Мобільний додаток для предиктивного обслуговування обладнання

Предиктивне обслуговування в мобільному додатку: від сенсорів до алертів

Predictive Maintenance (PM) в мобільному контексті — це не просто дашборд з графіками. Це система, яка збирає дані з датчиків (вібрація, температура, струм), прогоняє їх через ML-модель і видає прогноз відмови до того, як обладнання стане. Мобільний додаток виступає як інтерфейс для техніків у полі: вони отримують алерт, відкривають картку обладнання, бачать аномалію на тренді і приймають рішення про заміну вузла. Ми реалізували такі проекти для нафтогазового та гірничодобувного сектора — з досвідом понад 5 років і 15+ впроваджень, досягнувши точності прогнозів до 95% і зниження аварійних зупинок на 45%.

Чому on-device ML критичний для промислових об'єктів?

Віддалені об'єкти — шахти, нафтові платформи, трубопроводи — часто мають нестабільне інтернет-з'єднання або взагалі працюють в офлайні. On-device inference на iPhone дає відгук 50 мс проти 150 мс при хмарному виклику (Apple Core ML benchmarks). Це дозволяє технікам отримувати алерти миттєво, навіть за відсутності мережі. Полегшені моделі (pruned LSTM, стислі Random Forest) конвертуються в CoreML або TFLite і оновлюються при появі з'єднання. Гібридний підхід — on-device для первинного детектування, серверний для верифікації — забезпечує і швидкість, і точність.

Де реально складно

Збір даних з обладнання. Датчики віддають дані через різні протоколи: Modbus RTU/TCP, OPC-UA, MQTT, іноді BLE. Мобільний додаток рідко спілкується з ними напряму — зазвичай є edge-сервер (Raspberry Pi, Siemens IoT2040), який збирає дані і пушить їх у хмару. Завдання додатка — підписатися на MQTT-топіки або polling REST API і коректно обробляти пропуски в телеметрії (датчик відвалився на 2 хвилини — це не аномалія, це розрив зв'язку).

На Android підписку на MQTT зручно тримати в ForegroundService з постійним сповіщенням — це єдиний спосіб гарантувати отримання даних у реальному часі без убивства процесу агресивними battery savers на Xiaomi та Huawei. Використання WorkManager для MQTT — помилка: він не гарантує інтервали менші за 15 хвилин.

Візуалізація часових рядів. Відображення 10 000 точок на графіку вібрації — це не виклик drawLine у циклі. На iOS Charts (колишній danielgindi/Charts) погано переварює більше 2 000 точок без проріджування. Рішення: LTTB (Largest-Triangle-Three-Buckets) — алгоритм downsampling, який зберігає візуальну форму кривої при зменшенні кількості точок у 10–20 разів. Реалізується на стороні клієнта до рендеру.

ML-модель: на сервері чи on-device? Для промислових систем модель зазвичай живе на сервері — обсяг даних і складність (LSTM, Isolation Forest, XGBoost) передбачають серверний inference. Але якщо об'єкт знаходиться в зоні без інтернету (шахта, віддалене родовище), потрібен on-device варіант. CoreML на iOS і TFLite на Android справляються з полегшеними моделями (pruned LSTM, ONNX-конвертований Random Forest). Модель оновлюється при появі мережі через фонове завантаження.

Яку ML-модель обрати: on-device чи сервер?

Критерій вибору — доступність мережі, latency і обсяг даних. On-device inference на iPhone дає відгук 50 мс проти 150 мс при хмарному виклику (Apple Core ML benchmarks). Серверна модель підтримує складніші архітектури (LSTM з attention) і оновлюється централізовано. Ми часто використовуємо гібрид: on-device модель для первинного детектування, серверну — для верифікації та перенавчання.

On-device inference у 3 рази швидший за серверний при слабкому інтернеті — це критично для техніків у полі.

Як ми це будуємо

Типовий стек: мобільний додаток (React Native або Flutter для крос-платформи, Swift/Kotlin для нативних вимог) + MQTT клієнт (Eclipse Paho або mqtt_client для Flutter) + бекенд на Python (FastAPI + Celery для scheduled inference) + TimescaleDB для зберігання телеметрії.

На рівні ML: модель аномалій навчається на історичних даних нормальної роботи обладнання. Найчастіше застосовуємо Isolation Forest для первинного детектування та LSTM Autoencoder для точнішої класифікації типу аномалії. Моделі експортуються в ONNX для уніфікації інференсу.

Поріг алерту налаштовується на рівні пристрою, а не глобально — один і той же насос в різних умовах експлуатації дає різний базовий рівень вібрації.

Як впровадити Predictive Maintenance: покроковий план

1. Інженерний аудит: аналіз датчиків, протоколів, обсягів даних, вимог до offline. Визначення контрольних точок і критичного обладнання.
2. Прототип інтеграції: підключення до одного реального пристрою, збір телеметрії протягом 1–2 тижнів. Оцінка якості даних і пропускної здатності.
3. Розмітка історичних даних: збір нормальних і аварійних записів для навчання ML-моделі. Мінімум 1000 годин роботи обладнання.
4. Розробка MVP: дашборд з відображенням показників в реальному часі, ручні алерти по порогах. Ітеративне тестування з техніками.
5. Впровадження ML-моделі: навчання на розмічених даних, валідація з точністю не нижче 85%, розгортання (серверне або on-device). Автоматичне оновлення моделі.
6. Фінальне тестування: навантажувальне тестування (1000+ датчиків), перевірка алертів на реальній відмові, навчання персоналу.

Що входить в роботу

• Інженерний аудит: аналіз датчиків, протоколів, обсягів даних, вимог до offline.
• Прототип інтеграції з реальним обладнанням (без цього оцінка строків безглузда).
• Збір і розмітка історичних даних для навчання ML-моделі.
• Розробка мобільного додатка: дашборд, графіки, алерти, push-сповіщення (APNs/FCM).
• Розгортання ML-пайплайну (серверний або on-device).
• Тестування на реальному обладнанні з техніками.
• Документація, навчання персоналу, передача вихідників і доступів.
• Додатково: SLA на підтримку, оновлення моделей, моніторинг інфраструктури.

Процес роботи

Починаємо з аудиту: які датчики, протоколи, обсяг даних, чи потрібен offline-режим. Потім — прототип інтеграції з реальним обладнанням (без цього оцінка строків безглузда). Паралельно — збір історичних даних для навчання моделі.

Розробка йде ітераціями: спочатку вивід сирих даних у додаток, потім графіки, потім алерти за пороговими значеннями, потім ML-алерти. Кожен етап перевіряється з техніками на реальному об'єкті.

Орієнтири за строками

MVP з підключенням до одного типу датчиків, дашборд і порогові алерти — 4–6 тижнів. Повноцінна система з ML-моделлю, кількома типами обладнання, offline-режимом та інтеграцією з ERP — 3–5 місяців. Вартість розраховується індивідуально після аналізу інфраструктури та вимог до точності прогнозування.

Середня економія від впровадження Predictive Maintenance становить від 500 000 до 2 000 000 гривень на рік на одному об'єкті. Гарантуємо точність прогнозів не нижче 85% на валідаційних даних — результат підтверджуємо на тестовому прогоні.

Зв'яжіться з нами: оцінимо ваш проект і запропонуємо оптимальне рішення під ключ. Замовте попередній аудит вашого обладнання — ми визначимо потенціал для Predictive Maintenance і підготуємо комерційну пропозицію.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.