Мы специализируемся на разработке и адаптации программно-аппаратных решений для автоматизации и цифровизации процессов в конструкторских бюро и на производстве. Разрабатываем цифровые копии оборудования для анализа работы при различных режимах нагружения и снижения вероятности возникновения дефектов продукции при производстве. Кроме этого, ведется работа по созданию нейросетевых алгоритмов для идентификации объектов акустическим методом.
Разработка программного обеспечения
Разработка программного обеспечения для решения нестандартных задач, включая создание моделей машинного обучения и нейронных сетей. Адаптация инженерного программного обеспечения под процессы предприятия.
Разработка и адаптация специализированного программного обеспечения для предиктивной аналитики работы производственного оборудования, вибродиагностики и мониторинга его состояния.
Работа ведется на базе интегрированной среды разработки программного обеспечения систем автоматизации технологических процессов TIA Portal (Totally Integrated Automation Portal).
TIA Portal содержит инструментальные средства для:
• Конфигурирования и настройки параметров аппаратуры;
• Конфигурирования систем промышленной связи;
• Программирования контроллеров;
• Конфигурирования панелей операторов SIMATIC;
• Тестирования, выполнения пусконаладочных работ и обслуживания готовой системы.
Используемые языки программирования:
• Релейная (лестничная) логика LAD;
• Substation Configuration Language SCL;
• Язык функциональных блоковых диаграмм FBD;
• S7-Graph (язык графического программирования).
Протоколы связи:
• PROFIBUS, PROFINET, MPI и Industrial Ethernet;
• Открытые стандарты связи, такие как OPC UA.
Разработка динамической математической модели Ракетного двигателя.
Используемое нами в работе программное обеспечение для анализа динамических процессов мультидисциплинарных систем Simcenter Amesim позволяет расширить функциональные возможности посредством создания собственных моделей с использованием языков программирования Fortran и C++.
Создание моделей может быть использовано, когда необходимо интегрировать специфические расчеты, алгоритмы или математические модели, которые не предусмотрены стандартной библиотекой компонентов программного пакета. Это позволяет адаптировать Simcenter Amesim к конкретным требованиям и задачам в вашей области инженерии.
Разработка программно-аппаратного комплекса для обнаружения и идентификации объектов в воздушном пространстве акустическим методом.
Обнаружение беспилотных летательных аппаратов (БПЛА) акустическим методом с использованием нейросетевых моделей является инновационным решением контроля безопасности воздушного пространства.
Метод основан на анализе звуковых сигналов, издаваемых БПЛА и предполагает запись звуковых сигналов с помощью микрофонов, закрепленных в разных точках наблюдения.
1. Сбор данных:
Для обучения нейросетевых моделей сначала требуется обширный набор данных, включающий звуковые записи, представляющие различные явления и модели БПЛА. Этот набор данных может седержать фоновые шумы и разнообразные акустические события.
2. Предварительная обработка данных:
Полученные аудиозаписи подвергаются предварительной обработке, включая фильтрацию, нормализацию и преобразование в спектральное представление (спектрограмму).
3. Обучение нейросетевых моделей:
Для анализа и классификации аудиозаписей нейросетевые модели обучаются. Используются сверхточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN) способные определять признаки аудиосигналов и выявлять принадлежность звуковых сигналов к БПЛА.
4. Обнаружение БПЛА:
После обучения, нейросетевые модели используются для обнаружения БПЛА. Акустический датчик регистрирует звук, нейросеть анализирует этот звуковой сигнал и определяет принадлежность к БПЛА.
5. Интеграция в систему безопасности:
Решение может быть интегрировано в систему безопасности и контроля воздушного пространства. В случае обнаружения БПЛА система может принять меры, такие как срабатывание тревожной сигнализации или активация противодействия системами РЭБ или ПРО.
6. Непрерывное обучение:
Для повышения надежности и обнаружения эффективности нейросетевые модели могут продолжать обучение на новых данных, чтобы адаптироваться к разнообразным условиям и изменениям в характеристиках БПЛА.
Данное решение позволяет эффективно выявлять и классифицировать БПЛА на основе их звуковой сигнализации, что может быть необходимо для обеспечения безопасности и контроля воздушных пространств в различных сценариях.