AI-предиктивное обслуживание IoT-устройств в мобильном приложении

Вращающееся оборудование — насосы, компрессоры, двигатели — часто выходит из строя внезапно из-за скрытых дефектов подшипников, дисбаланса или деградации изоляции. Внеплановый простой на промышленном объекте стоит десятки тысяч рублей в час, а аварийный ремонт требует экстренной логистики запчастей и простоя смежных агрегатов. Средняя стоимость внепланового ремонта центробежного насоса составляет 150 000–300 000 рублей, а каждый час простоя технологической линии обходится в 1,5 млн рублей. На одном из наших объектов аварийная остановка компрессора привела к потере 4,2 млн рублей за 3 часа. Эти цифры мотивируют внедрять предиктивную аналитику уже на этапе проектирования системы обслуживания.

Мы разрабатываем мобильные решения для предиктивного обслуживания IoT-устройств, которые позволяют заказчикам сократить эти простои за счёт раннего обнаружения дефектов. С нашим опытом (более 5 лет в IoT-аналитике) и гарантией качества вы получаете систему, реально работающую на промышленных объектах. Закажите предпроектное исследование, чтобы оценить потенциал экономии на вашем оборудовании.

Какие модели прогнозирования используются

Классический подход для вращающегося оборудования включает анализ следующих сигналов:

• RMS вибрации с акселерометра — рост указывает на дисбаланс или износ подшипника.
• Спектр FFT — характерные частоты дефектов подшипников (BPFI, BPFO, BSF, FTF по геометрии подшипника).
• Температура обмоток — тренд роста при деградации изоляции.
• Ток двигателя (MCSA) — изменение гармоник при механических дефектах.

Для детекции аномалий используются Isolation Forest или LSTM Autoencoder на временных рядах, для классификации типа дефекта — XGBoost или LightGBM, для оценки оставшегося ресурса (RUL) — Survival Analysis (Weibull regression). Обучение выполняется на серверной стороне (Python, scikit-learn, PyTorch). В мобильное приложение модель выгружается через REST API или в скомпилированном формате для локального инференса. Для диагностики насосов AI-модели показывают наилучшие результаты при использовании комбинации XGBoost и LSTM энкодера.

Как организовать локальный инференс на Android и iOS

Для нестабильной связи (промышленные объекты) модель выполняется на устройстве.

Пошаговая инструкция по развертыванию TFLite модели

1. Экспорт модели из Python в формат TFLite с квантованием в FP16.
2. Добавьте файл .tflite в директорию assets Android-приложения.
3. Инициализируйте Interpreter с включением NNAPI делегата для GPU-ускорения.
4. Используйте метод run() с входным тензором из нормализованных признаков.

Ниже — пример на Android с TFLite.

class RULPredictor(context: Context) { private val interpreter: Interpreter init { val model = loadModelFromAssets(context, "rul_model.tflite") val options = Interpreter.Options().apply { addDelegate(NnApiDelegate()) setNumThreads(2) } interpreter = Interpreter(model, options) } fun predictRUL(sensorFeatures: FloatArray): PredictionResult { val inputBuffer = ByteBuffer.allocateDirect(4 * sensorFeatures.size) .order(ByteOrder.nativeOrder()) sensorFeatures.forEach { inputBuffer.putFloat(it) } val outputBuffer = Array(1) { FloatArray(2) } interpreter.run(inputBuffer, outputBuffer) return PredictionResult( rulDays = outputBuffer[0][0].toInt(), confidence = outputBuffer[0][1] ) } } 

Feature engineering перед инференсом: из сырых временных рядов рассчитываются статистики (mean, std, RMS, peak, crest factor, kurtosis, skewness) за скользящее окно. На iOS используется Core ML с .mlpackage, конвертация из scikit-learn через coremltools.convert(). Сравнение моделей по точности и производительности:

Что отображать на экране устройства

Главный экран — список оборудования с цветовыми индикаторами здоровья. При тапе открывается карточка, где видны:

• Health Score (0-100) — агрегированный показатель состояния.
• RUL — прогноз оставшегося ресурса в днях/часах с доверительным интервалом.
• Активные аномалии с описанием («Аномально высокая вибрация по оси X, характерно для дисбаланса ротора»).
• Тренды ключевых параметров за 7/30/90 дней.
• История обслуживания.

Push-уведомления при резком ухудшении: «Насос ЦН-2, здание 5: вибрация выросла на 40% за 24 часа. RUL снижен до 12 дней». Приоритетный пуш через FCM PRIORITY_HIGH для обхода Doze Mode.

Как интегрировать с CMMS

При достижении порога RUL автоматически создаётся заявка на техобслуживание в CMMS (SAP PM, IBM Maximo, Infor EAM). Механик через мобильное приложение принимает Work Order, сканирует QR оборудования, фиксирует выполненные работы и запчасти, закрывает с подписью. После обслуживания сбрасываются счётчики наработки и обновляется baseline модели.

Детали процесса: как мы обучаем модели

Для клиента из нефтегазовой отрасли мы обучили LSTM Autoencoder на данных вибрации с 20 насосов за 6 месяцев. После валидации модель показала 94% точности прогноза отказа за 7 дней. На этапе аналитики мы собираем исторические данные с датчиков, проводим очистку и feature engineering. Выбор ML-модели осуществляется по метрике MAPE и F1. После обучения модель валидируется на отложенной выборке. Затем мы упаковываем модель в TFLite/Core ML и встраиваем в приложение. Последний этап – настройка push-уведомлений через FCM и интеграция с CMMS через REST API.

Что входит в работу

• Архитектура и интеграция с IoT-платформой.
• Выбор и обучение ML-моделей под ваши данные.
• Разработка мобильного приложения (iOS/Android).
• Настройка push-уведомлений и CMMS-интеграция.
• Тестирование и деплой с гарантией качества.

Закажите пилотный проект – мы обучим модель на ваших данных и покажем результат за 2 недели.

Сроки и стоимость

Разработка AI-компонента предиктивного обслуживания поверх существующего IoT-приложения — от 6 до 10 недель. Полный цикл (ML-модели + мобильное приложение + CMMS-интеграция) — от 4 до 6 месяцев. Стоимость рассчитывается индивидуально — свяжитесь для оценки вашего проекта. Ориентировочная экономия от внедрения достигает 30–50% затрат на внеплановый ремонт.

Почему локальный инференс важен для IoT?

Локальный инференс решает ключевые проблемы промышленных объектов: нестабильная связь, высокие требования к задержкам и конфиденциальность данных. Модель на устройстве выдаёт прогноз за миллисекунды, не зависит от облака и не передаёт сырые данные наружу.

Как сравнить модели по точности?

Используйте метрику MAPE (Mean Absolute Percentage Error) для RUL и F1-score для классификации дефектов. На практике XGBoost даёт наилучший баланс точности и размера модели, но LSTM Autoencoder лучше выявляет сложные аномалии. Выбор зависит от типа оборудования и доступных вычислительных ресурсов.

Типичные дефекты и их индикаторы

Свяжитесь с нами для оценки вашего проекта. Получите консультацию по внедрению AI-моделей предиктивного обслуживания.

Подробнее о методах предиктивного обслуживания читайте в Wikipedia — Predictive maintenance.