Умный завод: как искусственный интеллект учится предсказывать поломки

Промышленное оборудование ломается не мгновенно. Подшипник изнашивается неделями, обмотка электродвигателя деградирует месяцами - и всё это время машина продолжает работать, внешне не подавая никаких тревожных сигналов. Именно в этом скрытом периоде деградации кроется главная возможность для предиктивной диагностики: уловить слабый сигнал раньше, чем он превратится в аварийный останов.

Откуда берутся данные

Любая модель предсказания отказов опирается на один простой принцип: если на входе нет достаточно качественного сигнала, на выходе не получится ни надёжного прогноза, ни стабильной диагностики.

В промышленности это особенно заметно, потому что машина редко «портится» резко - обычно она долго выходит из нормы, а значит, задача датчика состоит не в том, чтобы просто сообщить «есть проблема», а в том, чтобы непрерывно фиксировать малые смещения в вибрации, температуре, токе, напряжении и режимах работы.

Исторически для этого приходилось встраиваться в электрическую схему. Проводили измерения токовыми клещами, ставили трансформаторы тока, тянули кабели, заводили сигнал в регистраторы и шкафы автоматики.

Такой подход был полезен, но имел очевидный минус: установка занимала время, требовала остановки или частичного вывода оборудования из работы и создавала дополнительную точку отказа в самой измерительной цепи. Именно поэтому в современных проектах акцент сместился к неинвазивному мониторингу, когда датчик работает как внешний наблюдатель, а не как вмешательство в силовую часть машины.

Неинвазивный мониторинг - это метод непрерывного или периодического наблюдения за параметрами объекта или системы без вмешательства в его работу и без нарушения целостности конструкции (то есть без проникновения внутрь, без установки датчиков в механические узлы, без необходимости остановки оборудования).

Неинвазивные датчики

Класс новых устройств отлично представляют датчики мониторинга состояния оборудования MSE01 и MSE02 — устройство производства компании Minew (IoT-решения). Они крепятся снаружи на корпус оборудования и не требуют подключения к проводке или изменения электрической схемы, то есть установка сводится к физическому закреплению на поверхности.

Это очень важный сдвиг. Если раньше каждая точка измерения была проектом с монтажом и согласованием, то теперь датчик можно поставить быстро, почти как ярлык с функцией наблюдения.

У таких сенсоров есть встроенный акселерометр, который регистрирует вибрации корпуса, а также модуль Bluetooth LE 5.0 для передачи данных и помощи в идентификации или локализации актива в цеху.

Встроенные алгоритмы энергосбережения позволяют им работать до трёх лет в типовой конфигурации, а это уже делает их пригодными для непрерывного мониторинга без частой замены батарей. Для промышленных заказчиков это особенно важно: чем реже датчик требует обслуживания, тем ниже стоимость владения и тем шире можно разворачивать систему по всему предприятию.

Отдельная деталь - способ установки. Производитель указывает крепление на 3M-адгезиве, то есть без сложного монтажа и без прокладки проводов. На первый взгляд это мелочь, но именно она меняет масштабируемость решения. Технология становится не «проектом на один агрегат», а инструментом для массового покрытия парка оборудования.

Что даёт вибрация

Вибрация - это не шум, а физический отпечаток состояния механизма. Подшипник с начальным дефектом, несоосность вала, разбалансировка ротора, ослабление крепления - всё это по-разному изменяет спектр колебаний корпуса. Поэтому акселерометр в системе предиктивного обслуживания выполняет роль слуха, который улавливает не громкость, а структуру сигнала.

Особенность здесь в том, что датчик должен видеть не только амплитуду, но и частотную картину. Низкочастотные компоненты часто связаны с общим дисбалансом и медленными механическими изменениями, а высокочастотные - с ударами, трением, дефектами дорожек подшипников и другими локальными повреждениями.

Именно поэтому в технических характеристиках таких устройств указывают широкую полосу измерения. У ASI-1xVIB, например, заявлена полоса 0-10 кГц, что позволяет ловить широкий спектр вибрационных явлений, а не только грубые колебания.

Еще одна сильная сторона подобных датчиков - сочетание вибрации и температуры в одном корпусе. Температура сама по себе не всегда говорит о причине дефекта, но в связке с вибрацией она помогает отличить перегрузку, трение и ухудшение теплоотвода от чисто электрических проблем.

Иными словами, один канал показывает динамику, второй - тепловое последствие этой динамики. В паре они дают более устойчивую картину, чем любой сигнал по отдельности.

Почему ток и напряжение так информативны

Неинвазивный анализ спектра тока и напряжения особенно важен для электродвигателей, трансформаторов и другого электромеханического оборудования. Его преимущество в том, что электромагнитная система реагирует на отклонения раньше, чем они становятся заметны по шуму, вибрации или перегреву.

Изменение зазоров в подшипниках, нарушение соосности ротора или рост несимметрии нагрузки отражаются не только в механической части, но и в параметрах питающего тока.

Физическая основа метода заключается в том, что двигатель и питающая сеть образуют единую связанную систему. Любое механическое или электрическое нарушение приводит к модуляции электромагнитного поля, что вызывает появление в токе дополнительных спектральных составляющих, включая боковые гармоники.

Это делает метод особенно ценным: электрические сигналы можно измерять даже при отсутствии доступа к механическим узлам - например, когда оборудование закрыто, нагрето или находится в труднодоступном месте.

Такой подход особенно эффективен для установок с непрерывным режимом работы, где остановка оборудования связана с высокими затратами. Вибрационная диагностика может указать на наличие проблемы, но именно спектральный анализ тока помогает локализовать источник - в подшипниках, роторе, нагрузке или питающей сети.

Боковые гармоники являются одним из наиболее информативных ранних признаков неисправностей. Они возникают в результате модуляции основной частоты и указывают на отклонение от симметричного режима работы.

При нарушении соосности ротора магнитное поле становится неравномерным, что приводит к появлению характерных боковых составляющих в спектре тока по обе стороны от основной гармоники. При повреждении подшипников в спектре возникают дополнительные компоненты, связанные с частотами дефектов элементов качения и периодическими ударными воздействиями.

В целом спектральный анализ позволяет рассматривать ток как источник диагностической информации. Даже если неисправность не проявляется визуально, она, как правило, отражается в частотной области. Поэтому важно не только измерять величину тока, но и анализировать распределение энергии по частотам и его изменение во времени.

ASI-1xVIB-50g - высокочастотный (10 кГц) и малошумный датчик вибрации. В его состав также входят датчик температуры и 3-осевой низкоскоростной акселерометр для определения направления. 

Зачем объединять каналы

Максимальная ценность появляется тогда, когда вибрация, температура, ток и напряжение не живут по отдельности, а входят в единую систему наблюдения. Один канал может дать ложный след: например, температура выросла из-за внешней среды, а не из-за дефекта машины. Вибрация может измениться из-за временного режима нагрузки. Ток может вырасти при технологической перегрузке, которая ещё не означает поломку. Но когда все эти признаки оцениваются вместе, вероятность ошибки снижается.

Именно этим объясняется популярность комплексных сенсоров и многоканальных систем. ASI-1xVIB сочетает вибрационный канал и температуру в защищённом корпусе класса IP67, что позволяет ставить его в реальную производственную среду, а не только в лабораторный стенд. Такая конструкция удобна не только инженеру по диагностике, но и цеху: меньше отдельных устройств, меньше кабелей, меньше мест отказа.

Что изменилось в 2025-2026 годах

Самое важное изменение последних лет состоит не просто в улучшении самих датчиков, а в смене логики всей измерительной инфраструктуры. Раньше предприятие строило диагностику вокруг отдельных точек контроля. Теперь оно постепенно переходит к сети наблюдения, где датчик не только измеряет, но и участвует в общей архитектуре данных. Это и есть настоящий переход от локального контроля к промышленному интеллекту.

В результате предиктивная диагностика перестаёт быть узким сервисом для нескольких критических агрегатов. Она становится способом организовать производственную память - непрерывную, многоканальную и привязанную к конкретному состоянию оборудования. И чем лучше устроен первый слой, то есть слой измерений, тем меньше ошибок потом совершит нейросеть, как бы сложной она ни была.

Горизонт предсказания и его ловушки

Собрать данные - только половина задачи. Куда сложнее заставить модель предсказывать отказ не за час до него, а за несколько суток - так, чтобы ремонтная бригада успела подготовиться и завезти запасные части.

Именно с этой стенкой столкнулись специалисты при диагностике погружных насосов типа УЭЦН. Первые модели машинного обучения выглядели внушительно на бумаге: точность на обучающей выборке 76-86%. Но на практике они «видели» лишь треть реальных отказов, и то - в последние сутки перед аварией. Остальные поломки случались без предупреждения.

Проблема оказалась в горизонте прогнозирования. Статистические признаки деградации слабеют с увеличением упреждения, а классические алгоритмы их просто не улавливали. Выход нашли в комбинировании методов: кластеризация временных рядов через алгоритм TimeSeriesForestClassifier в сочетании с регрессионной моделью XGBoost подняла выявляемость отказов в последние сутки до 78% . Это уже практически полезный результат - ремонтники получают сигнал достаточно заблаговременно.

Для прогнозирования остаточного ресурса (Remaining Useful Life, RUL) горнодобывающего оборудования исследователи обратились к гибридным нейросетевым архитектурам. Связка рекуррентных сетей LSTM/GRU с градиентным бустингом XGBoost позволила достичь показателя ROC AUC в 94-96% - это означает, что модель почти безошибочно отличает «здоровую» машину от той, которой осталось работать считаные недели.

Главной головной болью 2026 года остаются не пропущенные отказы, а ложноположительные срабатывания. Если алгоритм слишком «нервный», бригады раз за разом останавливают исправное оборудование - производительность падает, доверие к системе подрывается, и в итоге операторы начинают игнорировать предупреждения вовсе.

Три уровня обработки данных

Ранние концепции предиктивного обслуживания предполагали простую схему: датчик передаёт всё подряд в облако, облако считает. На практике такой подход быстро упирался в ограничения реального производства. Поток «сырых» сигналов создавал перегрузку каналов связи, увеличивал задержки, а при обрыве сети система теряла часть наблюдения и становилась слепой именно в тот момент, когда это было особенно опасно.

Актуальная архитектура устроена иначе - по принципу трёх уровней. На первом уровне датчик собирает «сырой» сигнал: вибрацию, ток, температуру, давление, акустические признаки или их комбинацию. На втором уровне edge-узел, расположенный на ПЛК, локальном шлюзе или промышленном контроллере, выполняет первичную обработку: фильтрацию шума, удаление выбросов, нормализацию, выделение признаков и поиск аномалий в реальном времени. На третьем уровне в центральную систему, облако или корпоративную платформу передаются уже не беспорядочные массивы измерений, а компактные структурированные векторы признаков, по которым проще строить прогноз, обучать модели и связывать диагностику с другими производственными контурами.

Такая схема принципиально меняет саму логику работы. Локальный узел может мгновенно отреагировать на опасное отклонение, даже если внешняя связь временно недоступна, а верхний уровень получает уже очищенные и осмысленные данные, пригодные для аналитики, отчётности и долгосрочного обучения моделей. Это не просто способ ускорить обработку. Это способ сделать систему устойчивой к реальным ограничениям цеха, где связь может быть нестабильной, оборудование распределено по большой территории, а остановка данных иногда так же критична, как остановка самого агрегата.

Такая гибридная схема - IIoT-датчик -> Edge-аналитика -> SCADA/EPR - является не только техническим усовершенствованием, но и архитектурным решением, которое делает всю систему пригодной для масштабирования на уровне всего предприятия.

Пилотный проект на одном насосе или одном цехе в этом случае не остаётся отдельной инициативой, а превращается в основу для единой цифровой платформы, где данные оборудования напрямую связаны с управлением производством, запасами и обслуживанием.

IIoT - это сеть взаимосвязанных датчиков, устройств, машин и программного обеспечения на производстве, которые собирают, передают и анализируют данные для автоматизации, мониторинга и предиктивной диагностики.

IIoT-датчик - это промышленный датчик Интернета вещей (Industrial Internet of Things), который измеряет параметры оборудования или окружающей среды, преобразует данные в цифровой вид и передаёт их по беспроводной сети в единую систему для мониторинга, анализа и автоматизации.

Edge-аналитика (граничная аналитика) - это обработка и анализ данных непосредственно на периферийных устройствах сети (на «краю» сети), рядом с источником данных (датчиками, камерами, оборудованием), а не в облаке или на центральном сервере.

SCADA (Supervisory Control And Data Acquisition) - это система диспетчерского управления и сбора данных, которая применяется в промышленной автоматизации для контроля и визуализации технологических процессов в реальном времени.

ERP (Enterprise Resource Planning - планирование ресурсов предприятия) - это комплексная программная система для управления всеми ключевыми бизнес-процессами компании в единой интегрированной среде.

SCADA и ERP - это два разных уровня систем управления на предприятии, которые работают с разными типами данных и решают разные задачи, но при интеграции создают сквозную цифровую архитектуру управления.

Почему edge-уровень так важен

Самая недооценённая часть этой архитектуры - не облако, а локальная обработка на краю сети. Именно edge-уровень решает проблему масштаба: тысячи датчиков могут генерировать огромные объёмы информации, и передавать всё это в центральное хранилище неэффективно и дорого. Поэтому задача граничного узла состоит не в том, чтобы заменить полноценный анализ, а в том, чтобы отсечь информационный шум и оставить только то, что действительно важно для принятия решения.

Здесь особенно полезны простые и быстрые алгоритмы: пороговый контроль, скользящие окна, статистические метрики, детекторы аномалий и лёгкие модели машинного обучения. Они не обязаны быть «самыми умными» в системе, но обязаны быть быстрыми и надёжными. В промышленной среде это критично, потому что даже несколько секунд задержки могут означать пропуск опасного события или лишнюю тревогу.

Ещё одно преимущество edge-подхода - локальная автономность. Если предприятие временно теряет связь с облаком, производственный контур не останавливается. Датчик продолжает собирать данные, edge-узел продолжает делать первичную диагностику, а связь с верхним уровнем восстанавливается позже без потери всей картины. Именно поэтому современные системы проектируют как многослойные и распределённые, а не как «тонкий датчик плюс удалённый сервер».

От данных к признакам

Переход от «сырых» данных к структурированным признакам - это, по сути, момент, когда измерение становится знанием. Сами по себе вибрационные или токовые сигналы почти всегда слишком шумные и слишком объёмные для прямого использования на верхнем уровне. Поэтому edge-узел превращает их в компактное описание поведения оборудования: среднее значение, дисперсию, спектральные пики, энергию в полосах частот, темп изменения, асимметрию, пульсации и другие информативные параметры.

Именно такой формат удобен для нейросети и корпоративной аналитики. Вместо непрерывного «потока воды» в облако отправляется «бутылка с концентратом» - то есть сжатое представление реального состояния машины. Это снижает нагрузку на сеть и позволяет хранить историю намного дольше, не превращая инфраструктуру в хранилище бесполезного шума. Кроме того, признаки легче сопоставлять между собой: их можно привязать к конкретной машине, смене, режиму нагрузки или производственной партии.

Такой подход особенно хорошо сочетается с промышленными системами верхнего уровня. SCADA видит технологическую картину в реальном времени, MES связывает её с выпуском и планированием, а ERP использует итоговые данные для запасов, ремонтов и бюджета. В результате предиктивная аналитика перестаёт быть «отдельным искусственным интеллектом» и становится частью обычного производственного цикла.

MES (Manufacturing Execution System - исполнительная система производства) - это программная система для управления и оптимизации производственных процессов в реальном времени, которая работает между уровнем планирования (ERP) и уровнем автоматизации (SCADA/ПЛК).

Интеграция с АСУ ТП

Ещё одна причина перехода к трёхуровневой модели заключается в том, что современное предприятие уже не живёт в изоляции от цифровой инфраструктуры. Классическая пирамидальная модель АСУ ТП по-прежнему актуальна, но поверх неё всё чаще строится IIoT-слой, который создаёт параллельный канал для аналитики и предиктивного обслуживания. Это позволяет не ломать существующую систему автоматизации, а дополнять её.

IIoT-слой - это уровень в архитектуре промышленного интернета вещей (IIoT), который отвечает за определённую функцию в системе сбора, передачи и обработки данных с оборудования.

IIoT-аналитика (Industrial IoT Analytics) — это процесс сбора, обработки и анализа данных с промышленных устройств (датчиков, контроллеров, оборудования) для оптимизации производственных процессов, предиктивной диагностики и принятия управленческих решений в автоматизированном режиме.

На практике это выглядит так: датчики и ПЛК обеспечивают управление процессом, SCADA показывает оператору текущее состояние, MES связывает данные с производством, а ERP добавляет экономический контекст. IIoT-аналитика при этом не подменяет эти уровни, а обогащает их дополнительной диагностической информацией. Такой подход особенно ценен на больших заводах, где остановка одного узла может влиять на сразу несколько линий.

Именно поэтому современные архитектуры всё чаще строятся как конвергентные - на пересечении OT и IT. В таком варианте диагностика становится не внешней надстройкой, а встроенной функцией системы управления активами. Это уже не просто сервисное приложение, а часть промышленной логики предприятия.

Что даёт такая схема

Практическая ценность трёхуровневой архитектуры в том, что она делает предиктивное обслуживание устойчивым, масштабируемым и экономически оправданным. Сеть меньше загружается, задержки снижаются, локальные узлы сохраняют работоспособность при сбоях, а центральные модели получают более качественные данные. В итоге предприятие может обслуживать не один демонстрационный объект, а целый парк машин.

Но есть и более глубокий эффект. Когда данные проходят через edge-слой, организация начинает мыслить не отдельными событиями отказа, а непрерывным состоянием оборудования. Это меняет всю культуру обслуживания: вместо реакции на поломку появляется раннее предупреждение, вместо случайных выездов - плановые работы, вместо разрозненных датчиков - единая цифровая среда наблюдения.

Эффект для производства и экологии

Внедрение многоуровневых систем предиктивной диагностики даёт измеримые результаты. Наработка на отказ (MTBF) вырастает в среднем на 28% - оборудование служит дольше, аварийные остановы случаются реже. Ремонтные службы переходят от реактивной работы «по факту поломки» к плановому обслуживанию в заранее выбранное время, с нужными запчастями под рукой.

Есть и менее очевидный эффект. Каждый аварийный ремонт - это не только стоимость запчастей и простой линии, но и выезд нескольких единиц техники, часто в ночное время и на большие расстояния. Устранение таких внеплановых выездов напрямую сокращает углеродный след предприятия - эффект, который всё чаще учитывается в рамках корпоративных ESG-программ.

Исследования 2025-2026 годов фиксируют качественный сдвиг в отрасли: акцент переместился с вопроса «работает ли алгоритм в принципе» к вопросу «как встроить его в существующую инфраструктуру завода, не останавливая производство». Это и есть признак зрелости технологии - когда решается не лабораторная задача, а инженерная.

Повный А. В., преподаватель Филиала Белорусский государственный технологический университет «Гомельский государственный политехнический колледж»