Система прогнозного обслуживания эксгаустеров агломерационной фабрики АО «ЕВРАЗ ЗСМК»

ML и AI в производственных компаниях

API
Python
Рекомендации / ML

Доклад принят в программу конференции

Мнение Программного комитета о докладе

Хороший пример, как можно расширить задачу мониторинга оборудования до прогнозного обслуживания. Коллеги поделятся особенностями своего внедрения и расскажут, когда прогнозное обслуживание вовсе не так страшно, как многие думают.

Целевая аудитория

Представители металлургической отрасли. Разработчики и интеграторы цифровых решений в области металлургии. Python Backend Developers.

Тезисы

В современном производстве минимизация внеплановых простоев является ключевым фактором успеха. В докладе я расскажу об архитектурных особенностях и «фишках» нашего проекта и о том, что не все предиктивные задачи обязаны решаться математически сложными моделями, требующими обучения.

Используя линейную регрессию и язык программирования Python, мы создали инструмент, который на основе анализа данных по вибрации подшипников не только предсказывает потенциальные проблемы, но и интегрируется в повседневные процессы фабрики.

Python Backend Developer. 3 года в области автоматизации — металлургия. 9 лет разработки и сопровождения в области электронного документооборота.

ЕВРАЗ

ЕВРАЗ — один из крупнейших мировых производителей стали. Металл ЕВРАЗа — в основе небоскребов, стадионов, аэропортов, новейших заводов и железных дорог. Системы-подсказчики, машинное зрение, цифровые двойники активно используются на предприятиях компании, повышая эффективность и безопасность работы.

Видео

Другие доклады секции

ML и AI в производственных компаниях