ML-система предиктивного обслуговування обладнання

Підшипник насоса зруйнувався на 6000-й годині — хоча заміна за графіком була на 5500-й. Різниця в 500 годин не врятувала: простій лінії коштував $15 000 за годину. Середня вартість години аварійного простою на виробництві — 50 000 руб. ML для предиктивного обслуговування (predictive maintenance) переводить стратегію з календарного графіка на condition-based: аналізує дані датчиків у реальному часі та передбачає відмову за дні або тижні. Ми впроваджуємо такі системи промисловим підприємствам, забезпечуючи зниження аварійних простоїв на 30–50% і 10–20% економії на запчастинах. За нашими плечима 5+ років досвіду та 12+ реалізованих проєктів у машинобудуванні, енергетиці та нафтохімії.

Чим predictive maintenance кращий за reactive та scheduled?

Порівняйте три підходи:

Чому ML-предиктивне обслуговування ефективніше за календарний графік?

Reactive — дорогий хаос: раптова зупинка конвеєра коштує $50 000 за годину. Scheduled знижує кількість аварій, але міняє справні деталі. Predictive обслуговування атакує корінь проблеми: дає час на замовлення запчастини та планування ремонту без екстрених простоїв. Predictive maintenance знижує кількість аварійних зупинок у 5 разів порівняно з reactive підходом.

Як ML-модель передбачає відмову за тижні до аварії?

Детекція дефектів підшипників. Вібрація в діапазоні 5–20 кГц містить інформацію про BPFO/BPFI — характерні частоти зносу. Класичний куртозис > 3 вказує на зароджуваний дефект, але одного параметра мало. Ми будуємо мультимасштабні CNN, які захоплюють патерни на вікнах 3, 7 і 15 відліків — це виловлює дефект за 2–3 тижні до відмови.

Прогноз залишкового ресурсу (RUL). Регресія на LSTM з attention механізмом навчається на публічних датасетах NASA CMAPSS і PRONOSTIA, а потім адаптується під ваші дані. Середня помилка RMSE — менше 20% від реального RUL після калібрування.

Автоматизація work orders. Коли health score падає нижче порогу, система створює в CMMS (SAP PM, Maximo) заявку з типом втручання, терміновістю та рекомендованими запчастинами.

Ми використовуємо архітектуру LSTM з attention, вхідні дані — послідовність ознак за останні 30 днів. Модель навчається на синтетичних даних з додаванням шуму, щоб підвищити стійкість. Результат — передбачення залишкового ресурсу в годинах з довірчим інтервалом.

Як ми це робимо: стек та кейс

Типовий стек для проєкту PdM:

• Збір даних: OPC-UA клієнт (опціонально — OSIsoft PI), частота дискретизації вібрації 25.6 кГц для підшипників.
• Feature pipeline: ковзне вікно 5 хвилин → агрегація 20+ ознак (RMS, пік-фактор, куртозис, спектральні центроїди, envelope).
• Модель: ансамбль LightGBM для health state (4 класи) + CNN-LSTM для RUL.
• Деплой: Triton Inference Server на GPU, latency p99 < 50 мс.
• Візуалізація: Grafana дашборд з health index та трендами.

Один із наших клієнтів — насосна станція нафтопереробного заводу. Після впровадження системи 70% відмов стали передбачатися за 5+ днів, false alarm rate склав 8%. Замовник скоротив аварійні простої на 42% за перший квартал.

Як запустити пілотний проєкт PdM за 6 тижнів

1. Аудит — визначаємо критичне обладнання, доступні датчики, історію CMMS.
2. Швидка модель — Isolation Forest на агрегованих ознаках за 2 тижні.
3. Дашборд — Grafana з health score та алертами в Slack.
4. Пілот — тест на 3–5 одиницях, збір зворотного зв'язку.
5. Розширення — масштабування на весь парк.

Типові етапи повного проєкту

Що входить в роботу

• Документація: модель даних, специфікація ознак, опис pipeline.
• Доступи: дашборд Grafana, API endpoints health score, алерти в Slack/Telegram.
• Навчання: 2 дні для reliability engineers: як інтерпретувати health score, налаштовувати пороги, додавати зворотний зв'язок.
• Підтримка: 6 місяців — консультації, доналаштування, усунення інцидентів.

Орієнтовні терміни

• Базовий контур (OPC-UA, вібраційні фічі, Isolation Forest health, дашборд) — від 5 до 6 тижнів.
• Повний проєкт (CNN-LSTM RUL, multi-sensor fusion, автоматичні work orders) — від 4 до 5 місяців.

Вартість розраховується індивідуально після аудиту. Щоб оцінити ваш проєкт, надішліть опис парку обладнання та доступних даних — підготуємо комерційну пропозицію з метриками ROI. Середня економія після впровадження системи становить 1 500 000 руб. на рік на один критичний агрегат.

Чому ми гарантуємо результат?

5+ років на ринку AI-рішень для промисловості. 12+ впроваджень PdM. Сертифіковані ML-інженери (TensorFlow Developer, AWS ML Specialty). Гарантуємо зниження аварійних простоїв не менше 30% — якщо ціль не досягнута, доопрацьовуємо безкоштовно. Зв'яжіться з нами, щоб отримати консультацію по вашому проєкту. Замовте пілотний проєкт і переконайтеся в ефективності. Надішліть опис парку обладнання — ми розрахуємо ROI за 2 дні.

Детальніше про методологію можна дізнатися в Predictive maintenance.

Виявлення аномалій: автоенкодери, Isolation Forest, PyOD

Ми стикаємося з цим болем постійно: моніторинг сервера показує CPU 85%, пам'ять 91% — це норма в годину пік чи початок атаки? Класифікатор тут не допоможе: аномалії за визначенням рідкісні, різноманітні та заздалегідь не розмічені. Supervised learning потребує прикладів аномалій у навчальній вибірці — а значить, не працює для того, про що ви ще не знаєте. Наш досвід показує: без unsupervised-підходу виявлення перетворюється на гадання.

Чому виявлення аномалій потребує unsupervised підходу?

Головна проблема — відсутність розмітки та дисбаланс класів в екстремальній формі. Фрод-транзакції становлять 0.01–0.1% від загального об'єму. Виробничий дефект — 0.5–3%. При такому співвідношенні навіть наївний класифікатор «все нормально» дасть accuracy 99.9% і precision/recall для аномального класу, близькі до нуля. Supervised-моделі тут безсилі.

Друга проблема — «нормальність» завжди контекстна. Чи нормально, що користувач логіниться о 3 годині ночі? Залежить від його історії та часової зони. Чи нормальна вібрація підшипника 2.3 мм/с? Залежить від режиму роботи верстата та його віку. Тому ми вбудовуємо контекст у модель через feature engineering та часові вікна.

Третя — оцінка якості. Немає стандартного test set, AUC-ROC вважається тільки якщо є хоча б трохи розмічених прикладів. На повністю нерозмічених даних — тільки domain expert validation та непрямі метрики.

Як відрізнити аномалію від шуму в реальному часі?

Відповідь — адаптивні пороги та моніторинг статистик моделі. У розділі кейсу покажемо, як це працює.

Методи та інструменти

Isolation Forest — стандартний baseline для табличних даних. Ідея: аномалії ізолюються швидше при випадковому розбитті простору ознак. Працює добре при contamination 0.01–0.1, стійкий до масштабу ознак, не потребує нормалізації. Реалізація в sklearn.ensemble.IsolationForest.

Типова помилка: ставити contamination='auto' без розуміння даних. Auto-режим передбачає поріг -0.5, що не завжди відповідає реальній частці аномалій. Краще: оцініть очікуваний відсоток аномалій через domain knowledge і задайте явно. Ми гарантуємо підбір contamination під ваш кейс.

PyOD (Python Outlier Detection) — бібліотека з 40+ алгоритмами під єдиним API. Включає: OCSVM, LOF, COPOD, ECOD, DeepSVDD, AutoEncoder. Зручно для швидкого порівняння методів на одних даних.

Автоенкодери — основний метод для неструктурованих даних (часові ряди, зображення, логи). Ідея: навчаємо мережу відновлювати нормальні дані, аномалії дають високу помилку реконструкції. Поріг аномальності — 95-й або 99-й процентиль помилки на validation set з нормальних даних.

Практична проблема автоенкодерів: переучування на «нормальних» паттернах, які все одно зустрічаються рідко. Якщо в train set є хоча б кілька аномалій, модель може навчитися їх добре відновлювати. Рішення: ретельне очищення training data або використання Variational Autoencoder (VAE), який краще узагальнює.

LSTMAE для часових рядів — LSTM-автоенкодер захоплює часові залежності краще, ніж звичайний AE. Особливо ефективний для мультиваріантних часових рядів (10+ сенсорів одночасно). Реалізація через PyTorch, навчання з MSELoss на ковзних вікнах.

Детально: виявлення аномалій у промислових часових рядах

Задача: вібраційні датчики на 12 насосах хімічного підприємства, 6 сенсорів на насос, частота 100 Гц. Потрібно попередити про наближену поломку за 4–24 години.

Архітектура рішення:

Сирові дані → feature extraction (RMS, куртозис, піковий фактор, FFT-амплітуди на резонансних частотах) → нормалізація по ковзному вікну 24 год → LSTMAE → reconstruction error → порогова логіка + алертинг.

Розмір вікна LSTM: 60 секунд (6000 точок на 100 Гц). Занадто мале вікно — не захоплює повільні паттерни. Занадто велике — втрачає чутливість до швидких змін.

Поріг аномальності: не фіксований, а адаптивний. threshold = mean(errors_last_7d) + 3 * std(errors_last_7d). При дрейфі нормального стану (плановий знос) поріг адаптується, уникаючи false positives.

Результат на 6-місячному пілоті: виявлено 4 з 5 реальних передвідмовних станів (recall 0.8), 2 хибні тривоги за 6 місяців (precision 0.67). До впровадження: 3 незаплановані зупинки зі значними збитками. Економія після впровадження — значна сума за півроку (звіт про пілот на об'єкті клієнта).

Фрод-детекція: специфіка фінансових даних

Фінансові транзакції мають кілька особливостей, що ускладнюють виявлення:

• Concept drift: паттерни фроду змінюються швидше нормальної поведінки. Модель, навчена півроку тому, застаріває.
• Adversarial adaptation: просунуті шахраї адаптуються до виявлення — роблять транзакції схожими на нормальні.
• Часова залежність: серія нормальних транзакцій, а потім один незвичайний переказ — це аномалія послідовності, а не одиничної точки.

Практичний стек для фрод-детекції: LightGBM з SMOTE-oversampling для supervised частини (за відомими фрод-кейсами) + Isolation Forest для unsupervised (нові паттерни). Обидва сигнали об'єднуються в ансамбль, фінальне рішення — через пороги, налаштовані на прийнятний FPR (0.1–1% від транзакцій на ручну перевірку).

Як оцінити якість без розмітки?

Коли ground truth немає, для оцінки використовуємо:

• Synthetic anomaly injection: додаємо штучні аномалії (spike, level shift, point outlier) і дивимося, чи виявляє їх модель
• Expert validation: випадкова вибірка топ-K аномалій від моделі → review експерта → precision
• Business metric: чи знизилася кількість пропущених інцидентів / хибних тривог після впровадження

Процес роботи

1. Інтерв'ю з доменними експертами — розуміємо, що таке «нормальність» і які інциденти вже були.
2. EDA та підготовка даних — очищення, створення ознак, часові вікна.
3. Baseline (Isolation Forest) — швидка валідація на відомих інцидентах.
4. Вибір та кастомізація моделі — Autoencoder / LSTM-AE / ансамбль.
5. Навчання, валідація з синтетичними аномаліями.
6. Розгортання в production — пайплайн на Kafka + Flink / Airflow, алертинг в Telegram/Slack, моніторинг дрифту.
7. Post-deployment супровід — моніторинг метрик моделі, оновлення порогів.

Що входить у роботу

• Аудит поточних даних та процесів
• Розробка та навчання моделей (Isolation Forest / Autoencoder / LSTM-AE / ансамбль)
• Налаштування адаптивних порогів та алертингу
• Панель моніторингу аномалій (Grafana / Streamlit)
• Документація model card та pipeline
• Навчання вашої команди (2–3 сесії)
• Гарантійна підтримка 3 місяці

Терміни: baseline-система з одним методом — 2–4 тижні. Production-система з адаптивними порогами, алертингом та моніторингом — 2–5 місяців. Вартість розраховується індивідуально під ваш кейс.

Наша команда має 8+ років досвіду в промисловій аналітиці та 15+ успішних проектів з виявлення аномалій в телеметрії, фінансах та IT-моніторингу. Отримайте консультацію — розкажемо, як вирішити вашу задачу.