Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ представил мультиагентный программно-аппаратный комплекс, который анализирует электрические параметры промышленного оборудования и помогает заранее выявлять признаки неисправностей. Разработка призвана перевести техническое обслуживание от ремонта после отказа к прогнозированию состояния оборудования и планированию работ до возникновения аварийной ситуации. Система была представлена в рамках IV профессиональной конференции для ИТ и инженерного cообщества в нефтегазовой отрасли.
В промышленности выход из строя одного двигателя или насоса может обернуться не только затратами на ремонт, но и остановкой технологического процесса. При этом традиционные методы диагностики не всегда позволяют увидеть проблему на ранней стадии: оборудование проверяют по регламенту или проводят периодические измерения, а неисправность может развиваться между проверками.
Разработчики НИУ ВШЭ предложили другой подход. Система непрерывно анализирует ток и напряжение в трехфазной промышленной сети, выявляет изменения в электрических сигналах и с помощью ИИ-моделей оценивает состояние оборудования, риск отказа и возможный остаточный ресурс.
Данил Швецов, руководитель проекта в отделе прикладных технологических решений Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ
«В промышленном ИИ сложнее всего не модель, а то, что вокруг нее: откуда приходят данные, можно ли им верить и что делать, если они не пришли. Диагностику двигателей мы подключили к универсальному предиктивному ядру, на котором уже работают наши прогнозные сервисы в других отраслях. И заложили правило: на неполных или испорченных данных система не выдает догадку, а сообщает об этом, поскольку доверие к прогнозу на производстве стоит дороже лишнего срабатывания. А когда с данными все в порядке, графики и ИИ-агент помогают инженеру быстро принять обоснованное решение: какая машина, что с ней и в какое окно ее выводить в ремонт».
Одно из ключевых отличий разработки — для диагностики электродвигателей используются электропараметры трехфазной сети: ток и напряжение. При этом дополнительные вибродатчики на корпус оборудования не требуются. Система может работать непрерывно, формируя картину состояния оборудования вместо отдельных точечных измерений.
В основе подхода лежит анализ спектра электрического тока. Разработчики исследовали возможность обнаружения различных неисправностей электродвигателей, включая повреждения подшипников, ротора и статора, а также эксцентриситет воздушного зазора. Для разных типов дефектов характерны изменения сигнала в определенных частотных диапазонах.
Разработка объединяет данные непосредственно от оборудования с информацией из SCADA (система диспетчерского управления и сбора данных), систем технического обслуживания и ремонта и других источников. При этом отраслевые математические модели подключаются к платформе как отдельные ИИ-модули, а сама платформа берет на себя работу с данными, запуском расчетов, версиями моделей и формированием результатов.
Расчеты выполняются внутри контура предприятия. Система может работать без внешних облачных сервисов, а диагностика запускается автоматически по расписанию. Платформа рассчитана на масштабирование от одного двигателя до парка, включающего до 1000 машин. Особое внимание уделено тому, чтобы прогноз превращался в конкретное действие. Помимо определения типа и степени тяжести дефекта и оценки остаточного ресурса, система формирует рекомендацию по обслуживанию. Таким образом, потенциальная авария должна превращаться в заранее запланированный останов оборудования в удобное для предприятия время.
Александр Ерошкин, менеджер лаборатории естественного языка ВШЭ-Яндекс, НИУ ВШЭ в Санкт-Петербурге
«Главное преимущество нашего решения - это неинвазивная установка датчиков электропараметров, которая не требует разбирать двигатель и даже его останавливать. Таким образом комплекс предиктивной аналитики устанавливается на объект легко и не требует практически никаких затрат со стороны клиента. Также преимуществом решения является анализ только электропараметров (величин тока и напряжения) объекта без необходимости получать дополнительные виброданные».
Разработка уже прошла опытно-промышленную эксплуатацию на объекте ЛОКС — Володарский водопровод. Следующий этап — накопление и анализ данных, совершенствование моделей и оценка эффекта от внедрения. В качестве целевых показателей проекта обозначены снижение аварий до 40%, экономия энергии до 15% и сокращение затрат до 30%; эти значения предполагается оценивать по результатам базового и контрольного периодов эксплуатации.
В перспективе такой подход может изменить саму логику технического обслуживания: вместо вопроса «когда оборудование сломается?» инженер получает возможность заранее увидеть признаки деградации и принять решение о ремонте до отказа.
Андрей Даркшевич, заместитель директора Института искусственного интеллекта и цифровых наук ФКН, руководитель стратегического технологического проекта
«С ростом уровня цифровизации промышленности объем информации, поступающей к операторам, стремительно увеличивается. Чтобы своевременно анализировать ее и принимать обоснованные управленческие решения, компаниям приходится либо расширять штат высококвалифицированных специалистов, либо искать инструменты для автоматизации этих процессов. В разработанном нами решении ИИ-агенты выступают в качестве помощников оператора: они анализируют поступающую информацию, выявляют потенциальные проблемы и предлагают варианты действий в соответствии с технической документацией на оборудование, регламентами и внутренними процессами компании. Внедрение подобных решений позволит компаниям комплексно снизить потребность в дефицитных кадрах, минимизировать потери от внеплановых простоев оборудования и сократить затраты на ремонт за счет перехода к превентивному обслуживанию».
Разработка системы ведется в рамках стратегического технологического проекта «Мультиагентная платформа ИИ-решений для отраслевых задач». Стратегические технологические проекты реализуются в рамках Программы развития НИУ ВШЭ на 2025 – 2036 годы, победившей в конкурсе программ стратегического академического лидерства «Приоритет-2030».