Интеллектуальные системы на службе заводов: как предсказать поломку и сэкономить миллионы. Технологии умных фабрик и прогнозируемое обслуживание. Монография
- -
- 100%
- +
Программная реализация алгоритма работы модели «EUS Model 1 PdM / DST» представлена в Приложении 1 (свидетельство о государственной регистрации программ для ЭВМ №2025667829). Особенностью программы является ее простота и универсальность реализации, в которой предусмотрены: возможность работы с большим количеством датчиков, добавлением новых состояний оборудования и интеграции в работу промышленных систем прогнозируемого и предписывающего обслуживания.
Глава 7. Математическая модель интеллектуальной диагностики технического состояния промышленного оборудования.
В данной главе представлена новая (значительно улучшенная) математическая модель интеллектуальной диагностики технического состояния промышленного оборудования на основе изучения и улучшения механизмов многокритериального взвешивания свидетельств с учётом степени конфликта на основе расстояния Хеллингера и меры неопределённости на основе энтропии убеждений, а также представлен соответствующий алгоритм интеллектуальной диагностики технического состояния оборудования на основе теории свидетельств Демпстера—Шафера с адаптивным анализом направленности процессов деградации и многокритериальным взвешиванием мультисенсорной информации, учитывающим уровень противоречивости и неопределённости поступающих и обрабатываемых данных.
Исходный код реализации алгоритма работы модели «EUS Model 1 PdM / DST 2» (свидетельство о государственной регистрации программ для ЭВМ №2025683349) в книге не представлен в силу большого объема текста.
Глава 8. Анализ возможности применения больших языковых моделей в автоматизированных системах прогнозируемого обслуживания на примере OpenThinker2—32B.
Целью данной главы является изучение возможности применения новой большой языковой модели OpenThinker2—32B, как вспомогательного инструмента, для повышения эффективности работы интеллектуальных систем прогнозируемого и предписывающего обслуживания для малых и средних промышленных предприятий. Рассматриваются вопросы использования модели для решения следующих задач: анализа исторических данных; снижения факторов неопределенности входных данных (совместно с моделями, представленных в других главах книги); прогнозирования отказов; подготовки экспертных рекомендаций (например, по оптимизации расписаний и процессов технического обслуживания промышленного оборудования).
В данной главе представлены базовые алгоритмы информационного взаимодействия для каждой из задач, и определено положение большой языковой модели в предложенной концепции конвергентной архитектуры автоматизированной системы прогнозируемого / предписывающего обслуживания для повышения точности прогнозов и возможности ее интеграции с экспертными, аналитическими, прогнозными системами, а также системами поддержки принятия решений.
Результаты проведенного анализа показывают, что большая языковая модель OpenThinker2—32B включает набор функциональных возможностей, которые могут быть использованы в решении узкоспециализированных задач прогнозируемого / предписывающего обслуживания. Данные возможности, при доработке программного кода модели OpenThinker2—32B, могут позволить эффективно выполнять анализ данных, определять возможные неисправности и прогнозировать отказы в работе оборудования, оптимизировать расписание и процессы технического обслуживания, при наименьших затратах и стоимости владения вычислительной инфраструктурой. При помощи теории свидетельств Демпстера-Шафера могут быть реализованы новые алгоритмы, которые позволят снизить факторы неопределенности данных для получения более точных прогнозов, а также подготовить экспертные рекомендации и заключения. Благодаря своей гибкости, высокой производительности и невысокой стоимости владения, большая языковая модель OpenThinker2—32B является мощным вспомогательным инструментом для автоматизации промышленных процессов и повышения их эффективности для малых и средних промышленных предприятий.
В книге, представлен пример программы машинного обучения «EUS Model 1 PdM / Exp», реализующий базовый алгоритм поддержки принятия решений для промышленных автоматизированных систем прогнозируемого обслуживания. Код программы написан на языке Python и представлен в Приложении 1 (свидетельство о государственной регистрации программ для ЭВМ №2025668288).
Глава 9. Применение ИИ для реализации алгоритмов потенциала негативности рассогласования в промышленных автоматизированных системах.
Данную главу, без преувеличения, можно назвать смелым и уверенным шагом в будущее промышленной автоматизации. В ней исследуются вопросы возможности применения технологий искусственного интеллекта для реализации алгоритмов, созданных на основе феномена потенциала негативности рассогласования (англ. mismatch negativity, MMN) и возможности их применения в промышленных автоматизированных системах прогнозируемого / предписывающего обслуживания.
В результате исследований разработан алгоритм, реализующий базовые принципы потенциала негативности рассогласования. Определена практическая необходимость применения данного вида алгоритма, основанного на нейрофизиологических механизмах обработки сенсорной информации в мозге человека, для обнаружения аномалий в работе промышленного оборудования, вызванных внешними факторами, такими как температура, влажность, вибрации и электромагнитные помехи, что позволяет решить следующие задачи промышленной автоматизации: обнаружение аномалий; оптимизация эксплуатационных процессов; прогнозирование отказов; моделирование воздействия окружающей среды и адаптация к изменяющимся условиям.
Предложена базовая архитектура автоматизированной системы, учитывающая необходимость использования программных алгоритмов потенциала негативности рассогласования, которая состоит из модулей верификации данных, обучения модели, обнаружения аномалий, прогнозной модели, визуализации и модуля интеграции с другими производственными информационными и автоматизированными системами.
В книге представлен пример реализации базового MMN-алгоритма. Программный код написан на языке Python и представлен в Приложении 1 (свидетельство о государственной регистрации программ для ЭВМ №2025683341).
Глава 10. Современный подход к построению предсказательных моделей на основе исторического опыта эксплуатации промышленного оборудования.
Цифровая трансформация промышленности, переход к экономике данных и императив технологического суверенитета обуславливают необходимость разработки и внедрения интеллектуальных систем прогнозируемого и предписывающего обслуживания. Ключевым элементом таких систем становятся предсказательные модели, основанные на анализе накопленного исторического опыта эксплуатации промышленного оборудования. В статье исследуется современный подход, обеспечивающий создание, обучение и эксплуатацию таких моделей. Рассматривается конвергентная архитектура, объединяющая технологии промышленного Интернета вещей, периферийного искусственного интеллекта, облачных вычислений и когнитивных систем. Особое внимание уделяется методологическим подходам к работе с неопределенными и противоречивыми историческими данными на основе теории свидетельств Демпстера-Шафера, а также к перспективам интеграции больших языковых моделей. Делается вывод о том, что синергия перечисленных технологий формирует основу для создания самообучающихся промышленных экосистем, способных к непрерывному накоплению и использованию операционного опыта.
Глава 11. Влияние ИИ на разработку программного обеспечения в промышленности.
Искусственный интеллект коренным образом трансформирует процессы разработки промышленного программного обеспечения, внедряя когнитивную автоматизацию на всех этапах жизненного цикла — от проектирования архитектуры и генерации кода до тестирования и мониторинга. Это приводит к качественному улучшению промышленных решений, таких как системы прогнозируемого обслуживания, интеллектуальные цифровые двойники и периферийный ИИ (Edge AI), повышая их надежность и адаптивность.
Данная глава посвящена комплексному анализу преобразующего влияния искусственного интеллекта на разработку промышленного программного обеспечения в контексте Индустрии 4.0. Реализация подобных систем требует формирования междисциплинарных команд узкопрофильных специалистов, включая инженеров данных, MLOps-инженеров, архитекторов и специалистов по кибербезопасности. ИИ эволюционирует от инструмента автоматизации до эксперта — помощника, смещая фокус разработчиков с написания кода на архитектурное проектирование, промт-инжиниринг и координацию ИИ-агентов, что открывает новые возможности для повышения эффективности и конкурентоспособности промышленности.
Глава 12. ИИ и тестирование промышленных автоматизированных систем.
Глава является логическим продолжением предыдущей главы. В ней определены и систематизированы основные направления применения ИИ для тестирования промышленного ПО (включая промышленные автоматизированные системы прогнозируемого обслуживания), фокусируясь на решении конкретных задач: прогнозирования дефектов, интеллектуальной генерации тестов, адаптивного обслуживания тестовых сценариев и их использования в условиях ограниченных ресурсов.
Глава 13. Этические аспекты использования искусственного интеллекта в промышленности.
Глава посвящена анализу этических вызовов, возникающих при интеграции технологий и систем ИИ в промышленности. В главе рассматриваются базовые риски и принципы, которые должны лежать в основе проектирования, внедрения и эксплуатации промышленных ИИ-систем на всех этапах их жизненного цикла, на основе ключевых международных и национальных документов — Рекомендации по этике ИИ ЮНЕСКО, Спецификации этики искусственного интеллекта нового поколения Китая, Закона (Акта) Европейского Союза об искусственном интеллекте и российского Кодекса этики в сфере ИИ. Особое внимание уделяется вопросам безопасности, прозрачности, объяснимости и подконтрольности человеку промышленных ИИ-систем в контексте Индустрии 4.0.
Глава 14. Как предсказать поломку и сэкономить миллионы.
Всегда, самое сложное в любой работе — это сделать правильные выводы, особенно тогда, когда проделана большая аналитическая работа и получены некоторые промежуточные, но вполне убедительные, результаты, которые подтверждают гипотезы, теоретические выводы и практические результаты исследований по направлению прогнозируемого и предписывающего обслуживания в промышленности.
Казалось бы, нет ничего проще ответить всего на два, на первый взгляд, не очень сложных, но очень тесно связанных между собой вопроса: «Какова эффективность применения технологий искусственного интеллекта в промышленности?» и «Как предсказать поломку и сэкономить миллионы?».
Но, — это не так.
В этой главе будут даны ответы на эти и другие вопросы.
Глава 1. Основные технологические направления цифровой трансформации промышленности Российской Федерации до 2035 года
Основные положения и результаты исследования, содержащиеся в данной главе, были опубликованы в журнале «Автоматика, связь, информатика» (ВАК К2).
Цифровая трансформация перестала быть перспективой будущего и превратилась в актуальную реальность, детерминирующую конкурентоспособность национальных экономик и отдельных корпораций. Если предыдущее десятилетие было эпохой пилотирования и экспериментов, то период до 2035 года станет фазой массового масштабирования и глубинной интеграции цифровых технологий во все звенья промышленной цепочки — от НИОКР и проектирования до производства, логистики, сервиса и конечного продукта. Этот процесс будет происходить на фоне сложной совокупности макроэкономических трендов: геоэкономической фрагментации, ужесточения конкуренции за технологии и таланты, а также императивов устойчивого развития со стороны государственного управления [2,3,4,5].
Цифровая трансформация промышленности Российской Федерации движется по своему собственному пути принудительной адаптации, трансформируясь в стратегию построения технологического суверенитета (на основе построения промышленного суверенитета), которая определяется, в том числе, Концепцией технологического развития на период до 2030 года (утвержденной Распоряжением Правительства Российской Федерации №1315-р от 20.05.2023). В центре этой стратегии — создание замкнутой, безопасной и интеллектуальной производственной экосистемы, где данные являются ключевым ресурсом, а искусственный интеллект (ИИ) — основным инструментом повышения эффективности. Реализация этой стратегии зависит от способности государства и бизнеса преодолеть ключевые системные ограничения: научные, технологические, инфраструктурные, образовательные, кадровые и инерционные (от применения устаревших управленческих моделей) [6,7,8,9].
В этой главе проводится систематизация и анализ ключевых технологических направлений развития, которые сформируют новый ландшафт цифровой трансформации промышленности Российской Федерации в предстоящее десятилетие.
На сегодняшний день, одним из трендов цифровой трансформации промышленности ведущих мировых держав является не развитие какой-то одной из технологий по отдельности, а их глубокая конвергенция, создающая синергетический эффект от совместного использования, например:
— Искусственный интеллект и автоматизированные системы. ИИ эволюционирует от инструмента анализа данных в ключевой драйвер принятия решений и автономных действий, на разных уровнях производственных систем. Акцент смещается с прикладных моделей машинного обучения (англ. ML) и генеративного ИИ (англ. GenAI) к концепции автономных систем на основе агентного ИИ (англ. Agentic AI). Такие системы, функционирующие как «виртуальные помощники», способны с некой долей самостоятельности планировать и выполнять многошаговые рабочие процессы — от управления цепочками поставок до управления технологическими процессами и генерации инженерных решений (например, в системах прогнозируемого обслуживания) [10,11]. В инженерной сфере ИИ-инструменты, интегрированные в системы автоматизированного проектирования, кардинально ускоряют оптимизацию процессов производства изделий, значительно сокращая время вывода продукта на рынок.
— Промышленный Интернет вещей (англ. IIoT) и периферийные вычисления (англ. Edge Computing). Развитие сетей 5G/6G и периферийных вычислений превращает IIoT из системы мониторинга в тесно связанную распределенную систему реального времени. Миллионы датчиков IIoT, установленных на оборудовании, продуктах, интегрированных в инфраструктуре, будут генерировать непрерывные потоки разнородных данных для немедленного анализа непосредственно у их источника (на Edge-устройствах с помощью периферийного ИИ — Edge AI) [12]. Это существенно снизит задержки с сотен миллисекунд до практически мгновенной реакции, что критически важно для прогнозируемого обслуживания, адаптивного управления процессами технического обслуживания и ремонта оборудования, а также контроля качества, выпускаемой продукции.
— Цифровые двойники и платформы. Цифровые двойники эволюционируют от статичных моделей к динамическим, самообучающимся виртуальным представлениям физических активов (например, промышленное оборудование или производственные линии), целых производств (например, промышленные объекты сетевых предприятий) или даже цепочек создания стоимости. В ближайшей перспективе, они могут стать неотъемлемой функцией приложений IIoT — платформ, предназначенной для обеспечения жизненного цикла оборудования или производимого продукта, позволяя проводить виртуальные испытания, оптимизировать эксплуатацию и моделировать различные сценарии производства в реальном времени (например, прогнозирования выхода из строя оборудования в условиях неопределенности данных, получаемых от разных устройств IIoT, зависящих от внешних (например, климатических) воздействий) [13,14]. Можно с уверенностью сказать, что основу цифрового двойника образует синергия передовых технологий, каждая из которых вносит свой отдельный вклад в его функциональность. Робототехнические комплексы и сенсоры IIoT выступают источниками данных, искусственный интеллект — «мозгом» для их осмысления и принятия решений. Интерфейсы виртуальной и дополненной реальности обеспечивают наглядное взаимодействие с моделью, а распределенные реестры гарантируют неизменяемость и прослеживаемость информации. Все перечисленные компоненты тесно связаны в единый «организм» высокоскоростными беспроводными сетями, что и позволяет реализовать принципиально новые подходы к управлению современным производством.
К другим, более классическим, но не менее важным трендам цифровой трансформации промышленности, можно отнести те, которые активно влияют на перестройку производственных моделей управления, а именно:
— Цифровые платформы, как основа облачных экосистем. Отдельные решения и фрагментированные ИТ-ландшафты уступают место интегрированным промышленным платформам, объединенным в цифровые экосистемы сетевых предприятий. Эти облачные экосистемы объединяют: инструменты для проектирования (CAE), системы управления производством (MES), системы управления активами предприятия (EAM), системы планирования ресурсами (ERP), системы управления качеством продукции (QMS), компьютеризированные системы управления техническим обслуживанием (CMMS) и другие отраслевые производственные системы, обеспечивая единую среду данных, масштабируемость и быстрый доступ к инновациям и изменениям [15]. По оценке аналитиков Mordor Intelligence, объем рынка цифровой трансформации промышленности к 2030 году вырастет до $843 млрд долларов США, а среднегодовой темп роста (англ. Compound annual growth rate, CAGR) составит 19,4% [16].
— Ускоренная автоматизация (гиперавтоматизация). Автоматизация выходит за рамки отдельных задач, охватывая сквозные процессы. Она объединяет роботизированную автоматизацию процессов (англ. Robotic Process Automation, RPA), ИИ, low-code платформы и интеграцию промышленных систем для автоматизации комплексных бизнес-процессов. Параллельно развивается робототехника, на смену изолированным роботам-манипуляторам приходят коллаборативные роботы (коботы) и мобитивные автономные роботы, способные безопасно работать рядом с людьми, перемещать грузы и выполнять сложные манипуляции. По оценке Mordor Intelligence, объем рынка гиперавтоматизации к 2030 году вырастет до $38,43 млрд долларов США, а среднегодовой темп роста (англ. Compound annual growth rate, CAGR) составит 19,73% [17].
К вышеперечисленным трендам цифровой трансформации промышленности, необходимо добавить те, которые влияют не только на отдельно взятые предприятия, но и на все экономику, каждого из промышленно развитых государств, а именно:
— Технологический суверенитет и локализация производств. Геополитическая нестабильность ускоряет тренд на технологический суверенитет. Страны и крупные экономические блоки стремятся создать собственные контролируемые технологические экосистемы, обеспечивающие их полупроводниковыми и компьютерными производствами, разработчиками собственных программных продуктов и промышленных систем автоматизации, а также суверенными облачными инфраструктурными решениями и сетями передачи данных. Это ведет к фрагментации глобального рынка и параллельному развитию региональных экосистем (например, в Китае, России, ЕС), где импортозамещение становится стратегической необходимостью, а затем и основой для технологического суверенитета и экспорта.
— Кибербезопасность и «цифровой иммунитет». Рост связанности и автономии систем резко увеличивает поверхность для кибератак. В ответ формируется парадигма «цифрового иммунитета», предполагающая встраивание защиты (англ. security-by-design) на всех уровнях — от микросхемы до облачной платформы. Акцент смещается на прогнозируемую безопасность с использованием ИИ для обнаружения аномалий, защиту цепочек поставок программного обеспечения и обеспечение отказоустойчивости критической инфраструктуры. Ожидается, что мировой рынок кибербезопасности, по оценке Mordor Intelligence, к 2030 году вырастет до $423 млрд долларов США, а среднегодовой темп роста составит 12,45% [18].
— Трансформация труда и культура непрерывного обучения. Цифровая трансформация кардинально меняет ландшафт занятости. Согласно отчету Всемирного экономического форума, к 2030 году ожидается создание 170 млн новых рабочих мест и исчезновение 92 млн рабочих мест (что приведет к чистому росту на 78 миллионов рабочих мест — это 7% от общей занятости на сегодняшний день к 2030 году), при этом 39% навыков работников потребуют обновления (через непрерывное обучение, повышения квалификации и переквалификацию). На первый план выходят спрос на специалистов в области ИИ и больших данных, кибербезопасности, робототехники, а также на «зеленые» профессии. Ключевым ответом на процессы цифровой трансформации становится стратегия переквалификации и перераспределения, причем 94% компаний видят в этом способ сохранить ценные кадры. Культура компании, готовность к изменениям и человекоцентричный подход, инвестирующий в благополучие и развитие сотрудников, становятся критическими факторами успеха не только трансформации промышленности, но и экономик мира [19].
Таким образом, текущий анализ основных направлений показывает, что цифровая трансформация промышленности к 2035 году примет характер системной перестройки, движимой конвергенцией технологий и необходимостью ответа на глобальные вызовы. Магистральным трендом станет переход от автоматизированных фабрик Индустрии 4.0 к устойчивым, человекоцентричным экосистемам Индустрии 5.0, где технологический прогресс измеряется не только экономической эффективностью, но и социальным благополучием, устойчивостью и суверенитетом.
Таблица 1. Сравнительная характеристика парадигм Индустрии 4.0 и Индустрии 5.0
Успех в этой новой реальности будет определяться не столько скоростью внедрения отдельных инноваций, сколько способностью организаций и обществ к комплексной адаптации, формированию гибких платформенных архитектур, инвестициям в непрерывное обучение персонала, построению доверия в условиях автономных систем и выстраиванию устойчивых партнерств в условиях фрагментирующегося мира. Будущее промышленности принадлежит тем, кто сумеет гармонично соединить мощь конвергентных технологий с креативностью, адаптивностью и ценностями человека.
На текущий момент времени, можно выделить два системных аспекта, лежащих в основе текущих тенденций цифровой трансформации промышленности Российской Федерации до 2035 года:
— Эволюция роли государства, бизнеса и образования. Государство последовательно смещает роль с «главного заказчика» на «архитектора экосистемы» и «создателя правил». Его ключевыми задачами становятся [20,21]:
— Формирование стандартов и новых регуляторных правил. Определение методик импортозамещения, требований к совместимости ПО, отраслевых моделей данных.
— Стимулирование спроса и предложения. Налоговые льготы для внедряющих отечественное программное обеспечение, грантовая поддержка разработчиков программно — аппаратных комплексов (особенно в сфере ИИ).
— Создание инфраструктуры для кооперации. Развитие индустриальных центров компетенций и консорциумов. Бизнес и высшие научные заведения, в свою очередь, берут на себя роль активных соисполнителей и источников инноваций.
— Кадры и компетенции, как главный вызов. Успех цифровой трансформации во многом зависиь от «человеческого капитала». Потребуются не просто ИТ-специалисты, а люди с гибридными навыками: инженеры — архитекторы промышленных систем автоматизации и цифровых экосистем (например, работающих на стыке создания систем автоматизации промышленного интернета вещей и интеграции их в цифровые экосистемы сетевых предприятий), инженеры — программисты — профильные специалисты (например, работающих на стыке технологий промышленного интернета вещей и периферийного искусственного интеллекта в определенной отрасли), специалисты по кибербезопасности автоматизации технологических процессов, и многие другие. Создание комфортных условий непрерывного обучения, повышения квалификации и переквалификации специалистов потребует перестройки образовательных программ и масштабных программ переподготовки [22,23].