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 — $450–650. 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:
| Підхід | Середні витрати / рік | Аварійні зупинки | Складність впровадження |
|---|---|---|---|
| Reactive (чинимо після відмови) | Високі (штрафи, понаднормові) | 10–20/рік | Низька |
| Scheduled (планове ТО) | Помірні, але надлишок замін | 3–6/рік | Середня |
| Predictive (ML-прогноз) | На 20–35% нижче, ніж Scheduled | 0–2/рік | Висока, але окупається за 6–9 міс |
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
- Аудит — визначаємо критичне обладнання, доступні датчики, історію CMMS.
- Швидка модель — Isolation Forest на агрегованих ознаках за 2 тижні.
- Дашборд — Grafana з health score та алертами в Slack.
- Пілот — тест на 3–5 одиницях, збір зворотного зв'язку.
- Розширення — масштабування на весь парк.
Типові етапи повного проєкту
| Етап | Що робимо | Термін |
|---|---|---|
| 1. Аудит та збір даних | Визначаємо критичні точки, типи датчиків, історію CMMS. Збираємо сирі дані. | 1–2 тижні |
| 2. Feature Engineering | Видобуваємо часові та частотні ознаки, метрики підшипникових частот. Baseline модель (Isolation Forest). | 1–2 тижні |
| 3. Розробка ML-моделі | Класифікатор + RUL-регресія. Transfer learning з CMAPSS, донавчання на ваших даних. | 3–4 тижні |
| 4. Інтеграція | OPC-UA колектор, real-time pipeline (Kafka + Flink), health score в CMMS. Дашборд Grafana. | 2–3 тижні |
| 5. Тест та деплой | A/B тест на пілотній лінії. Rollout на весь парк. | 2 тижні |
| 6. Супровід | Щомісяця перенавчаємо моделі з урахуванням зворотного зв'язку. | Постійно |
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 $14k–20k. 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.
