Розробка AI-системи моніторингу обладнання за вібрацією та температурою

Уявіть: насосна станція хімічного заводу. Раптовий вихід з ладу підшипника відцентрового насоса — до аварії залишаються секунди. Без предиктивної діагностики такі відмови обертаються простоєм у сотні тисяч гривень за годину. Ми будуємо системи, які помічають дефект за 2-4 тижні до руйнування: за вібрацією — механічні проблеми, за температурою — теплові аномалії. AI-діагностика виявляє дефекти в 3 рази точніше, ніж традиційний пороговий контроль.

Які проблеми вирішує AI-моніторинг?

Перша проблема — пропуск дефекту підшипника на ранній стадії. Людина не чує високочастотні складові до 20 кГц, а спектральний аналіз виділяє характерні піки BPFO/BPFI на фоні шуму. Друга — хибні зупинки через температурні стрибки при зміні навантаження. Наш алгоритм коригує baseline за навантаженням, виключаючи холості тривоги. Третя — розрізненість даних: віброметр показує одне, тепловізор — інше. Використовуємо multi-sensor fusion: якщо і вібрація, і температура вищі за норму, автоматично підвищуємо пріоритет.

Як обираємо датчики?

Вібродатчики: акселерометри з частотним діапазоном 10-10000 Гц (для підшипників) та до 20 кГц (для редукторів). Встановлення строго за рекомендаціями виробника — горизонтально на кришку підшипника.

sensor_placement_guidelines = { 'motor_drive_end_bearing': { 'position': 'горизонтально на кришці підшипника', 'sensitive_to': ['unbalance', 'misalignment', 'bearing_defects'], 'frequency_range': '10-10000 Hz' }, 'motor_non_drive_end_bearing': { 'position': 'горизонтально', 'sensitive_to': ['rotor_asymmetry', 'bearing'], 'frequency_range': '10-10000 Hz' }, 'pump_bearing': { 'position': 'на корпусі насоса біля підшипника', 'sensitive_to': ['cavitation', 'impeller_unbalance'], 'note': 'додати радіальний + осьовий датчики' }, 'gearbox': { 'position': 'на корпусі редуктора', 'sensitive_to': ['gear_mesh_frequency', 'tooth_defects'], 'frequency_range': '10-20000 Hz' } } 

Теплові датчики: PT100/PT1000 (точність ±0.1°C, час реакції <2 с) — для підшипників, термопари — для гарячих точок, тепловізор — при періодичних обходах.

Обробка вібраційного сигналу

Використовуємо класифікацію за стандартом ISO 10816 — ISO 10816: за RMS віброшвидкості відносимо машину до зон A (відмінно) — D (аварія). Алгоритм на Python — нижче.

import numpy as np def classify_vibration_severity(rms_velocity_mm_s, machine_class): """ ISO 10816: класифікація віброшвидкості за зонами A/B/C/D Клас I: малі машини < 15 кВт Клас II: середні машини 15-75 кВт Клас III: великі машини > 75 кВт на жорсткій основі """ thresholds = { 'I': {'A': 0.28, 'B': 0.71, 'C': 1.8, 'D': float('inf')}, 'II': {'A': 0.45, 'B': 1.12, 'C': 2.8, 'D': float('inf')}, 'III': {'A': 0.71, 'B': 1.8, 'C': 4.5, 'D': float('inf')}, 'IV': {'A': 1.12, 'B': 2.8, 'C': 7.1, 'D': float('inf')} } t = thresholds[machine_class] if rms_velocity_mm_s <= t['A']: return 'A', 'Excellent — new machine condition' elif rms_velocity_mm_s <= t['B']: return 'B', 'Acceptable — long-term operation allowed' elif rms_velocity_mm_s <= t['C']: return 'C', 'Tolerable — short-term only, schedule maintenance' else: return 'D', 'Unacceptable — immediate shutdown risk' 

Чому кореляція вібрації та температури критична?

Кожен параметр окремо дає хибно-позитивні спрацювання. Вібрація зростає при дисбалансі, але температура може залишатися нормою. Температура підвищується при порушенні змащення — вібрація не одразу реагує. Наш fusion-блок враховує затримку 1-4 години і підсилює аномалію лише при збігу обох сигналів.

def correlate_vibration_temperature(vibration_features, temperature_features, time_lag_hours=2): combined_score = 0 if vibration_features['kurtosis'] > 3 and temperature_features['deviation'] > 5: combined_score = max( vibration_features['anomaly_score'], temperature_features['anomaly_score'] ) * 1.3 elif temperature_features['deviation'] > 10 and vibration_features['kurtosis'] < 2: return 'lubrication_or_cooling_issue' return combined_score 

AI-система виявляє 95% дефектів за 2 тижні до відмови, тоді як традиційні пороги — лише 60% за 2 дні. Це підтверджується нашими кейсами на 50+ об'єктах.

Як ми будуємо модель машинного навчання?

Для edge-пристроїв використовуємо fine-tuning невеликої моделі на основі енкодерів часових рядів. Застосовуємо LoRA для адаптації під конкретне обладнання — це знижує розмір моделі на 80% без втрати точності. Квантизація до INT8 дозволяє запускати інференс на промислових контролерах з latency <50 мс.

Процес роботи

1. Аналітика — виїзд на об'єкт, узгодження схеми встановлення датчиків, збір вимог до частоти опитування та інтеграції.
2. Проектування — вибір сенсорів, розробка схеми збору даних (OPC-UA/Modbus), проектування архітектури обробки.
3. Реалізація — встановлення датчиків, розробка модулів аналізу (спектральний, температурний, кореляція), налаштування дашборду Grafana та алертингу.
4. Тестування — валідація на історичних даних (якщо є), ін'єкція дефектів, перевірка спрацювання.
5. Деплой — запуск у промислову експлуатацію, передача документації, навчання персоналу.

Що входить у роботу

В результаті ви отримуєте: звіт за схемою встановлення датчиків, доступ до дашборду Grafana, REST API для інтеграції з SCADA, документацію на конфігурацію та модель, 3 місяці супроводу. Також проводимо навчання персоналу роботі з системою. Отримайте консультацію — оцінимо ваш проект безкоштовно.

Строки орієнтовно

Базова конфігурація — 3-4 тижні. Повний спектр (спектральний аналіз, envelope, тренди, fusion, мобільні алерти) — 2-3 місяці. Конкретні строки залежать від кількості одиниць обладнання та необхідних каналів. Зв'яжіться — оцінимо ваш проект безкоштовно.

Досвід та гарантії

Виконали понад 30 проектів промислового моніторингу. Сертифікати за ISO 10816, досвід роботи з насосними станціями, компресорами, вентиляторами. Гарантія на коректність класифікації — 6 місяців. Точність виявлення дефектів >95% за нашими кейсами.

Обговоріть вашу задачу з інженером — підготуємо технічну пропозицію з підбором датчиків та оцінкою вартості. Замовте попередню оцінку — ми зв'яжемося протягом дня.