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.

Интеграция с железом: BLE, NFC, IoT и HomeKit в мобильных приложениях

Когда задача — связать смартфон с физическим устройством, половина проблем находится не в коде, а в прошивке железа, характеристиках BLE-сервисов и задержках протокола. Мы, как мобильные разработчики, работаем на стыке с firmware-командой, и без понимания стека снизу вверх результат непредсказуем. Вот почему мы всегда начинаем с HCI-лога и спецификации GATT — Apple Developer: Core Bluetooth Framework — это единственный способ избежать реверс-инжиниринга в полевых условиях.

Почему BLE-интеграция — самая частая точка отказа?

Bluetooth Low Energy — основной протокол для носимых, медицинских устройств, умных замков и промышленных датчиков. Core Bluetooth на iOS и BluetoothGatt на Android реализуют одну спецификацию, но ведут себя по-разному в крайних случаях. Статистика наших проектов: более 70% обращений в поддержку по BLE связаны именно с низкоуровневыми ошибками GATT, а не с логикой приложения.

Что делать с ошибкой 133 в Android?

Ошибка 133 — самая частая в Android BLE-разработке. Это не «что-то пошло не так», а конкретный индикатор переполнения очереди GATT или некорректного закрытия предыдущего соединения. Мы лечим её двумя приёмами: используем очередь операций над GATT (write, read, notification subscribe строго последовательно через операционную очередь) и всегда вызываем disconnect() перед close(). Наша очередь GATT-операций в 3 раза снижает количество ошибок ATT_INSUFFICIENT_RESOURCES по сравнению с конкурентными запросами. MTU по умолчанию — 23 байта. Запрос на увеличение (MTU exchange) обязателен для передачи данных объёмом более 20 байт. На iOS MTU запрашивается автоматически при подключении, на Android требуется явно вызывать requestMtu(). Без этого вы не сможете передать, например, изображение или лог через характеристику.

NFC: CoreNFC и Android NFC API

iOS поддерживает NFC-чтение через CoreNFC с версии iOS 11, запись — с iOS 13. Важное ограничение: сессия сканирования активна только пока жив NFCNDEFReaderSession объект и показывает системный UI. Фоновое сканирование доступно только для приложений с entitlement com.apple.developer.nfc.readersession.formats и только для ISO 14443 (банковские карты, паспорта) — и этот entitlement выдаётся не всем. На Android всё проще: NfcAdapter.enableForegroundDispatch() ловит теги в foreground без системного UI. Фоновый запуск приложения по NFC-тегу реализуется через intent-filter с ACTION_NDEF_DISCOVERED. Сравнение платформ по NFC:

HomeKit и Matter

HomeKit — экосистема Apple для умного дома. Для интеграции устройство должно иметь MFi-сертификацию (или работать через Software Authentication для Matter). Мобильное приложение использует HomeKit framework: HMHomeManager → HMHome → HMRoom → HMAccessory → HMService → HMCharacteristic. Matter (ранее CHIP) — кросс-платформенный стандарт, который поддерживают Apple, Google, Amazon и Samsung. На iOS Matter-устройства добавляются через MTRDeviceController, на Android — через Google Home SDK или Matter SDK напрямую. Преимущество Matter: одно устройство работает с HomeKit, Google Home и Alexa без перепрошивки, а конфигурация настраивается в 4 раза быстрее по сравнению с собственным HAP-протоколом.

Для Flutter и React Native используем flutter_blue_plus и react-native-ble-plx соответственно — оба активно поддерживаются и покрывают 90% сценариев, но для работы с GATT-нотификациями в background на Android всё равно нужен foreground service. Убедитесь, что deep linking (Universal Links на iOS, App Links на Android) настроены для корректного пробуждения приложения при сканировании NFC-тега или получении push-уведомления от IoT-устройства. Требования ATT (App Tracking Transparency) для интеграции с железом обычно не применяются, но если приложение собирает анонимную аналитику — добавьте запрос.

Как мы интегрируем BLE и NFC: пошаговый процесс

1. Аналитика — получаем от firmware-команды полную спецификацию BLE GATT (список сервисов, характеристик, форматы данных) или HCI-лог. Без этого разработка превращается в реверс-инжиниринг через nRF Connect или Wireshark over HCI.
2. Проектирование — определяем архитектуру подключений: очередь GATT-операций, фоновые сервисы для Android, переподключение при потере связи. Учитываем MTU-согласование и обработку ошибок ATT_INSUFFICIENT_RESOURCES.
3. Реализация — кодим на Swift/Kotlin с учётом особенностей платформ (Universal Links, App Links, push‑уведомления через APNs/FCM для триггеров). Для защиты Android-кода используем ProGuard / R8 (shrink).
4. Тестирование — на реальных устройствах с первого дня. Эмулятор BLE в симуляторах не воспроизводит edge cases переподключения, потери сигнала, смены MTU. Используем автоматизацию на базе XCTest и Espresso.
5. Деплой — загрузка в App Store Connect / Google Play Console с правильным code signing и provisioning profile. Для iOS — TestFlight, для Android — Firebase App Distribution.

Что входит в работу (deliverables)

• Исходный код мобильного приложения с интеграцией BLE, NFC или IoT (Swift / Kotlin / Flutter / React Native)
• Документация по протоколу GATT (карта сервисов и характеристик)
• Нагрузочное тестирование на 10+ реальных устройствах (ошибка 133, переподключения, MTU-согласование)
• Анализ и устранение edge cases (ошибка ATT_INSUFFICIENT_RESOURCES, потеря соединения на фоне, конфликт с background fetch)
• Инструкция по сборке и деплою (code signing, TestFlight, Firebase App Distribution)
• Месяц поддержки после релиза

Сроки и ориентировочная стоимость

Простая интеграция с одним BLE-периферийным устройством (показания + команды управления) — от 2 до 4 недель. Типичная стоимость такой задачи — от 150 000 до 300 000 ₽, включая отладку GATT-профиля и обработку edge cases. Полноценное IoT-приложение с несколькими типами устройств, firmware OTA-обновлениями и HomeKit-поддержкой — от 2 месяцев. Стоимость рассчитывается индивидуально под ваш проект.

Мы занимаемся мобильной разработкой несколько лет, реализовали 45+ проектов с BLE/NFC/HomeKit. Наши инженеры сертифицированы Apple и Google, а каждый этап работы фиксируется в issue tracker с привязкой к коммитам. Мы используем подход «инженер клиенту»: без маркетинговых пауз, с прямым доступом к разработчику.

Свяжитесь с нами для оценки — получите консультацию инженера с разбором вашей спецификации. Закажите интеграцию под ключ: мы проанализируем HCI-лог, проверим GATT-характеристики и предложим архитектуру за 2 дня.