AI-предиктивне обслуговування IoT-пристроїв у мобільному додатку

Обертове обладнання — насоси, компресори, двигуни — часто виходить з ладу раптово через приховані дефекти підшипників, дисбаланс або деградацію ізоляції. Позаплановий простій на промисловому об'єкті коштує десятки тисяч гривень на годину, а аварійний ремонт вимагає екстреної логістики запчастин і простою суміжних агрегатів. Середня вартість позапланового ремонту відцентрового насоса становить 150 000–300 000 грн, а кожна година простою технологічної лінії обходиться в 1,5 млн грн. На одному з наших об'єктів аварійна зупинка компресора призвела до втрати 4,2 млн грн за 3 години. Ці цифри мотивують впроваджувати предиктивну аналітику вже на етапі проектування системи обслуговування.

Ми розробляємо мобільні рішення для предиктивного обслуговування IoT-пристроїв, які дозволяють замовникам скоротити ці простої за рахунок раннього виявлення дефектів. З нашим досвідом (понад 5 років в IoT-аналітиці) та гарантією якості ви отримуєте систему, реально працюючу на промислових об'єктах. Замовте передпроектне дослідження, щоб оцінити потенціал економії на вашому обладнанні.

Які моделі прогнозування використовуються

Класичний підхід для обертового обладнання включає аналіз наступних сигналів:

• RMS вібрації з акселерометра — зростання вказує на дисбаланс або знос підшипника.
• Спектр FFT — характерні частоти дефектів підшипників (BPFI, BPFO, BSF, FTF за геометрією підшипника).
• Температура обмоток — тренд зростання при деградації ізоляції.
• Струм двигуна (MCSA) — зміна гармонік при механічних дефектах.

Для детекції аномалій використовуються Isolation Forest або LSTM Autoencoder на часових рядах, для класифікації типу дефекту — XGBoost або LightGBM, для оцінки залишкового ресурсу (RUL) — Survival Analysis (Weibull regression). Навчання виконується на серверній стороні (Python, scikit-learn, PyTorch). У мобільний додаток модель вивантажується через REST API або в скомпільованому форматі для локального інференсу. Для діагностики насосів AI-моделі показують найкращі результати при використанні комбінації XGBoost та LSTM енкодера.

Як організувати локальний інференс на Android та iOS

Для нестабільного зв'язку (промислові об'єкти) модель виконується на пристрої.

Покрокова інструкція з розгортання TFLite моделі

1. Експорт моделі з Python у формат TFLite з квантуванням у FP16.
2. Додайте файл .tflite до директорії assets Android-додатку.
3. Ініціалізуйте Interpreter з увімкненням NNAPI делегата для GPU-прискорення.
4. Використовуйте метод run() з вхідним тензором з нормалізованих ознак.

Нижче — приклад на Android з 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 інференсом: з сирих часових рядів розраховуються статистики (mean, std, RMS, peak, crest factor, kurtosis, skewness) за ковзним вікном. На iOS використовується Core ML з .mlpackage, конвертація з scikit-learn через coremltools.convert(). Порівняння моделей за точністю та продуктивністю:

Що відображати на екрані пристрою

Головний екран — список обладнання з кольоровими індикаторами здоров'я. При тапі відкривається картка, де видно:

• Health Score (0-100) — агрегований показник стану.
• RUL — прогноз залишкового ресурсу в днях/годинах з довірчим інтервалом.
• Активні аномалії з описом («Аномально висока вібрація по осі X, характерно для дисбалансу ротора»).
• Тренди ключових параметрів за 7/30/90 днів.
• Історія обслуговування.

Push-сповіщення при різкому погіршенні: «Насос ЦН-2, будівля 5: вібрація зросла на 40% за 24 години. RUL знижено до 12 днів». Пріоритетний пуш через FCM PRIORITY_HIGH для обходу Doze Mode.

Як інтегрувати з CMMS

При досягненні порогу RUL автоматично створюється заявка на техобслуговування в CMMS (SAP PM, IBM Maximo, Infor EAM). Механік через мобільний додаток приймає Work Order, сканує QR обладнання, фіксує виконані роботи та запчастини, закриває з підписом. Після обслуговування скидаються лічильники напрацювання та оновлюється baseline моделі.

Деталі процесу: як ми навчаємо моделі

Для клієнта з нафтогазової галузі ми навчили LSTM Autoencoder на даних вібрації з 20 насосів за 6 місяців. Після валідації модель показала 94% точності прогнозу відмови за 7 днів. На етапі аналітики ми збираємо історичні дані з датчиків, проводимо очищення та feature engineering. Вибір ML-моделі здійснюється за метрикою MAPE та F1. Після навчання модель валідується на відкладеній вибірці. Потім ми пакуємо модель у TFLite/Core ML та вбудовуємо в додаток. Останній етап – налаштування push-сповіщень через FCM та інтеграція з CMMS через REST API.

Що входить в роботу

• Архітектура та інтеграція з IoT-платформою.
• Вибір та навчання ML-моделей під ваші дані.
• Розробка мобільного додатку (iOS/Android).
• Налаштування push-сповіщень та CMMS-інтеграція.
• Тестування та деплой з гарантією якості.

Замовте пілотний проект – ми навчимо модель на ваших даних і покажемо результат за 2 тижні.

Строки та вартість

Розробка AI-компонента предиктивного обслуговування поверх існуючого IoT-додатку — від 6 до 10 тижнів. Повний цикл (ML-моделі + мобільний додаток + CMMS-інтеграція) — від 4 до 6 місяців. Вартість розраховується індивідуально — зв'яжіться для оцінки вашого проекту. Орієнтовна економія від впровадження досягає 30–50% витрат на позаплановий ремонт.

Чому локальний інференс важливий для IoT?

Локальний інференс вирішує ключові проблеми промислових об'єктів: нестабільний зв'язок, високі вимоги до затримок та конфіденційність даних. Модель на пристрої видає прогноз за мілісекунди, не залежить від хмари та не передає сирі дані назовні.

Як порівняти моделі за точністю?

Використовуйте метрику MAPE (Mean Absolute Percentage Error) для RUL та F1-score для класифікації дефектів. На практиці XGBoost дає найкращий баланс точності та розміру моделі, але LSTM Autoencoder краще виявляє складні аномалії. Вибір залежить від типу обладнання та доступних обчислювальних ресурсів.

Типові дефекти та їх індикатори

Зв'яжіться з нами для оцінки вашого проекту. Отримайте консультацію з впровадження AI-моделей предиктивного обслуговування.

Детальніше про методи предиктивного обслуговування читайте в Wikipedia — Predictive maintenance.