Интеллектуальные системы на службе заводов: как предсказать поломку и сэкономить миллионы. Технологии умных фабрик и прогнозируемое обслуживание. Монография

— Проведение анализа финансовых показателей. Например, ROI (англ. Return On Investment, возврат инвестиций) для оценки экономической эффективности работы системы.

— Сравнение показателей до и после внедрения (например, снижение времени простоев, сокращение затрат на ремонт и другие).

4. Обучение и развитие персонала

— Регулярное обучение сотрудников работе с системой.

— Развитие компетенций в области анализа данных и машинного обучения.

5. Масштабирование системы

— Постепенное расширение системы на другие активы и производственные линии после успешного завершения пилотного проекта.

— Оптимизация процессов и интеграция с другими системами предприятия.

Разработка, внедрение и использование автоматизированных систем прогнозируемого / предписывающего обслуживания в промышленности имеет ряд следующих преимуществ для предприятий, которые их еще не использовали [52]:

— Повышение эффективности обслуживания

— Оптимизация процессов технического обслуживания за счёт перехода от реактивного и профилактического подхода к прогнозируемому.

— Своевременное выявление потенциальных отказов и планирование работ на основе данных.

— Сокращение расходов на техническое обслуживание

— Снижение затрат на ремонт и обслуживание оборудования на 25—30% за счёт предотвращения катастрофических отказов и оптимизации графика обслуживания.

— Уменьшение затрат на запасные части и материалы благодаря точному прогнозированию потребностей.

— Устранение поломок

— Предотвращение 70—75% потенциальных поломок оборудования за счёт раннего выявления аномалий и своевременного вмешательства.

— Снижение частоты аварийных ситуаций и связанных с ними затрат.

— Сокращение времени простоя

— Уменьшение времени простоя оборудования на 35—45% благодаря оперативному реагированию на предупреждения о возможных отказах.

— Повышение общей доступности оборудования и стабильности производственного процесса.

— Рост производства

— Увеличение объёмов производства на 20—25% за счёт снижения простоев и повышения эффективности использования оборудования.

— Оптимизация производственных процессов и улучшение планирования.

— Повышение уровня промышленной безопасности

— Снижение рисков аварий и несчастных случаев благодаря раннему выявлению потенциально опасных ситуаций.

— Улучшение контроля за состоянием оборудования и соблюдением нормативов безопасности.

— Интеграция с системами управления техническим обслуживанием

— Упрощение процессов планирования и управления техническим обслуживанием за счёт интеграции с CMMS (англ. Computerized Maintenance Management System, CMMS).

— Автоматизация рутинных задач, таких как составление графиков обслуживания и учёт выполненных работ.

— Улучшение качества продукции

— Снижение вероятности выпуска бракованной продукции за счёт поддержания оборудования в оптимальном состоянии.

— Повышение стабильности технологических процессов.

— Экономия ресурсов

— Оптимизация использования энергоресурсов и сырья за счёт поддержания оборудования в эффективном рабочем состоянии.

— Снижение экологического воздействия благодаря уменьшению количества отходов и выбросов.

— Аналитика и прогнозирование

— Возможность анализа больших объёмов данных для выявления скрытых закономерностей и улучшения процессов.

— Использование прогнозов для стратегического планирования и принятия решений.

— Гибкость и масштабируемость

— Возможность адаптации системы под различные типы оборудования и производственные процессы.

— Масштабируемость решения для применения на новых участках и предприятиях.

— Снижение зависимости от человеческого фактора

— Автоматизация процессов сбора и анализа данных, что снижает вероятность ошибок, связанных с человеческим фактором.

— Повышение точности прогнозов за счёт использования алгоритмов машинного обучения.

— Улучшение управляемости процессами

— Получение актуальной информации о состоянии оборудования в режиме реального времени.

— Возможность оперативного принятия решений на основе данных.

— Поддержка цифровой трансформации

— Внедрение систем прогнозируемого обслуживания, как часть стратегии цифровой трансформации предприятия.

— Переход к Индустрии 4.0 за счёт использования промышленного Интернета вещей, периферийного ИИ, больших данных и искусственного интеллекта.

— Долгосрочная выгода

— Увеличение срока службы оборудования за счёт своевременного обслуживания и предотвращения износа.

— Повышение конкурентоспособности предприятия за счёт внедрения передовых технологий.

Эти преимущества делают автоматизированные системы прогнозируемого / предписывающего обслуживания важным инструментом для повышения эффективности, безопасности и конкурентоспособности промышленных предприятий различных отраслей экономики.

Как мы с вами видим, будущее промышленности неразрывно связано с развитием новых информационных технологий. Эти технологии станут основой для создания автоматизированных систем прогнозируемого / предписывающего обслуживания, которые кардинально изменят подходы к управлению производственными процессами. Уже в ближайшие годы мы увидим, как искусственный интеллект превратит промышленные предприятия в умные, автономные и устойчивые системы, способные работать с максимальной эффективностью и минимальными затратами.

Компании, которые сегодня инвестируют в ИИ, получат значительное конкурентное преимущество в эпоху глобальной цифровой трансформации и экономики данных.

Глава 4. Концептуальная архитектура автоматизированной системы прогнозируемого обслуживания с использованием перспективных технологий ИИ

Основные положения и результаты исследования, содержащиеся в данной главе, были представлены на XIV Международной научно-практической конференции «Абалкинские чтения» и Международной научно-практической конференции «Актуальные проблемы науки и образования в условиях современных вызовов».

Современные промышленные предприятия сталкиваются с необходимостью перехода от традиционных стратегий обслуживания (реактивных и профилактических) к прогнозируемым и предписывающим, что обусловлено следующими ключевыми причинами и факторами:

— Экономические

— Снижение затрат на обслуживание. Традиционное профилактическое обслуживание часто приводит к избыточным затратам из-за замены компонентов до их реального износа. Системы прогнозируемого / предписывающего обслуживания (далее, системы PdM) позволяют существенно сократить расходы, прогнозируя отказы с высокой точностью до 98 — 99%.

— Минимизация простоев. Незапланированные остановки производства обходятся предприятиям в миллионы долларов ежегодно. PdM позволяет предотвращать до 75% аварийных ситуаций, снижая время простоев.

— Оптимизация ресурсов. Прогнозируемое обслуживание не только предсказывает отказы, но и рекомендует оптимальные действия (например, замену того или иного узла или детали в определенное время), что снижает затраты на персонал и запасные части.

— Технологические

— Развитие промышленного Интернета вещей и периферийных вычислений. Массовое внедрение «умных» датчиков (вибрации, температуры, акустики и других) обеспечивает поток данных в реальном времени для анализа на основе применения технологий периферийного ИИ. Периферийные вычисления (англ. Edge Computing) ускоряют принятие решений и снижают зависимость от облачных инфраструктур.

— Прогресс в развитии технологий искусственного интеллекта. Глубокое обучение и гибридные модели (цифровые двойники и физические уравнения) повысили точность прогнозирования оставшегося срока службы оборудования — RUL (англ. Remaining Useful Life) [53].

— Операционные

— Рост сложности используемого оборудования. Современные станки с ЧПУ, роботизированные линии, промышленные установки и оборудование требуют прогнозной аналитики для управления тысячами взаимосвязанных компонентов, работающих в рамках цифровых промышленных экосистем.

— Необходимость в персональном подходе решения производственных задач. Необходимо адаптировать модели ИИ под конкретные условия эксплуатации с учетом множества внутренних и внешних факторов эксплуатации промышленного оборудования (например, применение MMN-алгоритмов, о которых речь пойдет в следующей главе).

— Ускорение производственных циклов. В условиях непрерывного производства не позволить не только временные простои, но и не оптимизированное по времени выполнение задач технического обслуживания. Необходимо, чтобы PdM умела синхронизировать обслуживание с графиком выпуска продукции.

— Рыночные

— Конкуренция и регуляторные требования. Стандарты ISO 55000 (управление активами) и нормы по контролю окружающей среды требуют прозрачности в эксплуатации ресурсов. PdM способна обеспечить соответствие нормативным требованиям через аудит данных и прогнозы по техническому обслуживанию [54].

— Снижение углеродного следа за счет реализации технологических и технических улучшений на производстве.

— Риски цепочки поставок. Пандемии и геополитика выявили уязвимость глобальных логистических цепочек. PdM помогает планировать запасы критически важных деталей и запасных частей для промышленного оборудования.

С целью повышения эффективности работы автоматизированных систем прогнозируемого обслуживания на основе технологий ИИ необходима разработка специализированных архитектур, которые бы учитывали следующие аспекты при их проектировании и создании:

— Гибридная обработка данных

— Мультимодальность данных. Поддержка разнородных данных (вибрация, температура, аудиосигналы, журналы событий, метаданные оборудования) и их синхронизация.

— Балансировка нагрузки на Edge-Cloud. Локальная предобработка на «умных» датчиках и устройствах (фильтрация шумов, сжатие) совместно с облачным анализом для сложных моделей.

— Работа в реальном времени. Архитектура должна обрабатывать потоковые данные с минимально возможной задержкой.

— Адаптивные модели машинного обучения

— Модели для временных рядов. Применение LSTM (англ. Long Short-Term Memory, «долгая краткосрочная память»), Transformers и методов определения размеров «скользящего окна» (rolling windows) для прогнозирования оставшегося срока полезного использования оборудования — RUL (англ. Remaining Useful Life, RUL).

— Интерпретируемость. Интеграция методов объяснимого ИИ SHAP (англ. SHapley Additive exPlanations) и LIME (англ. Local Interpretable Model-agnostic Explanations) для повышения доверия инженеров к получаемым результатам работы автоматизированной системы с ИИ [55,56,57].

— Онлайн-обучение. Необходимо разрабатывать механизмы адаптации моделей к «дрейфу концепта» (англ. concept drift) и изменениям условий эксплуатации (например, обновление весов нейросетей каждые 24 часа) [58,59]. Например, может использоваться гибридная архитектура с цифровым двойником, где физическая модель корректирует прогнозы модели ИИ.

— Интеграция с промышленными системами

— Поддержка промышленных протоколов.

— Реализация «API-first» подхода (все лучшее от «code first» и «design first»). Например, реализация REST/gRPC-интерфейсов для передачи прогнозных данных в MES/ERP-системы [60,61,62].

— Кибербезопасность. Шифрование данных, аутентификация устройств и защита моделей от состязательных атак (англ. Adversarial attacks) [63].

— Масштабируемость и отказоустойчивость

— Распределенные вычисления. Например, может использоваться поддержка платформы Kubernetes для управления нагрузкой и сервисами.

— Резервирование. Автоматический переход на резервные вычислительные узлы при сбоях связи с основным облаком.

— Горизонтальное масштабирование. Возможность добавлять новые датчики и линии без перепроектирования архитектуры. Например, архитектура на базе AWS IoT Greengrass для распределенных PdM-систем.

— Управление жизненным циклом моделей (MLOps)

— Автоматизация пайплайнов. Например, могут быть использованы инструменты MLflow или Kubeflow для поддержки версий данных, моделей и экспериментов.

— Мониторинг дрейфа данных концепта. Например, могут быть использованы алгоритмы детектирования аномалий для своевременного переобучения моделей.

— A/B-тестирование. Постепенное внедрение новых моделей с параллельной работой старых версий. Например, внедрение PdM-системы на заводе с еженедельным обновлением моделей через Azure Machine Learning.

— Энергоэффективность и стоимость

— Оптимизация ресурсов. Квантование моделей для уменьшения потребности в вычислительных мощностях.

— Баланс точности и затрат на вычисления. Например, использование моделей с разной сложностью. Например, LightGBM для простых случаев и CNN — для сложных.

— Пользовательские интерфейсы и аналитика

— Панели визуализации. Интеграция с аналитическими системами для отображения прогнозов, метрик здоровья оборудования и рекомендаций.

— Предписывающая аналитика. Система должна не только прогнозировать отказы, но и предлагать оптимальные действия.

С учетом вышесказанного, предлагается следующая концептуальная архитектура автоматизированной системы прогнозируемого обслуживания, в которой применяются технологии ИИ на разных логических уровнях и в различных подсистемах, сочетающие принципы, основанные на управлении данными (англ. data-driven) и физические принципы работы устройств промышленного интернета вещей и промышленного оборудования [64].

На Рисунке 15 ниже представлена концептуальная архитектура, которая включает пять базовых уровней автоматизации.

Рисунок 15. Основные уровни автоматизированной системы прогнозируемого / предписывающего обслуживания

Рассмотрим подробнее каждый из уровней автоматизированной системы.

— Уровень 1. Уровень сбора данных / сенсорный уровень

Сенсорный уровень является фундаментальным компонентом архитектуры ИИ-решений для прогнозируемого обслуживания, обеспечивающим сбор первичных данных о состоянии оборудования.

Этот уровень выполняет следующие ключевые функции:

— Непрерывный мониторинг критических параметров оборудования.

— Преобразование физических величин в цифровые сигналы.

— Первичная фильтрация и предварительная обработка данных.

— Передача информации на последующие уровни системы.

Эффективность функционирования системы PdM на 60—70% определяется корректностью работы сенсорного уровня, что требует тщательного подбора датчиков и технологий передачи данных.

Рисунок 16. Уровень сбора данных автоматизированной системы прогнозируемого или предписывающего обслуживания

К перспективным технологиям уровня сбора данных относят следующие:

— Нейроморфные процессоры — это специализированные вычислительные архитектуры, имитирующие структуру и функции биологических нейронных сетей. Их проектирование и разработка основывается на базовых принципах работы человеческого мозга:

— Спайковая (импульсная) передача данных. Информация кодируется временными паттернами электрических импульсов (спайков), а не непрерывными сигналами.

— Параллелизм и асинхронность. Обработка данных происходит распределенно, без тактовой синхронизации.

— Пластичность синапсов. «Синаптические» связи между нейронами адаптируются в процессе обучения, что позволяет системам само-оптимизироваться.

Основной принцип работы нейроморфных процессоров в промышленных системах:

— Обработка в реальном времени. Нейроморфные процессоры анализируют потоки данных с датчиков (вибрация, температура, изображения) без задержек. Например, обнаружение аномалий в работе станка происходит за микросекунды.

— Адаптивное обучение. Системы перестраивают «синаптические» веса на лету, адаптируясь к изменениям в оборудовании (износ, новые режимы работы).

— Энергоэффективность. За счет спайковой передачи данных и отсутствия тактовой частоты потребление энергии снижается в 100—1000 раз по сравнению с GPU/CPU. Это критично для автономных датчиков и роботов.

Перспективы развития применения технологий нейроморфных процессоров:

— Гибридные системы. Совместное использование нейроморфных процессоров и квантовых вычислений для сложной оптимизации процессов.

— Нейроморфные датчики. Встроенные чипы в IIoT-устройствах, способные к локальному принятию решений (например, Siemens и Bosch уже тестируют такие решения). Например, компания Siemens использует нейроморфные чипы Intel Loihi в системах управления энергосетями. Чипы в режиме реального времени балансируют нагрузку, прогнозируют пики потребления и предотвращают аварии, обрабатывая данные с тысяч датчиков.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.

Примечания

1

.O&M Best Practices Guide, Release 3.0 [Электронный ресурс]. 2025 — URL: https://www1.eere.energy.gov/femp/pdfs/OM_5.pdf (дата обращения: 06.09.2025)

2

.Тренды цифровой трансформации в 2025 году: практическое руководство для бизнеса. [Электронный ресурс] 2025 URL: https://issoft.by/blog/trendy-cifrovoy-transformacii-v-2025-god/ (дата обращения: 14.12.2025). — Текст: электронный.

3

.Applying Digital Transformation Trends in Your Business: An Expert Guide for 2025. [Электронный ресурс] 2025 URL: https://www.coherentsolutions.com/insights/top-digital-transformation-trends (дата обращения: 14.12.2025). — Текст: электронный.

4

.McKinsey Technology Trends Outlook 2025. [Электронный ресурс] 2025 URL: https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-top-trends-in-tech (дата обращения: 14.12.2025). — Текст: электронный.

5

.The Future of Jobs Report 2025. [Электронный ресурс] 2025 URL: https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf (дата обращения: 14.12.2025). — Текст: электронный.

6

.Гриневская Светлана Николаевна. Новые параметры экономики: технологический суверенитет в промышленности // ЭСПР. 2024. №2 (58). URL: https://cyberleninka.ru/article/n/novye-parametry-ekonomiki-tehnologicheskiy-suverenitet-v-promyshlennosti (дата обращения: 14.12.2025).

7

.Кочина Светлана Константиновна. Диагностика уровня технологического суверенитета отраслей российской промышленности // Экономическое развитие России. 2023. №10. URL: https://cyberleninka.ru/article/n/diagnostika-urovnya-tehnologicheskogo-suvereniteta-otrasley-rossiyskoy-promyshlennosti (дата обращения: 14.12.2025).

8

.Чаруйская, М. А. Механизмы достижения технологического суверенитета в стратегических отраслях промышленности / М. А. Чаруйская // Экономика, предпринимательство и право. — 2025. — Т. 15, №7. — С. 4611—4626. — DOI https://doi.org/10.18334/epp.15.7.123258. — EDN DOORDW.

9

.Кузнецов С. В., Горин Е. А., Имзалиева М. Р. Национальный технологический суверенитет и три уровня кадрового обеспечения промышленности // Экономика и управление. 2023. Т. 29. №8. С. 938—955. http://doi.org/10.35854/1998-1627-2023-8-938-955

10

.Палюх Б. В., Чесалов А. Ю. Роль современных технологий искусственного интеллекта в создании и развитии автоматизированных систем прогнозируемого и предписывающего обслуживания в промышленности // Современная наука: актуальные проблемы теории и практики: серия «Естественные и Технические науки». — 2025. — №5. — С. 147 — 155. DOI 10.37882/2223—2966.2025.05.29

11

.Чесалов А. Ю. Анализ возможности применения модели OpenThinker2—32B в автоматизированных системах прогнозируемого обслуживания для малых и средних промышленных предприятий // Нейрокомпьютеры: разработка, применение. — 2025. Т. 27. №5. С. 56—70. DOI: https://doi.org/10.18127/j19998554-202505-07

12

.Чесалов А. Ю. Тенденции развития периферийного искусственного интеллекта в автоматизации технологических процессов // Автоматизация в промышленности — 2025. — №7. — С. 9 — 14.

13

.Кравченко А. А. Эволюция технологии цифровых двойников на кривой Гартнер за период 2016—2024 гг. // Научные исследования экономического факультета. Электронный журнал. 2025. Том 17. Выпуск 2. С. 88—110. DOI: 10.38050/2078-3809-2025-17-2-88-110.

14

.Чесалов А. Ю. Математическая модель снижения неопределенности на основе теории свидетельств Демпстера—Шафера на уровне сбора данных в автоматизированных системах прогнозируемого обслуживания // Динамика сложных систем. — 2025. Т. 19. №4. С. 62—74. DOI: 10.18127/j19997493-202504-07

15

.Палюх Б. В., Чесалов А. Ю. Современные подходы к созданию автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов в промышленности. // «Инжиниринг предприятий и управление знаниями» (ИП&УЗ — 2024): сборник научных трудов XXVII Российской научной конференции. 28 — 29 ноября 2024 г. Том 1. / под науч. ред. д.э. н. Ю.Ф. Тельнова. — Москва: ФГБОУ ВО «РЭУ им. Г. В. Плеханова», 2024. — С. 351 — 357.

16

.Digital transformation in manufacturing market size & share analysis — growth trends and forecast (2025 — 2030) [Электронный ресурс] 2025 URL: https://www.mordorintelligence.com/industry-reports/digital-transformation-market-in-manufacturing (дата обращения: 14.12.2025). — Текст: электронный.

17

.Hyperautomation market size & share analysis — growth trends and forecast (2025 — 2030) Source: https://www.mordorintelligence.com/industry-reports/hyperautomation-market. [Электронный ресурс] 2025 URL: https://www.mordorintelligence.com/industry-reports/hyperautomation-market (дата обращения: 14.12.2025). — Текст: электронный.

18

.Cybersecurity market size & share analysis — growth trends and forecast (2025 — 2030) [Электронный ресурс] 2025 URL: https://www.mordorintelligence.com/industry-reports/cyber-security-market (дата обращения: 14.12.2025). — Текст: электронный.

19

.The Future of Jobs Report 2025. [Электронный ресурс] 2025 URL: https://www.weforum.org/publications/the-future-of-jobs-report-2025/digest/ (дата обращения: 14.12.2025). — Текст: электронный.