/Industrial-ML-cases

A review of repositories classified by a specific industrial problem with cases of applying ML in industry

MIT LicenseMIT

Industrial-ML-cases

A overview of repositories, videos, posts classified by a specific industrial problem with cases of applying ML in industry

1. Cases of Industrial AI/DS/ML

1.1 Recommendations and Optimisations

  • code [RU] Severstal. Causal inference for a steel mill. Boris Voskresenskii [youtube], [towardsdatascience.com]
  • paper Severstal. Adaptive speed regulation on a metallurgical pickling line with RL. Boris Voskresenskii [youtube], [Arxiv]
  • [RU] Северсталь. Модель управления обжиговыми машинами. Борис Воскресенский [youtube]
  • [RU] ММК (YDF). Как Яндекс металлургам помогал. Виктор Лобачев [youtube]
  • [RU] ММК (YDF). Тяжелая металлургия | Data Science кейс-клуб [youtube]
  • [RU] Цифра. Экономно готовим битум: Рекомендации рецептур с помощью машинного обучения. Кирилл Ершов [youtube]
  • [RU] ГПН (Раблз). Подбор и оптимизация рецептур моторных масел с использованием ИИ. Я.Чижевский, Н.Дорошенко [youtube]
  • [RU] Евраз. Хитрый сплав: как мы соединили дата-сайентистов, разработчиков и технологов и чем это помогло металлургии [habr]
  • [RU] Софтлайн. Линейные деревья решений для прогноза усваемости химических элементов в плавке. Николай Князев [youtube]
  • [RU] Русал (Mechanica AI). AI + AL. Оптимизация производства алюминия (прогноз вероятности снижения эффективности). Эмели Драль [youtube]
  • Conundrum.ai. Several optimisation cases. [pdf]
  • [RU] Инфосистемы Джет. Помощник сталевара: для чего металлургам нужно машинное обучение? Антон Головко [habr]
  • [RU] НЛМК. Что общего между кофе с доставкой и ковшом жидкой стали. Михаил Чмель [habr]
  • [RU] НЛМК. Как мы узнали, что одна из бригад оцинковщиков работала быстрее других и что было дальше [habr]
  • [RU] НЛМК. Как белка с ИИ сэкономила нам 100 миллионов на обогащении руды [habr]
  • [RU] НЛМК. Варим суп из стали: оптимизация логистики ковшей и как устроен цех КЦ № 2 [habr]
  • [RU] НЛМК. Предсказания на производстве: смотрим на пять минут вперед и экономим миллионы кубометров газа [habr]
  • [RU] НЛМК. Возим «ложкой» по ковшу жидкого чугуна и снимаем «шлакопенку» [habr]

1.2 Anomaly detection

  • [RU] Росатом (Цифрум). Предиктивная аналитика на МСЗ. Иван Максимов [youtube], [medium]
  • [RU] Росатом (Цифрум). Мониторинг технического состояния электролизеров. Юрий Кацер [youtube], [habr]
  • [RU] Росатом (ВНИИАЭС). Предиктивная аналитика турбогенератора АЭС. Мухортов [pdf]
  • [RU] Россети (Mail.ru). Россети и Mail.ru в поисках черных майнеров. Александр Мамаев [youtube]
  • code data Bosch. Production Line Performance (Reduce manufacturing failures) [kaggle]
  • code IBM. Equipment Failure Prediction using IoT Sensor data [github]
  • [RU] РКЦ «Прогресс». Интеллектуальный мониторинг технического состояния станков [youtube]
  • [RU] Цифра. АИС Диспетчер, Организация обслуживания и ремонта промышленного оборудования [youtube], Кейс Авиастар-СП [youtube], Кейс RubEx Group [youtube]
  • data paper Rosatom (waico.tech). Anomaly Detection for NPP Power Transformers. Iurii Katser [medium], [kaggle]
  • [RU] Евраз. Прогнозировать и предотвращать отказы: как мы внедрили предиктивную аналитику на трех МНЛЗ [habr]
  • [RU] Лаборатория Касперского. Обнаружение аномалий во временных рядах с помощью автоэнкодеров. Павел Филонов [youtube]
  • [RU] Лаборатория Касперского. Нейронные сети на страже индустриальной кибербезопасности. Павел Филонов [youtube]
  • [RU] НПЦ "Динамика". Цифровая надежность НПЗ - мониторинг технического состояния оборудования в реальном времени [youtube]
  • [RU] Siemens (Прана). Предиктивная аналитика оборудования. Дмитрий Большов, Артем Маркелов [youtube]
  • [RU] Северсталь. Как мы учились предсказывать отказы [habr]

1.3 RUL (remaining usefull life) and TTF (time-to-failure)

  • code NASA (Microsoft). LSTM for predictive maintenance on Turbofan Engine Degradation Simulation Data Set [github], [gallery.azure.ai]
  • code NASA. The aircraft engine run-to-failure data [github]
  • Waico.tech. RUL Determining for Continuous Casting Machine Mold Sleeve. Iurii Katser [medium]
  • [RU] ПАО «Полюс». Задача определения остаточного ресурса оборудования. Юрий Кацер [youtube]

1.4 Product quality

  • code Industrial defect inspection (counting the number of pills during manufacturing) [github]
  • code SECOM Detecting Defected Items (binary classification problem) [github], Approaches for the class imbalance problem SECOM [github]
  • [RU] Микрон и Уралхим (МТС). Как использовать данные на предприятии на примере Микрон и Уралхим. Михаил Матвеев [youtube]

1.5 Other

  • [RU] ГПН (Сколтех). Применение ML для прогнозирования литологии в процессе бурения скважины. Никита Ключников [youtube]
  • [RU] ГПН. Как сблизить практику и науку ИИ? Анджей Аршавский [youtube]
  • [RU] ГПН. Применение алгоритмов ML для подавления шумов по несуммированным сейсмическим данным. Даниил Сёмин [youtube]
  • code data Can you cut the time a Mercedes-Benz spends on the test bench? [kaggle], [The 11th place solution at github, youtube, kaggle]
  • [RU] ПАО «Полюс». Кейс «Цифровой советчик водителя», Андрей Горшков [youtube]
  • [RU] КРОК. Как подружить промышленность и big data. Аналитика, SCADA, BI, интеграция с источниками данных. [habr]
  • [RU] Северсталь. Как мы управляем надежностью производственного оборудования огромной вертикально-интегрированной компании [habr]

1.6 Multiple cases (overviews and panel discussions)

  • [RU] Искусственный интеллект в нефтегазовой отрасли. Дмитрий Коротеев, Сколтех [youtube]
  • [RU] Искусственный интеллект в разведке и добыче нефти и газа. Сергей Сафонов, Aramco [youtube]
  • [RU] Цифровая экосистема для горняков: как НЛМК применяет искусственный интеллект на Стойленском ГОКе, НЛМК [rusbase]
  • [RU] Кейсы. Внедрение искусственного интеллекта в промышленности («КАМАЗ», «Цифрум», red_mad_robot, «Цифра») [youtube]
  • [RU] Data Fest Online 2020. Трэк: Машинное обучение в реальных секторах экономики - от добычи нефти до генерации энергии и производства стали. [ods.ai]
  • [RU] Severstal Data Science Meetup [youtube]
  • [RU] Научно-техническая конференция «Цифровые технологии в добыче углеводородов: от моделей к практике - 2021». Применение интеллектуальных технологий на объектах добычи, хранения, транспорта и переработки нефти [youtube]
  • [RU] McKinsey: Углублённая аналитика в тяжёлой промышленности [youtube], [vc.ru]
  • [RU] Как заставить ML работать и причем тут физика. Примеры из нефтегазовой отрасли. Тимур Бикмухаметов [youtube]
  • [RU] Машинное обучение в промышленном масштабе. Эмили Драль [youtube]
  • [RU] Machine Learning, или Трансформация данных в деньги. Александр Хайтин, Yandex [youtube]
  • [RU] Искусственный интеллект в металлургии. Александр Хайтин, Mechanica AI [youtube]
  • [RU] Кейс-конференция AI в промышленности. Индустриальные инновации [youtube]
  • [RU] ГПН: ПРАКТИКА И ИССЛЕДОВАНИЯ В СФЕРЕ ИИ ДЛЯ ПРОМЫШЛЕННЫХ КОМПАНИЙ [youtube]
  • [RU] Schneider Electric. Система расширенного управления производственными процессами и эффективностью активов по критерию минимизации простоев, платформа для предиктивного технического обслуживания и многое другое [youtube]
  • [RU] Сибур. Видеоаналитика на взрывоопасном заводе площадью в 700 футбольных полей. Вадим Щемелинин [habr]

Other notable cases reviews:

2. General Information about Industrial AI/DS/ML

  • [RU] Россети (Mail.ru). Разработка ML-решений: от постановки задачи до эксплуатации [youtube]
  • [RU] Росатом (Цифрум). Проблемы качества промышленных данных (временных рядов). Юрий Кацер [habr]
  • [RU] Росатом (Цифрум). Проблемы в промышленных данных с точки зрения дата сайентиста. Юрий Кацер [youtube]
  • [RU] Росатом (Цифрум). Опыт проектов с ИИ в промышленности. Юрий Кацер [youtube], [habr]
  • [RU] Цифра. Зачем заводам машинное обучение. Роман Чеботарев [habr]
  • [RU] Росатом (Цифрум). Поиск точек изменения состояния (changepoint detection) на python. Юрий Кацер [youtube]
  • [RU] Росатом (Цифрум). Поиск аномалий в промышленных данных. Юрий Кацер [youtube]
  • [RU] Ланит. Разбираем основные методы обнаружения аномалий. [habr]
  • [RU] Поиск аномалий во временных рядах [habr]
  • [RU] Инфосистемы Джет. «Другие» рекомендации [habr]