24 czerwca 2021

Nowe rozwiązanie Kaspersky Machine Learning for Anomaly Detection pozwala przewidywać awarie procesów produkcyjnych

Kaspersky informuje o wprowadzeniu na rynek Kaspersky Machine Learning for Anomaly Detection (MLAD) - rozwiązania umożliwiającego wykrywanie odchyleń w procesach produkcyjnych na wczesnym etapie. Wspomagany algorytmami uczenia maszynowego, które analizują telemetrię z czujników maszyn, ostrzega o awariach urządzeń poprzez wyświetlanie alertów, gdy tylko parametry procesu produkcyjnego zaczną przybierać niespodziewane wartości. Kaspersky MLAD posiada bogaty w funkcje interfejs graficzny umożliwiający szczegółową analizę anomalii, jak również narzędzia, które mogą zintegrować produkt z istniejącymi systemami w celu dostarczania alertów na panele sterujące operatorów.


W środowiskach przemysłowych niezwykle istotne jest utrzymanie procesu technologicznego na optymalnej ścieżce oraz unikanie wszelkiego rodzaju zakłóceń, w tym awarii sprzętu, błędów operatora czy cyberataków na przemysłowe systemy sterowania. Jeśli pojawi się jakiś problem, wczesne wykrycie może wyeliminować zakłócenia, a tym samym zmniejszyć koszty przestoju produkcji, zmarnowanych surowców oraz zapobiec innym poważnym konsekwencjom. Według szacunków firmy Kaspersky zmniejszenie czasu przestoju o 50% pozwala rocznie zaoszczędzić dużej elektrowni do 1 miliona dolarów, natomiast rafinerii ropy naftowej - 2,5 miliona dolarów1.

Sieć neuronowa rozwiązania Kaspersky Machine Learning for Anomaly Detection analizuje w czasie rzeczywistym telemetrię z różnych czujników wykorzystywanych w procesie produkcyjnym. Wykrywa niewielkie odchylenia, takie jak zmiana dynamiki lub zgodności sygnałów, i wyświetla alerty, zanim wartości osiągną swoje limity i wpłyną na produkcję. Dzięki temu operatorzy mogą podjąć działania zapobiegawcze. Aby móc wykrywać anomalie, sieć neuronowa uczy się typowego zachowania maszyny z historycznych danych telemetrycznych. W przypadku zmiany parametru procesu produkcyjnego (np. wprowadzony zostanie nowy rodzaj surowca) lub wymiany części maszyny operator może ponownie uruchomić moduł uczący w celu uaktualnienia sieci neuronowej. Oprócz detektora opartego na uczeniu maszynowym rozwiązanie może na życzenie klienta zostać wyposażone w specjalnie przygotowane reguły diagnostyczne dla określonych przypadków.

Kaspersky MLAD działa w dotychczasowej infrastrukturze elektrowni i nie wymaga instalowania dodatkowych czujników. W celu uzyskania danych i zgłoszenia anomalii Kaspersky MLAD łączy się z przemysłowymi systemami sterowania, takimi jak SCADA. Może również zostać zintegrowany z produktem Kaspersky Industrial CyberSecurity for Networks. Rozwiązanie obsługuje popularne protokoły przemysłowe, w tym OPC UA, MQTT, AMQP, jak również REST, dzięki czemu może być stosowane w systemach wyposażonych w różny sprzęt.

Kaspersky MLAD posiada bogaty interfejs graficzny umożliwiający analizę wykrytych anomalii. Dzięki zwizualizowanym wykresom przebiegu monitorowanych procesów ekspert może zobaczyć, co, gdzie i w którym obszarze systemu poszło nie tak.

Dzięki zaawansowanym algorytmom uczenia maszynowego oraz możliwości dostosowania do określonych procesów przemysłowych Kaspersky Machine Learning for Anomaly Detection stanowi ogromną pomoc w zapewnieniu niezakłóconej produkcji. Rozwiązanie uzupełnia systemy monitorowania oraz wiedzę ekspercką operatorów maszyn o możliwość wykrywania anomalii w złożonym środowisku. Niezależnie od tego, co powoduje odchylenia, wczesne alerty mogą zapobiec przestojom oraz awariom sprzętu. Rozwijaliśmy tę technologię przez kilka lat i dzisiaj możemy z radością poinformować, że w pełni funkcjonalny produkt jest dostępny komercyjnie - powiedział Andriej Lawrientiew, dyrektor działu badań technologicznych w firmie Kaspersky.

Więcej informacji na temat rozwiązania Kaspersky Machine Learning for Anomaly Detection znajduje się na stronie https://mlad.kaspersky.pl.

Informację można wykorzystać dowolnie z zastrzeżeniem podania firmy Kaspersky jako źródła.

Wszystkie informacje prasowe są dostępne na stronie https://www.kaspersky.pl/nowosci.
1 Szacunki opierają się na analizie rozmaitych parametrów, takich jak czas trwania przestojów, wskaźniki ekonomicznej aktywności organizacji oraz modelowanie.