ИИ должен не угадывать аварию, а помогать ее предотвратить

Незапланированная остановка оборудования на крупном промышленном предприятии — это не просто техническая проблема. За отказом насоса, компрессора или системы контроля могут стоять часы простоя, нарушение производственного цикла, дорогостоящий ремонт и, в случае опасного производства, риски для людей и окружающей среды. Поэтому промышленность постепенно переходит от ремонта уже возникших неисправностей к попытке предсказать их заранее.

Фото: из личного архива Данияра Киргизбаева

Данияр Киргизбаев, руководитель службы контрольно-измерительных приборов

Искусственный интеллект расширяет возможности такого подхода: он способен анализировать огромные массивы данных с датчиков, историю ремонтов, режимы эксплуатации, вибрацию и температуру, находя взаимосвязи, которые трудно увидеть при ручном анализе. Но сам по себе ИИ не делает производство надежнее: ему нужны качественные данные, корректно выстроенная инфраструктура и специалисты, которые понимают, что происходит с оборудованием.

О том, как меняется техническое обслуживание нефтегазовых предприятий и где заканчиваются возможности алгоритмов, Pravda.ru поговорила с Данияром Киргизбаевым, руководителем службы контрольно-измерительных приборов. Его опыт в нефтегазовой отрасли насчитывает почти три десятилетия. Он управлял системами измерений на трех нефтеперерабатывающих заводах, где общее количество приборов достигало 100 тысяч, руководил аккредитованной метрологической лабораторией и работал как с постсоветскими стандартами, так и с западными промышленными практиками.

— Данияр, почему промышленности понадобился переход к предиктивному техническому обслуживанию? Разве традиционного планового ремонта недостаточно?

— Планово-предупредительное обслуживание остается необходимым, но у него есть ограничение: оборудование обслуживается по заранее установленному графику, а не обязательно в тот момент, когда ему действительно требуется вмешательство.

Реальное состояние оборудования зависит не только от времени эксплуатации. Важны нагрузка, температура, режим работы, качество сырья, окружающая среда и множество других факторов.

Исторически можно выделить несколько этапов. Сначала оборудование ремонтировали после отказа. Затем стали обслуживать по регламенту. Следующим шагом стало обслуживание по техническому состоянию, когда решение принималось на основании измерений и диагностики. Предиктивный подход идет дальше: система пытается определить вероятность будущего отказа заранее.

При этом предиктивное обслуживание существовало задолго до современного искусственного интеллекта. Инженеры всегда анализировали историю оборудования, температуру, вибрацию, наработку, результаты осмотров и делали прогнозы. Просто раньше возможности такого анализа были значительно меньше.

— Что изменилось с появлением машинного обучения и современных AI-систем?

— Прежде всего масштаб анализа. 15-20 лет назад инженер мог выгрузить данные из SCADA, открыть Excel, посмотреть, когда насос ремонтировался, сколько часов отработал, какая была температура, какие замечания оставляли операторы. На основании опыта специалист делал вывод, например, что через некоторое время стоит проверить или заменить подшипник.

Сегодня можно одновременно учитывать сотни тысяч измерений, историю ремонтов, режимы эксплуатации, данные вибродиагностики, результаты анализа масла, журналы операторов, погодные условия, качество сырья и информацию о запасных частях. Человек не способен постоянно сопоставлять такое количество параметров, а алгоритмы машинного обучения могут искать закономерности непрерывно.

Например, небольшое увеличение вибрации или изменение температуры на несколько градусов по отдельности может не выглядеть тревожным сигналом. Но если определенная последовательность изменений вибрации, температуры и нагрузки двигателя неоднократно предшествовала отказу подшипника, модель способна обнаружить такую зависимость. В этом и дополнительная ценность ИИ: он помогает находить связи, которые при обычном анализе легко пропустить.

— Значит, инженер теперь должен контролировать решения алгоритма?

— Я бы сказал, что инженер становится еще более важным звеном. Искусственный интеллект не знает производственный процесс сам по себе. Он может обнаружить статистическую закономерность, но инженер должен понять, имеет ли она физический и технологический смысл.

Нельзя автоматически считать найденную связь причиной отказа. Это может быть совпадение, следствие другого процесса или особенность конкретного режима работы. Поэтому я не рассматриваю ИИ как замену специалисту. Его задача — расширить возможности инженера. В нефтегазовой отрасли речь идет не только о стоимости ремонта, но и о технологической безопасности, экологических рисках, качестве продукции и непрерывности производства.

— Какие данные нужны для работы таких систем и насколько критично качество измерений?

— Одного источника недостаточно. Это могут быть SCADA-системы, распределенные системы управления, программируемые логические контроллеры, исторические базы технологических данных, системы управления активами и техническим обслуживанием, промышленные IoT-датчики. Важны также данные вибрационного мониторинга, тепловизионного контроля, промышленных анализаторов, информация о ремонтах и результаты лабораторных исследований.

Но если исходные данные плохие, искусственный интеллект не исправит ситуацию автоматически. Если датчик неисправен, измерения проводились нерегулярно, история ремонтов неполная или данные из разных систем невозможно сопоставить, модель будет учиться на искаженной картине.

Я много лет работаю с контрольно-измерительными приборами и понимаю, насколько важно не просто получить цифру, а быть уверенным в ее достоверности. Если система показывает определенную температуру, давление или расход, инженер должен понимать, насколько значение соответствует реальности. Иначе мы получим сложную аналитику, которая с высокой скоростью обрабатывает неправильные данные. Поэтому внедрение ИИ начинается не с выбора модной нейросети, а с вопроса: какие данные у нас есть и насколько им можно доверять.

— Какие объекты особенно перспективны для предиктивного обслуживания и почему нельзя сразу охватить все предприятие?

— В первую очередь критичное оборудование, отказ которого способен серьезно повлиять на производство. Это насосы, компрессоры, газовые и паровые турбины, теплообменное оборудование, электродвигатели, запорно-регулирующая арматура, газоанализаторы, системы КИПиА.

Но промышленное предприятие — не единый информационный объект. Там множество систем, созданных в разные годы, разными производителями и для разных задач. Есть современные платформы, есть устаревшее оборудование, которое нельзя просто заменить без остановки производства. Нужно учитывать и кибербезопасность: подключить аналитику к промышленной инфраструктуре — не то же самое, что установить приложение на обычный компьютер.

Поэтому разумнее выбрать несколько наиболее критичных единиц оборудования, собрать качественную историю, при необходимости установить дополнительные датчики, провести пилот и проверить, действительно ли система прогнозирует события с приемлемой точностью. Только после этого масштабировать решение.

— Как понять, что ИИ действительно помогает, а не просто красиво демонстрирует графики и прогнозы?

— Нужны измеримые результаты. Насколько снизилось количество незапланированных остановок, сократилось ли время диагностики, изменились ли расходы на обслуживание, уменьшилось ли количество аварийных ремонтов, насколько оптимизировался запас запасных частей.

Важен и показатель качества прогноза. Если система постоянно выдает предупреждения, которые ни к чему не приводят, инженеры перестанут ей доверять. Ложные срабатывания могут быть не менее проблемными, чем пропущенные отказы. В промышленности нельзя строить систему по принципу "пусть лучше предупредит обо всем": если предупреждений слишком много, специалист перестает воспринимать их как действительно важные.

— ИИ должен не только предсказывать отказ, но и помогать понять, что делать дальше?

— Именно. Раньше основной вопрос был в том, что произошло, затем мы научились спрашивать, почему это произошло, следующий уровень — что вероятнее всего произойдет. А сейчас все чаще возникает вопрос: "Что нужно сделать прямо сейчас, чтобы это вообще не произошло?"

Это переход от описательной аналитики к диагностической, затем к предиктивной и дальше к предписывающей. Система не просто говорит: "Вероятность отказа увеличилась". Она должна помогать инженеру принять решение: проверить конкретный узел, изменить режим работы, провести диагностику, заменить деталь. При этом последнее слово в критических процессах должно оставаться за специалистом.

— Какие технологии будут развивать это направление и что сегодня мешает внедрению ИИ в промышленности?

— Перспективны цифровые двойники оборудования, периферийный искусственный интеллект, когда обработка данных происходит рядом с источником, компьютерное зрение, генеративный ИИ и большие языковые модели.

Языковая модель потенциально может стать помощником инженера: находить информацию в технической документации, сопоставлять историю ремонтов, анализировать журналы и формировать предварительные рекомендации. Но нельзя просто дать модели доступ к огромному массиву технической информации и считать, что она автоматически стала промышленным экспертом.

Проблема внедрения комплексная: качество данных, устаревшие системы управления, сложность интеграции, кибербезопасность, нехватка специалистов, которые одновременно понимают производство и современные методы анализа. Есть и вопрос объяснимости. Если модель говорит, что вероятность отказа выросла, инженер должен понимать хотя бы основные факторы, которые привели к такому выводу. В критических производствах недостаточно ответа "так решила нейросеть".

— Вы управляли измерительными системами на трех нефтегазоперерабатывающих заводах. Как этот опыт влияет на ваше отношение к цифровизации?

— Наверное, главное — он заставляет осторожно относиться к красивым обещаниям. Когда отвечаешь за 100 тысяч измерительных приборов на трех нефтеперерабатывающих заводах, понимаешь, что любая цифровая система в итоге упирается в физический мир.

Есть датчик, трубопровод, насос, компрессор, температура, давление, вибрация. И если измерение не соответствует реальному процессу, никакая сложная аналитика не создаст достоверный результат. За 28 лет я прошел разные этапы — от пусконаладки до управления. Поэтому для меня цифровизация — не замена существующей инженерной культуры, а ее развитие.

— Если предприятие только начинает внедрять ИИ для предиктивного обслуживания, с чего вы посоветовали бы начать?

— Не с попытки сразу построить огромную платформу. Я бы выбрал пять-десять наиболее критичных единиц оборудования и сначала ответил на несколько вопросов: какие отказы для нас наиболее опасны, какие данные уже есть, насколько они качественные, какие дополнительные измерения необходимы и какой результат мы хотим получить.

Дальше — пилотный проект, проверка прогнозов на реальных данных и оценка экономического эффекта. Очень важно объединить специалистов по эксплуатации, КИПиА, надежности оборудования и анализу данных. Каждый видит только часть картины, а предиктивное обслуживание требует соединить эти знания. После запуска работу нельзя считать законченной: модели необходимо проверять и дообучать на новых данных.

— Получается, главный эффект ИИ в промышленности не в том, что машина заменяет инженера?

— Нет, его ценность в способности дать инженеру гораздо больше информации для принятия решения и сделать это раньше. Если раньше специалист мог увидеть проблему, когда она уже начала проявляться, то теперь система потенциально способна обнаружить слабый сигнал задолго до отказа.

Для нефтегазовой отрасли это особенно важно. Один незапланированный простой критически важного оборудования может иметь очень высокую стоимость, а цена ошибки может измеряться не только деньгами.

Конечная цель внедрения искусственного интеллекта — не сам ИИ, а более надежное, безопасное и предсказуемое производство. Если система помогает инженеру вовремя увидеть то, что раньше было практически невозможно обнаружить, и принять решение до возникновения отказа, тогда цифровая технология действительно начинает работать на промышленность.