Данная система предиктивной аналитики будет предназначена для промышленных станков, она предупреждает о поломках и сбоях оборудования заблаговременно до их возникновения. При помощи недорогих IoT-датчиков на оборудовании, собираются данные о вибрации, температуре, нагрузке и других показателях, а система на основе алгоритмов машинного обучения выявляют скрытые признаки деградации узлов. Заводы получают возможность планировать ремонты заранее, заказывать запчасти до того, как они понадобятся, и избегать простоев, которые сегодня обходятся в миллионы рублей. Мы предлагаем перевести обслуживание оборудования с реактивной модели - "Чиним, когда сломалось" на проактивную - "Обслуживаем, когда данные говорят, что пора"

Принципы работы:
На критические узлы станков устанавливаются беспроводные промышленные датчики вибрации, температуры и нагрузки. Данные передаются на локальный Edge-шлюз, который выполняет первичную агрегацию, снижая нагрузку на сеть. Телеметрия хранится в TimescaleDB - специализированной базе данных для временных рядов на базе PostgreSQL или её аналогах.

Аналитическое ядро системы использует трехуровневую модель машинного обучения. Первый уровень - обнаружение аномалий с помощью алгоритмов Isolation Forest и автоэнкодеров, которые выявляют отклонения от нормального паттерна работы оборудования без необходимости в размеченных данных. Второй уровень - классификация типов неисправностей (износ элементов, дисбаланс, ослабление крепления) на основе спектрального анализа вибрации (FFT) и алгоритмов Random Forest/CatBoost. Третий уровень - прогнозирование остаточного ресурса с помощью LSTM-сетей и Transformer-моделей, которые оценивают, сколько моточасов проработает узел до критического отказа.

Система формирует не простое предупреждение, а объяснимый прогноз с физическим обоснованием: текущая степень износа узла, вероятностный диапазон до отказа (например, с вероятностью 85% отказ наступит через 180–240 моточасов), рекомендация по оптимальному времени замены и обоснование на основе данных (рост вибрации на определенной частоте, повышение температуры). Результаты аналитики отображаются на веб-дашборде, а также интегрируются с ERP-системами (1С, SAP) для автоматического создания заявок на ремонт и резервирования запчастей до прогнозируемого отказа.

На страницу проекта