Разработка AI-системы предиктивного обслуживания оборудования

Представьте: завод с тысячами электродвигателей, насосов и компрессоров. Один внезапный отказ — и конвейер встает на 4 часа. Потери — до $18k–26k за каждую остановку. Большинство предприятий живут по регламенту замены «через 1000 часов работы», хотя реальное состояние агрегатов — загадка до последнего. Мы строим AI-систему предиктивного обслуживания (PdM), которая снимает неопределённость.

Используем данные с датчиков вибрации, тока, температуры. Обучаем модели распознавать зарождающиеся дефекты за 2-6 недель до отказа. Подключаем к CMMS, чтобы Work Order создавался автоматически. Заказчик получает Health Index для каждого актива, рекомендации по времени ТО и прозрачный ROI. Наш опыт — 5+ лет в промышленном AI, десятки внедрённых систем. PdM сокращает внеплановые простои в 3-5 раз по сравнению с плановым обслуживанием.

Какие проблемы решает AI-система предиктивного обслуживания?

• Неожиданные простои: традиционное ТО — по регламенту или после отказа. Мы прогнозируем остаточный ресурс (RUL) и выставляем точную дату ТО.
• Неоптимальная частота обслуживания: слишком часто — перерасход, слишком редко — риск. Оптимизируем на основе FMEA и экономической модели.
• Ложные тревоги: стандартные пороговые методы дают 30-60% ложных срабатываний. Ансамбль ML-моделей снижает FP до 5%.

Как мы строим систему: платформенная архитектура

Система охватывает все уровни от датчиков до бизнес-KPI:

Уровень 0: Edge (на оборудовании) Модули: vibration sensor, temperature sensor, current meter Протокол: Modbus RTU / OPC-UA Edge gateway: Raspberry Pi / Industrial PC Уровень 1: Fog (цеховой уровень) OPC-UA Server → MQTT broker → Edge computing node Локальное хранение и первичная обработка Уровень 2: Cloud (корпоративный уровень) Kafka → TimescaleDB / InfluxDB ML Training Pipeline (Airflow + MLflow) Inference Service (FastAPI) Уровень 3: Business CMMS / ERP интеграция KPI Dashboard (Grafana / Tableau) Mobile app для техников 

Для каждого актива заводится запись в Asset Registry:

@dataclass class Asset: asset_id: str name: str type: AssetType # motor, pump, compressor, conveyor, gearbox manufacturer: str model: str install_date: datetime rated_power_kw: float location: dict # plant, line, cell criticality: int # 1-5 (5 = most critical) sensors: list[SensorConfig] maintenance_history: list[WorkOrder] failure_modes: list[FailureMode] # из FMEA документа 

FMEA-driven анализ отказов: основа прогноза — разработка ai системы

Вместо чёрного ящика мы используем FMEA — документируем каждый ожидаемый отказ, его признаки и типичное время развития. Пример для электродвигателя:

failure_modes_motor = [ FailureMode( name='bearing_outer_race_defect', detection_method='vibration_envelope_bpfo', leading_indicators=['kurtosis > 3', 'bpfo_amplitude_rise'], typical_development_days=30, severity=4 ), FailureMode( name='stator_winding_degradation', detection_method='motor_current_signature_mcsa', leading_indicators=['current_imbalance > 5%', 'sideband_frequencies'], typical_development_days=60, severity=5 ), FailureMode( name='misalignment', detection_method='vibration_1x_2x', leading_indicators=['high_1x_radial', '2x_axial_component'], typical_development_days=14, severity=3 ) ] 

Иерархический Health Index: от датчика до завода

Health Index — от 0 (отказ) до 1 (идеально). Считается на каждом уровне: датчик → актив → линия → цех. Для каждого failure mode своя ML-модель, результат агрегируется с весом по severity:

class AssetHealthEnsemble: def __init__(self, failure_modes, weights=None): self.failure_modes = failure_modes self.models = {fm.name: load_model(fm) for fm in failure_modes} self.weights = weights or {fm.name: fm.severity for fm in failure_modes} def compute_health(self, sensor_data): fm_scores = {} for fm_name, model in self.models.items(): features = extract_features_for_fm(sensor_data, fm_name) failure_prob = model.predict_proba([features])[0][1] fm_scores[fm_name] = 1.0 - failure_prob weighted_health = sum(score * self.weights[name] for name, score in fm_scores.items()) / sum(self.weights.values()) min_score = min(fm_scores.values()) if min_score < 0.3: weighted_health = min(weighted_health, min_score * 1.5) return weighted_health, fm_scores 

Здоровье всего завода — взвешенное среднее по критичности активов. Критичный дефект на одном агрегате снижает общий индекс.

Оптимизация времени ТО: баланс затрат и риска

Ищем баланс между стоимостью ТО и риском отказа. Модель использует распределение остаточного ресурса (RUL) и решает задачу минимизации ожидаемых затрат:

from scipy.optimize import minimize_scalar def optimal_maintenance_time(rul_distribution, maintenance_cost, failure_cost, holding_cost_per_day): def expected_cost(t_maintenance): p_failure_before_maintenance = rul_distribution.cdf(t_maintenance) cost_if_maintain = maintenance_cost + t_maintenance * holding_cost_per_day cost_if_fail = failure_cost * p_failure_before_maintenance return cost_if_maintain * (1 - p_failure_before_maintenance) + cost_if_fail result = minimize_scalar(expected_cost, bounds=(1, 180), method='bounded') return result.x # оптимальное количество дней до ТО 

Результат — Work Order с конкретным сроком и приоритетом. На одном цементном заводе такой алгоритм предсказал отказ подшипника мельницы за 18 дней, что позволило провести замену в плановый простой и избежать аварийной остановки. ROI системы составил 400% за первый год.

Сравнение подходов к обслуживанию

Что даёт предиктивное обслуживание на практике?

Типичные результаты через 6 месяцев после внедрения: снижение внеплановых простоев на 70-80%, увеличение межремонтного интервала на 30%, сокращение затрат на ТО на 20%. Система автоматически генерирует Work Order в CMMS (SAP, 1С) на основе прогноза, без участия человека.

Что входит в работу

• Аудит оборудования и сбор данных (архив SCADA, логи, схема)
• Проектирование архитектуры IoT-сети и edge-устройств
• Создание Asset Registry и FMEA-модели
• Разработка ML-моделей (вибрация, ток, температура) и ансамбля
• Деплой модели на edge/cloud с inference сервисом
• Интеграция с CMMS (SAP, 1С, собственные системы)
• Dashboard Health Index и KPIs (Grafana / Tableau)
• Обучение техников работе с системой
• Поддержка в течение 6 месяцев после запуска

Какие гарантии мы даём?

Наша команда — 5+ лет в промышленном AI и IoT. 10+ внедрений на заводах России и СНГ. Гарантируем качество: если система не подтвердит свою эффективность в течение 3 месяцев — доработаем бесплатно.

Сроки и стоимость

Базовое решение (до 10 активов) — 8-10 недель. Полномасштабная система (100+ активов) — 5-8 месяцев. Стоимость рассчитывается индивидуально. Свяжитесь с нами для оценки вашего проекта — получите консультацию инженера.

Получите расчёт для вашего завода. Закажите предварительный аудит.