Eliminacja ręcznego strojenia parametrów dzięki AI – detekcja pików w czasie rzeczywistym

Klientem jest globalna grupa technologiczna z wieloletnim doświadczeniem w projektowaniu rozwiązań dla przemysłu i laboratoriów. Firma specjalizuje się m.in w technologiach do transportu cieczy, takich jak pompy i systemy dozujące, które znajdują zastosowanie w branży chemicznej, farmaceutycznej, spożywczej, a także w sektorze gospodarki wodno-ściekowej i ochrony środowiska.

W jednym z projektów rozwojowych firma pracowała nad usprawnieniem procesu analizy sygnałów z urządzenia mierzącego zawartość azotu w próbkach materiałów stałych. Kluczowym problemem był etap detekcji pików — czyli momentów sygnału odpowiadających na przykład obecności azotu w badanej próbce.

Dotychczasowy proces wymagał ręcznej konfiguracji wielu parametrów detekcji, takich jak:

• próg wysokości piku,
• minimalna szerokość,
• odległość między pikami,
• poziom czułości na szum,
• graniczne wartości linii bazowej.

To podejście generowało szereg problemów:

• wysoki próg wejścia – tylko doświadczeni operatorzy potrafili poprawnie ustawić wszystkie parametry,
• brak powtarzalności – wyniki analizy zależały od konfiguracji i doświadczenia konkretnego użytkownika,
• wydłużony czas analizy – ręczne strojenie wymagało nawet kilku minut na sygnał,
• podatność na błędy – niewielka zmiana parametru potrafiła drastycznie zmienić interpretację wyniku,
• brak skalowalności – trudność w utrzymaniu spójności pomiarów na wielu urządzeniach i w różnych lokalizacjach.

Celem PoC (Proof of Concept) było opracowanie algorytmu, który działa automatycznie, bez potrzeby dostrajania przez użytkownika, i który można uruchomić bezpośrednio na urządzeniach edge klienta (np. Raspberry Pi), zachowując przy tym wysoką precyzję i stabilność działania.

Zespół projektowy zaprojektował kompletny algorytm detekcji pików, oparty na logice analizy sygnałów, zoptymalizowany do działania na urządzeniach z ograniczonymi zasobami obliczeniowymi.

Dane i metodologia

Projekt wykorzystał dane pochodzące z detektorów chemicznych klienta, zebrane podczas analizy zawartości azotu. Dane obejmowały:

• surowe sygnały (ze szumem i dryfem linii bazowej),
• odszumione sygnały wstępnie przygotowane przez zespół klienta,
• ręcznie oznaczone dane referencyjne, zawierające indeksy początku i końca każdego piku oraz powierzchnię pod krzywą.

Dane były dostarczane w trzech etapach, co umożliwiło szybszy rozwój i walidację:

1. zestaw nieoznaczony – do wizualnej analizy i zrozumienia dynamiki sygnału,
2. mały zestaw oznaczony – do testowania pierwszych reguł detekcji,
3. pełny zestaw oznaczony – do finalnej walidacji algorytmu.

Dzięki tej organizacji danych, możliwe było przeprowadzanie iteracji rozwojowych co kilka dni, z bieżącą walidacją wyników przez ekspertów klienta.

Podejście techniczne

• Algorytm działa na surowych danych, bez wstępnego przetwarzania – celowo pominięto filtrowanie, korekcję linii bazowej i normalizację.
• Detekcja lokalnych maksimów – piki są wykrywane jako punkty wyższe od sąsiadów; w przypadku płaskiego szczytu wybierany jest środkowy punkt.
• Stały próg detekcji – zastosowano jedną wartość (np. 0) dla wszystkich przypadków, co uprościło logikę i zwiększyło powtarzalność.
• Prominence (wyrazistość piku) – obliczana jako różnica między wysokością piku a najwyższą z podstaw (lewa/prawa), co pozwala na precyzyjne wyznaczenie granic.
• Dwa tryby wyznaczania granic – wersja klasyczna (wspólna linia bazowa) oraz „side-aware” (osobna lewa/prawa linia bazowa), co zwiększa precyzję w trudniejszych przypadkach.
• Minimalne wymagania sprzętowe – wszystkie obliczenia wykonują się w czasie krótszym niż 60 sekund na sygnał na urządzeniu Raspberry Pi.

• Uproszczenie obsługi urządzeń – dzięki pełnej automatyzacji algorytmu możliwe stało się korzystanie z systemu również przez użytkowników bez zaawansowanej wiedzy z zakresu fizyki czy analityki chemicznej. Tym samym rozwiązanie zwiększa dostępność urządzeń dla szerszej grupy odbiorców, w tym także w krajach o niższym poziomie uprzemysłowienia lub mniejszych zasobach kadrowych.
• Rozszerzenie potencjalnych rynków zbytu – dzięki zmniejszeniu bariery kompetencyjnej, urządzenia klienta mogą być z powodzeniem wdrażane w nowych segmentach i geografiach, co otwiera możliwości skalowania sprzedaży i wejścia na rynki wcześniej nieopłacalne operacyjnie.
• 100% automatyzacja – algorytm detekcji działa całkowicie autonomicznie, bez potrzeby ręcznej konfiguracji, co eliminuje błędy ludzkie i zwiększa standaryzację wyników.
• Ekspercka precyzja – granice pików były zgodne z referencyjnymi oznaczeniami ekspertów w ponad 95% przypadków, co potwierdza wiarygodność algorytmu w zastosowaniach laboratoryjnych i przemysłowych.
• Wydajność obliczeniowa – czas analizy sygnału wynosił poniżej 1 minuty na sprzęcie klasy Raspberry Pi, przy zachowaniu pełnej stabilności operacyjnej.
• Znaczące przyspieszenie analizy – automatyzacja parametrów skróciła czas całego procesu analitycznego nawet o 70% w porównaniu do metody manualnej.
• Gotowość produkcyjna i rozwojowa – system jest gotowy do integracji z oprogramowaniem klienta i może być rozwijany o kolejne funkcje, takie jak progowanie adaptacyjne czy obsługa bardziej złożonych sygnałów.