в транспортных системах на производстве может помочь снизить потребление топлива и, как следствие, уровень выбросов загрязняющих веществ. Оптимизация парка подвижного состава, транспортной работы и маршрутов следования позволят улучшить экологическую эффективность производственного транспорта.
7. Обеспечение автономности. Отдельное направление для применения ИИ в управлении транспортом на производстве — автономная навигация и беспилотное движение транспортных средств. ИИ может быть использован для разработки и обучения автопилотов и автономных систем управления транспортными средствами, которые будут способны эффективно перемещаться по производственным площадкам без участия человека. Такие системы обеспечат повышение эффективности и безопасности транспорта на производстве, а также помогут сократить затраты на персонал.

Проблемы внедрения ИИ

Внедрение и использование ИИ в управлении транспортом, несомненно, предоставляет большие возможности и преимущества. Однако есть ряд проблем и вызовов, которые могут возникнуть при использовании ИИ в этой области.

Проблема номер один — неопределённость процесса. Проблематика управления транспортом сильно отличается от управления производственным процессом, потому что АСУТП всегда имеет достоверную информацию, поступающую с измерительных устройств. На основе этой информации формируется управляющее воздействие на исполнительные устройства. При управлении транспортом всегда присутствует фактор неопределённости, поскольку транспортом управляют люди, и их решения влияют на все транспортные связи. Добавим сюда, что таких неопределённостей могут быть тысячи как со стороны водителей — участников перевозочного процесса, так и со стороны водителей индивидуального транспорта. Это приводит к тому, что нужно использовать более сложные алгоритмы, что влияет на скорость работы, либо ограничиваться и ранжировать набор данных для обучения, что влияет на снижения точности.

Проблема номер два — ограниченность данных. Для эффективной работы и обучения ИИ требуются большие объёмы исторических данных. В случае транспортного управления доступные данные могут быть существенно ограничены, особенно если говорить о данных оптимального управления. То есть, для того чтобы обучить ИИ оптимальному управлению, необходимо иметь соответствующий массив данных, но их априори не может быть. Это существенно затрудняет обучение ИИ и ограничивает его использование, поскольку может привести к неточным прогнозам и рекомендациям.

Проблема номер три — непредсказуемость работы. Интеллектуальные алгоритмы могут быть сложными, и не всегда легко понять, как они принимают решения или делают прогнозы. В некоторых случаях ИИ может давать сложноинтерпретируемые непредсказуемые или необъяснимые результаты. Это может вызвать недоверие к ИИ, поскольку прозрачность решений при управлении промышленным транспортом крайне важна.

Также к числу проблем можно отнести относительно высокую стоимость внедрения по сравнению с традиционными методами автоматизации, недостаточную квалификацию специалистов на рынке и ряд технических проблем.

ИИ-решения на рынке и ожидания

При всём многообразии решений в части оптимизации и управления производственным транспортом решений на рынке, которые можно квалифицировать как ИИ, не так уж и много. Зачастую за ИИ выдают системы автоматизации, выполняющие типовые операции.

Создание ИИ для управления промышленным транспортом — это трудоёмкий процесс. К примеру, компания SIMETRA начала работать по данному направлению в 2020 году, но первые гарантированные результаты получила только в середине 2023 года. Если говорить о самом решении, то оно представляет собой программный комплекс с набором интеллектуальных алгоритмов, в том числе применение нейросетей. Ключевым решением стало применение самообучаемой динамической транспортной модели реального времени, которая работает совместно с управляющей нейросетью. Применение динамической транспортной модели позволило нивелировать перечисленные выше проблемы за счёт прогнозирования параметров дорожного движения. В результате удалось получить необходимый набор достоверных данных для проведения самообучения управляющей нейросети и учесть специфику изменения транспортных связей.

Динамическая транспортная модель на основании поступающих из различных источников данных, таких как детекторы транспорта, данные телематики, видеопотоки, в режиме реального времени автоматически рассчитывает транспортную ситуацию на будущие периоды на всей улично-дорожной сети, маршрутах следования железнодорожного, водного и авиатранспорта в зависимости от решаемой задачи. Управляющая нейросеть, используя данные динамической модели, формирует прогнозы движения грузов и предложения по оптимальному управлению транспортом.

Такое решение уже прошло апробацию в одном из проектов крупного промышленного строительства, где было необходимо обеспечить онлайн-прогноз поставки грузов всеми видами транспорта и оптимальным образом планировать деятельность грузовых дворов и транспортных средств. Сейчас на базе этого решения сформирован продукт RITM³ B2B AI — мультимодальная цифровая платформа для предприятий с встроенными сервисами искусственного интеллекта.

Применение искусственного интеллекта в транспортных системах на производстве имеет большой потенциал для оптимизации работы и повышения эффективности. Но стоит учитывать, что универсального решения для тиражирования на все производства нет. Каждое производство и технологии индивидуальны, с уникальным набором данных. Поэтому решения ИИ необходимо адаптировать к конкретному производству. Это процесс не быстрый, но потенциальные эффекты от внедрения ИИ превысят все ожидания.