г. Москва, ул. Мясницкая, д.13, стр. 18
+7 495 258 88 77
сontact@bdlab.tech

Мы помогаем владельцу бизнеса исследовать и решать его бизнес-задачи связанные с оптимизациями любых бизнес- процессов, сокращениями издержек, повышением дополнительных продаж

Отраслевая экспертиза

Постоянно совершенствуем алгоритмы и модели искусственного интеллекта на данных бизнес партнеров из различных отраслей, а также данных из внешних источников
Государственный сектор

Телекоммуникации

Авиация

Газоперерабатывающая и нефтехимическая отрасль

Транспорт

Энергетика

Горно-металлургическое производство

Банковский сектор

Фарминдустрия

Модель взаимодействия с нами

1
стадия

ИНТЕРВЬЮ

  1. Формулирование бизнес задачи
  2. Расчет потенциального экономического эффекта от её решения
  3. Установление источников данных, определение круга лиц, принимающих решения
  4. Получение данных
2
стадия

АНАЛИЗ

  1. Оценка технологической возможности реализации
  2. Подготовка данных, их обработка
  3. Анализ данных. Построение первичных математических моделей. Оформление и демонстрация результата
3
стадия

РАЗРАБОТКА ПРОТОТИПА

  1. Доведение математической модели до состояния работающей Системы с функционалом необходимым для подтверждения достижения экономического эффекта
  2. Разработка технического задания на целевую Систему
4
стадия

РАЗРАБОТКА И ВНЕДРЕНИЕ

  1. Реализация всего функционала и интерфейсов решения
  2. Настройка всех интеграций
  3. Внедрение
  4. Тестирование и документирование
  5. Техническая поддержка и эксплуатация

Примеры наших работ

Прогнозирование пассажиропотока. Создание системы отчетности на основе матрицы пассажиропотока

Городской пассажирский транспорт. Метрополитен
В Метрополитене нет инструмента объективного контроля и прогнозирования количества посетителей метро в вестибюлях, кассовых зонах в вагонах на перегоне. Нет возможности принятия оперативных управленческих решений.
Задача:
- Создать модель прогнозирования пассажиропотоков
- Внедрить единую систему хранения данных
Результат:
разработана модель прогнозирования пассажиропотока с 2% погрешностью
video play
cloud hand
Матрица корреспонденции демонстрирует загруженность линий метрополитена в зависимости от времени
По вертикали количество пассажиров. 8e+06 = 8 миллионов.
По горизонтали просто день в году. Черные точки предсказанные.
Цветные – реальные.
Цвет означает месяц.

Оптимизация бизнес процесса управления вагонным парком (20тыс. Вагонов + корабельные танкеры)

Газоперерабатывающая и нефтехимическая промышленность
Прогноз производства продуктов на день с погрешностью до 4% -это много. Это прямое влияние на кол-во вагонов необходимых для отгрузки продуктов. Сейчас это не решено. Есть резерв вагонов стоящих на станции и в парке. Простой, недостаток, избыток вагонов - деньги
Задача: Минимизировать погрешность прогноза производства продуктов на краткосрочную перспективу (день). Оптимизировать кол-во вагонов в парке
Декомпозиция задачи:
- Посмтроить модель прогнозирования компонентного состава, входящего ШФЛУ
- построить модель прогнозирования производства продуктов из ШФЛУ на ГПЗ
- построить модель оптимизации бизнес процесса управления вагонным парком
Данные:
- тахографов;
- даные из центральных заводских лабораторий;
- карта с распределением узлов и цепей добычи, транспортировки и переработки;
- АСУ ТП и PI System; Данные с инфраструктуры нижнего уровня (центробежные насосы, датчики и т.п.)
Результат:
1. Разработана модель прогнозирования компонентного состава входящего ШФЛУ, с мониторингом погрешности %. Модель снизила погрешность прогноза с 4% до 2%
2. Сфорированы ФТТ для выпонения пилотного проекта

Создание инструмента предиктивного технического обслуживания активных агрегатов (топливные и масло насосы)

Гражданская авиация. Пассажироперевозки
Есть определенная закономерность поломок насосов связаная с климатическими регионами использования авиационных бортов, а так же временами года. Есть плановые ремонты и техническое обслуживание, есть нештатные поломки, которые приводят к остановке агрегатов и могут привести к катастрофе с человеческими жертвами. Простой ремонта агрегата - финансовые убытки для авиаперевозчика. Увеличение ЗИПа - нецелевое использование средств и следовательно убытки. Агрегаты разных вендоров. Каждый вендор предлагает свою систему предиктивного анализа, она не универсальна, дорогостоящая, за счет широкого спектра не всегда нужных клиенту опций.
Задача: Разработать и внедрить универсальную модель мониторинга техниеского состояния насосов предсказывания выхода их из строя, а так же предложения по оптимальным маршрутам и регионам использования.
Декомпозиция задачи:
- создать модель прогнозирования выхода из строя насосов авиапарка Клиента;
- Проведение пилотного проекта в контуре Клиента;
- Формирование требований к целевой системе;
- Разработка и внедрение целевой системы.
Данные:
- бортовые параметрические самописцы. Данные насосов
Результат:
1. проведен анализ данных
2. обсуждается запуск пилотного проекта

Создание инструмента предиктивного технического обслуживания активных агрегатов (Парогазовые и газотурбинные установки)

Энергогенерация
Есть плановые ремонты и техническое обслуживание, есть нештатные поломки, которые приводят к остановке агрегатов и требующие восстановление работоспособности. Простой агрегата - финансовые убытки. Тотальная поломка или переход в негодность - финансовые убытки сопостовимые с запланированной прибылью от электрогенерации всей станции за продолжительный срок эксплуатации станции. Активные агрегаты разного вендора(GE, Alstom, Siemens и т.п.)Каждый вендор предлагает свою систему предиктивного анализа, она не универсальна. Задача: Разработать и внедрить универсальную модель мониторинга техниеского состояния активных, силовых агрегатов и предсказывания выхода их из строя, а так же предложения по оптимальным интервалам технического обслуживания.
Задача: Разработать и внедрить универсальную модель мониторинга техниеского состояния насосов предсказывания выхода их из строя, а так же предложения по оптимальным маршрутам и регионам использования.
Декомпозиция задачи:
- создать модель прогнозирования выхода из строя насосов авиапарка Клиента;
- Проведение пилотного проекта в контуре Клиента;
- Формирование требований к целевой системе;
- Разработка и внедрение целевой системы.
Данные:
- АСУ ТП и PI System;
Данные с инфраструктуры нижнего уровня (насосы, датчики вибрации, температуры, давления масла и т.п.)
Результат:
1. разработана математическая модель прогнозирования выхода из строя турбины с одной станции генерации. Подготовлена пояснительная записка.
2. согласование старта пилотного проекта с Клиентом
Отправить сообщение
ru_RURussian
en_GBEnglish ru_RURussian