Zespół Spadające Entropie - Lureaci trzeciej edycji CuValley Hack

Zespół Spadające Entropie – Lureaci trzeciej edycji CuValley Hack 2023

Zespół Spadające Entropie i zadanie w Cu ValleyHuck „Wirtualny estymator wielkości ziarna miedzionośnego"

 

I MIEJSCE W ZADANIU „Wirtualny estymator wielkości ziarna miedzionośnego”

Skład zespołu Spadające Entropie:

  1. Łukasz Dąbkowski
  2. Dawid Lasek
  3. Mateusz Strzeżak

 

Uzasadnienie Jury:

Zespół stworzył wirtualny analizator – pracujący w czasie rzeczywistym model predykcyjny kluczowych parametrów, czyli uziarnienia oraz gęstości przelewu. Zespół w swoim rozwiązaniu wykorzystał architekturę rekurencyjnej sieci neuronowej. W ramach projektu wykonano szczegółową analizę danych, co pozwoliło wykryć anomalie oraz problemy w pracy systemu.  Dzięki wysokiej skuteczności, model będzie potencjalnie w stanie zastąpić fizyczne urządzenie w ramach procesu produkcyjnego.

Eksperci oceniający rozwiązanie docenili przeprowadzoną analizę danych oraz wstępne założenia dotyczące wdrożenia rozwiązania.

 

Kilka pytań do zespołu:

Co skłoniło Was do wzięcia udziału w hackathonie CuValley Hack 2023?

Interesujemy się zastosowaniem algorytmów uczenia maszynowego w przemyśle. Mamy też szereg doświadczeń w obszarze optymalizacji procesów produkcyjnych i redukcji kosztów energii. CuValley Hack 2023 to doskonała okazja aby sprawdzić swoje umiejętności w stosunku do innych uczestników i aby zmierzyć się z rozwiązaniem interesującego problemu technicznego. Cieszymy się że zadania konkursowe są rzeczywistymi wyzwaniami stojącymi przed zakładem, oraz że opracowane rozwiązanie ma realną szansę na poprawę stanu techniki polskiego przemysłu.

 

Czy zadanie/a, nad którym pracowaliście w trakcie hackathonu było/y dla Was łatwe/trudne? Dlaczego?

Zadanie, nad którym pracowaliśmy było z pewnością pracochłonne, ponieważ wymagało od nas zrozumienia schematu produkcyjnego, poznania zależności oraz przeanalizowania danych i zbadania korelacji. Wybranie odpowiedniego modelu również wymagało przeprowadzania kilku prób. Dlatego oceniamy, że zadanie było średnio trudne.

 

W jaki sposób pracowaliście, jak dzieliliście się pracą nad projektem?

Na początku wspólnie zapoznaliśmy się z układem technologicznym zakładu i omówiliśmy elementy mogące mieć największy wpływ na rozwiązanie. Następnie przystąpiliśmy do pracy z danymi, gdzie podzieliliśmy obowiązki na wczytanie i obróbkę danych, przyporządkowywanie danych do schematu technologicznego oraz analiza eksploracyjna danych (badanie obserwacji odstających, charakterystyk pracy urządzeń, zbadanie możliwości uzupełnienia brakujących wartości). Następnie badaliśmy zależności pomiędzy różnymi stopniami układu technologicznego, ze szczególnym uwzględnieniem opóźnień, szukaliśmy korelacji pomiędzy danymi i tworzyliśmy nowe cechy na podstawie istniejących pomiarów, aby ułatwić trening modelu. Dysponując obrobionymi danymi zaczęliśmy niezależnie tworzyć modele machine learning oraz deep learning, zwracając szczególną uwagę na uzyskania możliwości praktycznego zastosowania modeli w zakładzie produkcyjnym w czasie rzeczywistym. Po kilku godzinach pracy porównaliśmy uzyskane wyniki i wybraliśmy najbardziej obiecującą architekturę, która uzyskała najlepsze wyniki na zbiorze testowym odwzorowującym pracę zakładu. Następnie jeden z nas zajął się próbą zastosowania algorytmów state-of-the-art wykorzystujących mechanizm atencji dla szeregów czasowych, podczas gdy pozostali próbowali różnych kombinacji hiperparametrów modelu oraz pracowali nad dalszą analizą i wyborem danych do modeli. Po uzyskaniu zadowalających wyników, zajęliśmy się tworzeniem prezentacji, zwracając uwagę aby jasno przedstawić założenia towarzyszące tworzeniu modeli i uzyskane wyniki, podkreślić możliwości praktycznego zastosowania oraz potencjał biznesowy. Ostatecznie ledwie wyrobiliśmy się, żeby zdążyć wgrać wyniki na platformę, a algorytmu atencyjnego nie zdążyliśmy zastosować.

 

W jaki sposób zbudowaliście swój zespół?

Jako zespół znamy się już z kilku innych projektów, a obecnie również razem pracujemy. Studiowaliśmy energetykę na tym samym wydziale oraz dzielimy zainteresowanie ideą stosowania algorytmów uczenia maszynowego w przemyśle.

 

Jakie są Wasze wrażenia już po hackathonie. Jak oceniacie całe przedsięwzięcie? 

Nasze wrażenia są bardzo pozytywne. Ten pracowity weekend pozwolił nam przetestować nasze umiejętności, poszerzyć kreatywne myślenie oraz sprawdzić się w rywalizacji z innymi zespołami, nie tylko od strony technicznej, ale również w również w aspektach przedstawiania naszego rozwiązania.

Uważamy że CuValley Hack 2023 jest wyjątkowym wydarzeniem, które umożliwia prototypowanie innowacyjnych rozwiązań dla realnych problemów przemysłu. Mamy nadzieję, że więcej firm weźmie przykład z KGHM i otworzy polski przemysł na innowacje. Całe wydarzenie było bardzo dobrze zorganizowane i prowadzone w atrakcyjny sposób. Dostępność mentorów i możliwość konsultacji z nimi podczas całego hackathonu, była bardzo pomocna w doprecyzowaniu zadania i uwzględnieniu realnych warunków przemysłowych. Cieszymy się, że mogliśmy brać w nim udział.