Суть проблемы: Обучение ИИ-моделей предиктивного обслуживания требует эмпирических данных о редких критических отказах оборудования, которые на реальном производстве накапливаются годами.

У кого есть проблема: Промышленные предприятия, разработчики систем PdM и вендоры SCADA/MES-систем.

Признаки и потери: Час простоя оборудования стоит от 19 до 167 млн руб. (20% аварий из-за неготовности персонала к ЧП). Универсальные LLM галлюцинируют в 25% случаев, а классический RAG требует готовых баз данных, которых у заводов нет. Без решения системы PdM внедряются «вслепую».

Значимость для страны & НПТЛ: ПП РФ № 1912 обязывает объекты КИИ перейти на доверенные отечественные комплексы, что требует сотен часов стресс-тестов без рисков для реальных производств. Проект соответствует нацпроекту «Средства производства и автоматизации».

Продукт: локальный софт (контейнер до 15 ГБ) для автономной генерации физически достоверных данных об авариях. Экспорт результатов: JSON, CSV, XML, OPC UA.

Техническое решение (Seed-RAG): Авторская инвертированная архитектура. Автономно извлекает из технической документации структурные ограничения («семена») и на их основе генерирует сценарии аварий, не описанные в исходных текстах.

1. Агент-генератор - создает сценарии на базе Seed-RAG.

2. Агент-верификатор - детерминированно проверяет данные по законам

физики и регламентам, целевое снижение доли ошибок до ≤2%.

3. Агент-редактор - переводит данные в промышленные форматы.

Инновационность: Переход от вероятностной генерации текста к физически информированному синтезу . Полное локальное развертывание (Astra Linux, РЕД ОС) без утечки данных в облако.

Научно-технический задел: Архитектура Seed-RAG уже успешно апробирована в образовательной среде. Имеется 2 публикации в РИНЦ по динамической генерации кейсов и многоагентным системам. Проработана бизнес-модель, проведены первичные переговоры с машиностроителями.

На страницу проекта