Институт искусственного интеллекта и цифровых наук Национального исследовательского университета «Высшая школа экономики» (НИУ ВШЭ) представил мультиагентный программно-аппаратный комплекс. Он анализирует электрические параметры промышленного оборудования — ток и напряжение в трехфазной сети — и заранее выявляет неисправности. Разработка меняет подход к техобслуживанию — с ней оборудование будут ремонтировать не после поломки, а еще до возникновения аварии.
Известно, что в промышленности поломка одного двигателя или насоса может обернуться не только затратами на ремонт, но и остановкой производства. Традиционная диагностика не всегда видит проблему на ранней стадии: оборудование проверяют по регламенту, в то время как неисправность зачастую появляется между проверками.
Разработчики НИУ ВШЭ предложили другой подход. Система постоянно анализирует ток и напряжение в трехфазной промышленной сети, выявляет изменения в электрических сигналах и с помощью ИИ-моделей оценивает состояние оборудования, риск отказа и остаточный ресурс.
«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», — рассказал руководитель проекта в отделе прикладных технологических решений Института искусственного интеллекта и цифровых наук НИУ ВШЭ Данил Швецов.
Одно из ключевых отличий разработки в том, что для диагностики электродвигателей используются электропараметры трехфазной сети: ток и напряжение. Дополнительные вибродатчики на корпус оборудования не требуются. Система работает непрерывно и формирует картину состояния оборудования, а не отдельные точечные измерения.
В основе подхода лежит анализ спектра электрического тока. Специалисты ВШЭ исследовали, можно ли обнаружить различные неисправности электродвигателей, в том числе повреждения подшипников, ротора и статора, а также эксцентриситет воздушного зазора. Дело в том, что каждый тип дефекта характеризуется изменениями сигнала в определенных частотных диапазонах.
Разработка объединяет данные от самого оборудования с информацией из SCADA (системы диспетчерского управления и сбора данных), систем технического обслуживания и ремонта, а также других источников. Отраслевые математические модели подключаются к платформе как отдельные ИИ-модули, а сама платформа берет на себя работу с данными, запуском расчетов, ведение версий моделей и формирование результатов.
Расчеты ведутся 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 до 1000 машин. Отдельное внимание уделяется переходу прогноза в конкретное действие. Система определяет тип и степень тяжести дефекта, оценивает остаточный ресурс и дает рекомендацию по обслуживанию. Таким образом, потенциальная авария превращается в запланированную остановку оборудования в удобное предприятию время.
«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», — отметил Александр Ерошкин, менеджер лаборатории естественного языка ВШЭ-Яндекс, НИУ ВШЭ в Санкт-Петербурге.
ИИ-система уже прошла опытно-промышленную эксплуатацию на объекте ЛОКС — Володарский водопровод. Следующими этапами станут накопление и анализ данных, совершенствование моделей и оценка эффекта от внедрения. Целевые показатели проекта — снижение аварий до 40%, экономия энергии до 15% и сокращение затрат до 30%. Эти значения оценят по результатам базового и контрольного периодов эксплуатации.
В перспективе такой подход может изменить саму логику техобслуживания: вместо вопроса «когда оборудование сломается?» инженер получит возможность заранее увидеть признаки деградации и принять решение о ремонте.
«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 данные, выявляют потенциальные проблемы и предлагают варианты действий в соответствии с технической документацией, 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», — говорит заместитель директора Института искусственного интеллекта и цифровых наук НИУ ВШЭ, руководитель СТП Андрей Даркшевич.
Работа ведется в ходе стратегического технологического проекта «Мультиагентная платформа ИИ-решений для отраслевых задач».
Проект реализуется в рамках программы Минобрнауки России «Приоритет-2030» (нацпроект «Молодежь и дети»).
