Читать бесплатно онлайн книгу автора  Интеллектуальные системы на службе заводов: как предсказать поломку и сэкономить миллионы. Технологии умных фабрик и прогнозируемое обслуживание. Монография

Александр Чесалов

Оглавление

От Автора

«Наука должна заниматься тем, чего „не может быть“, а то, что „может быть“, — это уже не наука, а технология», — советский физик, инженер и инноватор, Академик АН СССР, нобелевский лауреат Петр Леонидович Капица.

Добрый день, дорогие друзья и коллеги!

Представляю вам свою новую и полную научно-исследовательскую работу на тему «Интеллектуальные системы на службе заводов: как предсказать поломку и сэкономить миллионы».

В 2024 — 2025 году я побил все свои личные рекорды по посещению мероприятий и публичным выступлениям на конференциях по искусственному интеллекту (ИИ). По моим скромным подсчетам, их было более тридцати. Должен отметить, что большинство тем моих докладов были тесно связаны с задачами промышленной автоматизации и внедрением новых технологий ИИ в промышленности. И, это было совсем не случайно…

На тот момент времени, я закончил работу над проектом «Создание интеллектуальной платформы и цифровых сервисов передачи, обработки и верификации гетерогенных данных «умного» оборудования неразрушающего контроля в режиме реального времени для устройств промышленного Интернета вещей». Этот проект я делал для АО «Научно-исследовательского института интроскопии МНПО «СПЕКТР». Он реализовывался в рамках Федерального проекта «Цифровые технологии» Национальной программы «Цифровая экономика Российской Федерации» (Паспорт Программы утвержден протоколом заседания президиума Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам от 04.06.2019 №7).

Источник финансирования Проекта — грант Российского фонда развития информационных технологий (РФРИТ) в счет субсидии из федерального бюджета согласно Постановлению Правительства РФ от 03.052019 №550 «Об утверждении Правил предоставления субсидии из федерального бюджета Российскому фонду развития информационных технологий на поддержку проектов по разработке и внедрению российских решений в сфере информационных технологий» (данная информация будет вам полезна, если вы заходите сделать большой ИТ-проект, но у вас недостаточно возможностей и финансовых ресурсов).

Должен отметить, что это был уникальный опыт, который позволил мне, совместно с талантливыми коллегами из НИИИН «СПЕКТР», превратить идею цифровизации института в концепцию его цифровой трансформации, что, в последствии, повлекло за собой рождение нового проекта (о котором и идет речь). В ходе его реализации, мы провели огромную работу по анализу рынка, разработали новую архитектуру платформы, подобрали отечественную компонентную базу для производства программно-аппаратного комплекса, определили пути модернизации «умных» устройств неразрушающего контроля, разработали план развития платформы, стратегию ее продвижения на рынок, и многое, многое другое. И наконец, представили проект в более чем восьмидесяти организациях. Нужно отметить, что его поддержали основные лидеры рынка и разработчики устройств неразрушающего контроля. В результате, к нам присоединились двенадцать технологических партнеров, а также выразили свою заинтересованность в пилотировании решения и его покупке девять крупных промышленных заказчиков.

После завершения этого проекта, которому, без малого, отдал полтора года, я решил начать работу над своей новой книгой «Генеративный искусственный интеллект #Forge&flux».

Как вам, возможно, известно, когда собираешь материал для книги или статьи, приходится читать и анализировать огромное количество информации. И, в результате изучения очередного аналитического отчета, у меня окончательно сформировалось устойчивое мнение, что наиболее перспективным, с точки зрения инвестиций и темпов развития технологий, на момент 2024 года, является рынок генеративного искусственного интеллекта.

Этот факт дополнительно укрепил мое желание продолжить работу над книгой, которая подробно рассказывала читателю о принципах работы системы генеративного искусственного интеллекта Stable Diffusion WebUI Forge и о том, как с ее помощью можно создавать невероятно красивые изображения.

Продолжая свои исследования и углубляясь в поиск перспективных направлений развития и применения искусственного интеллекта, я пришел еще к одному интересному для себя выводу, что в ближайшие десять лет рынок ИИ в промышленности догонит, а возможно и обгонит, рынок генеративного ИИ. По моему скромному мнению, это произойдет по двум основным причинам. Первая заключается в том, что нет перспективнее направления, чем промышленность, вне зависимости от отрасли экономики. В ней есть огромная потребность в решении, условно говоря, бесчисленного числа прикладных задач автоматизации. Вторая причина заключается в том, что в ближайшие годы произойдет синергетический эффект от интеграции технологий генеративного ИИ в промышленный ИИ. Этот процесс вызовет целый ряд непростых технологических, технических и этических проблем. Резко возрастут риски, связанные с промышленной и информационной безопасностью. Тем не менее, со временем, риски уменьшатся, проблемы будут решены, и интеграция произойдет.

Есть еще и третья причина (которая стоит особняком от двух других). Суть ее заключается, как это модно сейчас говорить, в «цифровом неравенстве» и «цифровом разрыве», который на сегодняшний день имеется между отечественными разработчиками программного и аппаратного обеспечения, и мировыми ИТ-лидерами. Это «неравенство» или «разрыв» с каждым годом продолжает усиливаться. Для кого-то — это, возможно, катастрофа. На мой взгляд — это окно возможностей, которое позволит создать новые, уникальные и эффективные решения, может быть, даже, не имеющие аналогов в мире.

Нужно отметить, что для промышленности, в целом, существуют несколько основных направлений работ, к которым относятся, в том числе: автоматизация заводов, планирование производства и прогнозирование спроса на продукцию, контроль качества продукции, контроль промышленной безопасности, прогнозируемое обслуживание и многие другие. Сегодня, эти направления требуют проведения новых научно-исследовательских работ, разработки новых архитектурных решений и создания программно-аппаратных комплексов, на основе прорывных технологий, отечественного программного обеспечения и микроэлектронной базы.

Меня, в свою очередь, очень заинтересовало и увлекло направление прогнозируемого (англ. Predictive Maintenance, PdM) и предписывающего обслуживания (англ. Prescriptive Maintenance), а также, связанные с ними, вопросы разработки промышленных интеллектуальных автоматизированных систем прогнозируемого / предписывающего обслуживания.

Обратите внимание на то, что последовательность слов «промышленных», «интеллектуальных» и «автоматизированных» здесь очень точна и важна, потому-то она отражает современную тенденцию или, можно так сказать, вектор развития в данной области науки и техники. Именно эта тенденция и вектор развития, по моему мнению, способствует тому, что в ближайшие годы системы прогнозируемого или предписывающего обслуживания станут рекордсменами по использованию новых технологий ИИ.

Книга, которую вы держите в руках — это некая квинтэссенция знаний и практический опыт, полученный мной в период с 2022 по 2026 годы, которым я хотел бы поделиться с вами. В ней изложены предложения и, даже, высказаны некоторые смелые идеи в отношении развития направления прогнозируемого обслуживания. Чего стоит только глава «Применение ИИ для реализации алгоритмов потенциала негативности рассогласования в промышленных автоматизированных системах». В ней исследуются вопросы применения технологий ИИ для реализации уникальных алгоритмов, созданных на основе процессов обработки сенсорной информации в мозге человека, которые происходят без участия сознательных усилий и фокусировки внимания, так называемого феномена, который называется «потенциал негативности рассогласования». Но, не будем забегать вперед.

Данная книга написана для широкого круга читателей. Она позволит ученым и инженерам ускорить процесс поиска оптимальных путей решения задач проектирования и создания автоматизированных систем прогнозируемого или предписывающего обслуживания. Книга будет также полезна руководителям предприятий. Они смогут детально разобраться в предметной области, понять, насколько непростой является задача автоматизации прогнозируемого обслуживания, почему необходимо инвестировать значительные финансовые средства в ее решение, и какой экономический эффект будет от ее реализации. Практика показывает, что затраты на ремонт и устранение неполадок (в особенности, если эти затраты связаны с остановкой всего производства или устранением последствий катастроф) очень часто превышают затраты на внедрение и эксплуатацию автоматизированной системы. Заслуживает внимания тот факт, что эффект от внедрения интеллектуальных систем прогнозируемого или предписывающего обслуживания на промышленных предприятиях (согласно исследованиям Министерства энергетики США «O&M (operations and maintenance) Best Practices Guide, Release 3.0») может повысить экономию затрат на 30—40%, увеличить рост производительности на 20—25%, сократить расходы на техническое обслуживание на 25—30%, сократить время простоя на 35—45%, устранить поломки на 70—75%, и многое другое. Оказывается, что этот «сказочный» эффект действительно возможен для предприятий, которые ранее использовали только профилактическое обслуживание [[1]]. А почему он сказочный, да потому, что любой реальный руководитель промышленного предприятия вам скажет, что рост производительности на 3—5% или экономия затрат на 5—10% — это уже хорошее достижение. Тем не менее, как мы можем видеть, существуют очень смелые оценки.

Хочется надеяться, что в результате прочтения книги, вы придете к мнению о том, что интеграция новых технологий ИИ с производственными системами позволяет создавать новые интеллектуальные производственные среды и цифровые экосистемы, способные адаптироваться к внутренним и внешним изменениям, и оптимизировать внутренние и внешние процессы управления и производства в реальном времени. Это, в свою очередь, рано или поздно, приведет нас к пониманию необходимости создания и развития концепции сетевых предприятий и реализации «умных» фабрик будущего.

Весь материал в книге подобран и структурирован таким образом, чтобы читатель мог начать читать ее практически с любой главы. Каждая глава книги прошла рецензирование. Основные положения исследований были опубликованы в научных журналах из перечня Высшей аттестационной комиссии (ВАК) (возможно, именно по этой причине, стиль изложения материала может показаться вам близким к научному). Нужно отметить, что книга не состоит из научных статей, а совсем наоборот, статьи появились из глав книги (это трудоемкий процесс, требующий предельной концентрации в работе, но очень интересный и увлекательный). Практическим результатом работы являются разработанные программы для ЭВМ, на которые получены свидетельства о государственной регистрации (Приложения 1 — 2).

P.S.

Изображение робота нарисовано автором данной книги в системе Stable Diffusion WebUI Forge. О том, как это делается вы можете узнать из моей книги «Генеративный искусственный интеллект #Forge&flux. Учебное пособие для школьников старших классов и студентов первых курсов вузов».

Приятного вам чтения и продуктивной работы!

Ваш Александр Чесалов.

 .O&M Best Practices Guide, Release 3.0 [Электронный ресурс]. 2025 — URL: https://www1.eere.energy.gov/femp/pdfs/OM_5.pdf (дата обращения: 06.09.2025)

Благодарность

Выражаю глубокую благодарность всем тем людям, которые вдохновили меня своим примером, поддержали в моих исследованиях и помогли мне поверить в свои силы, чтобы провести работу над накопленным за последние годы теоретическим материалом и практическим опытом, а также написать и издать эту книгу.

Особую благодарность выражаю:

• Моему Учителю, научному руководителю, заведующему кафедрой «Информационные системы» с 1994 года и по настоящее время Тверского государственного технического университета, заслуженному работнику высшей школы Российской Федерации, доктору технических наук, профессору Борису Васильевичу Палюху.

• Члену Совета при Президенте Российской Федерации по науке и образованию, ректору МГТУ им. Н. Э. Баумана, кандидату технических наук Михаилу Валерьевичу Гордину.

• Почетному работнику сферы образования РФ, проректору МГТУ им. Н. Э. Баумана по науке и цифровому развитию, заведующему кафедрой ИБМ6, доктору экономических наук, профессору Павлу Анатольевичу Дроговозу.

• Директору по стратегии МГТУ им. Н. Э. Баумана, доценту кафедры ИБМ6 Елене Евгеньевне Литвиновой.

• Декану факультета «Информатика и системы управления» МГТУ им. Н. Э. Баумана, доктору технических наук, профессору Андрею Викторовичу Пролетарскому.

• Заведующему кафедрой прикладной информатики и информационной безопасности Российского экономического университета им. Г. В. Плеханова, доктору экономических наук, профессору Юрию Филипповичу Тельнову.

Выражаю благодарность всем ученым, которые поддержали меня в моей инициативе опубликовать монографию, нашли время на ознакомление с данной работой, высказали свои пожелания и замечания, и подготовили на нее свои рецензии, а именно:

• Заместителю директора по научной работе, доктору технических наук, члену-корреспонденту РАН Института автоматики и процессов управления ДВО РАН Валерии Викторовне Грибовой.

• Президенту Российской ассоциации искусственного интеллекта, доктору технических наук, профессору кафедры «Вычислительная техника» филиала ФГБОУ ВО «НИУ «МЭИ» в г. Смоленске Вадиму Владимировичу Борисову.

• Доктору технических наук, профессору кафедры «Технологии приборостроения» (РЛ6) МГТУ им. Н. Э. Баумана, главному редактору Журнала «Нанотехнологии: разработка, применение — XXI век» Александру Григорьевичу Гудкову.

• Доктору технических наук, профессору кафедры автоматизированных систем управления РГУ нефти и газа (НИУ) имени И. М. Губкина Юрию Петровичу Степину.

Благодарю редакторов журналов: «Открытое образование», «Автоматизация в промышленности», «Нейрокомпьютеры: разработка, применение», «Динамика сложных систем — XXI век», «Современная наука», «Информационные технологии и вычислительные системы» из списка ВАК, а также моих рецензентов и консультантов за неоценимую помощь.

Об авторе

Александр Юрьевич Чесалов родился 10 февраля 1977 года в городе Тверь, Российская Федерация.

Экономист по образованию со специализацией «Информационные системы в экономике». Окончил с отличием Тверской Государственный Технический Университет. Защитил докторскую диссертацию на тему «Методология определения операционных характеристик и рациональной структуры региональных распределенных сервисных сетей передачи, обработки и хранения данных».

С 2009 года основатель и руководитель ИТ-компании «Программные системы Атлансис» («Atlansys Software»), которая является одним из лидеров российского рынка в области разработки систем промышленной автоматизации и кибербезопасности (сайт компании: www.atlansys.tech).

В 2021 году был приглашен в МГТУ им. Н. Э. Баумана для создания Центра искусственного интеллекта. Работает там же, по настоящее время, в качестве эксперта по стратегии программы «Приоритет 2030» и руководителя проекта «Королев ИИ».

Имеет сертификаты в области ИТ и искусственного интеллекта: IBM Professional certificate foundations of AI; IBM Professional certificate Essential Technologies for Business; Rutgers the State University of New Jersey: New Technologies for Business Leaders; University of London; Deeplearning.ai; Microsoft Azure; BSI ISO/IEC 27001; IBM DB2; IBM Lotus Domino и другие.

Александр Юрьевич ведет активную экспертную деятельность. Он является членом Экспертного совета при Комитете Государственной Думы по науке и высшему образованию по вопросам развития информационных технологий в сфере образования и науки, а также членом Российской ассоциации искусственного интеллекта (РАИИ). Спикер TEDx.

Автор более тридцати пяти книг. Среди них наиболее известны следующие: «Как создать центр искусственного интеллекта за 100 дней»; «Генеративный искусственный интеллект #Forge&flux»; «Невероятный искусственный интеллект Easy Diffusion 3.0»; «Интеллектуальные системы на службе заводов: как предсказать поломку и сэкономить миллионы»; «Цифровая экосистема Института омбудсмена: концепция, технологии, практика»; «Глоссариум по искусственному интеллекту: 2500 терминов»; «Методология построения распределенных сетей передачи, обработки и хранения данных» в двух томах, и многие другие.

Блог автора: chesalov.com

Краткое содержание книги

Глава 1. Основные технологические направления цифровой трансформации промышленности Российской Федерации до 2035 года

В данной главе проводится комплексный анализ ключевых мировых трендов, определяющих траекторию цифровой трансформации промышленности на ближайшее десятилетие. На основе синтеза данных международных исследований и прогнозов аналитических агентств, выявляются три взаимосвязанных вектора развития: технологическая конвергенция (искусственный интеллект, интернет вещей, цифровые двойники), фундаментальная перестройка производственных моделей (переход к гиперавтоматизированным и человекоцентричным системам) и ответ на макровызовы (технологический суверенитет, кибербезопасность, трансформация рынка труда). Также, в статье выделены и проанализированы пять фундаментальных технологических направлений, определяющих траекторию цифровой трансформации промышленного комплекса Российской Федерации до 2035 года. На основе анализа текущего состояния экономики, стратегических документов и глобальных трендов обосновывается ключевая роль: промышленного искусственного интеллекта; технологии цифровых двойников; промышленного интернета вещей и периферийных вычислений; аддитивных и гибридных производственных технологий; платформенных решений и экосистем. Исследование фокусируется на специфике их внедрения в условиях импортозамещения, необходимости обеспечения технологического суверенитета и трансформации кадрового потенциала. Делается вывод о том, что успех цифровой трансформации промышленности России к 2035 году будет определяться не одной «прорывной» технологией, а синергией пяти ключевых технологических направлений.

Глава 2. Роль современных технологий искусственного интеллекта (ИИ) в создании и развитии автоматизированных систем прогнозируемого и предписывающего обслуживания.

Основная цель данной главы заключается в определении основных информационно-технологических направлений и технологий, которые необходимо создавать, развивать и использовать в современных автоматизированных системах прогнозируемого и предписывающего обслуживания в промышленности.

В ней сформирован перечень приоритетных производственных задач автоматизации во взаимосвязи с современными технологиями и технологиями искусственного интеллекта (ИИ) в условиях перехода от концепции цифровой экономики к экономике данных. Выполнен анализ возможности интеграции ИИ с такими системами, как система управления производством, система управления активами предприятия, система планирования ресурсами, система управления качеством продукции, компьютеризированной системой управления техническим обслуживанием.

Глава 3. Базовый подход к созданию автоматизированных систем прогнозируемого обслуживания в промышленности.

В главе исследуются современные подходы к созданию автоматизированных систем прогнозируемого и предписывающего обслуживания. Делается основной акцент на необходимость применения технологий ИИ для их создания, эксплуатации и развития. Указывается необходимость совместного применения методов нейронных сетей и теории свидетельств Демпстера–Шафера, в части уменьшения уровня неопределенности входных данных и увеличения уровня доверия к выходным данным. Предложены два базовых варианта архитектуры автоматизированных систем прогнозируемого / предписывающего обслуживания. Приведены данные об эффективности применения автоматизированных систем прогнозируемого и предписывающего обслуживания в промышленности.

Глава 4. Концептуальная архитектура автоматизированной системы прогнозируемого обслуживания с использованием перспективных технологий ИИ.

Данная глава является логическим продолжением предыдущий. В ней представлена концептуальная конвергентная архитектура автоматизированной системы прогнозируемого / предписывающего обслуживания, созданная с учетом применения новых технологий ИИ.

Предлагаемое архитектурное решение состоит из пяти основных логических уровней (условно, подсистем) и их функциональных модулей, позволяющих собирать и обрабатывать данные для решения широкого спектра производственных задач.

В данной главе, при разработке концептуальной архитектуры, особое внимание уделено перспективным технологиям, которые систематизированы и распределены по соответствующим им уровням автоматизированной системы. При проектировании архитектуры, учтены гибридные подходы, сочетающие принципы, основанные на управлении данными и физические принципы работы устройств промышленного интернета вещей и промышленного оборудования.

Глава 5. Тенденции развития технологий периферийного ИИ (Edge AI) в автоматизации технологических процессов.

Основная задача, которая ставится в этой главе — это всестороннее изучение возможности широкого применения периферийного искусственного интеллекта (англ. Edge AI) в автоматизации технологических процессов в промышленности, в рамках предложенной ранее концептуальной архитектуры автоматизированной системы прогнозируемого / предписывающего обслуживания.

Результаты проведенного анализа показывают, что для решения актуальных задач промышленной автоматизации необходимо внедрять и развивать технологии периферийного искусственного интеллекта в тесной взаимосвязи с интеграцией их со скоростными сетями передачи данных нового поколения, интеллектуальными системами диагностики и автономными системами поддержки принятия решений.

Глава 6. Решение задачи снижения неопределенности данных на уровне сбора и агрегации данных в автоматизированных системах прогнозируемого обслуживания.

В рамках продолжения исследования использования периферийного ИИ в промышленности, в данной главе представлена базовая математическая модель снижения неопределенности данных, поступающих с периферийных устройств (датчиков, шлюзов и других) промышленного Интернета вещей, обрабатываемых в системах прогнозируемого обслуживания, разработанная на основе теории свидетельств Демпстера–Шафера, которая позволяет повысить точность прогнозов состояний работы эксплуатируемого оборудования, а также внести необходимые уточнения в графики и расписания проведения различных видов работ, необходимых для поддержания оборудования в рабочем состоянии. Представленная базовая модель хорошо подходит для малодостоверных или неоднозначных показаний датчиков.

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. 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 11. 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 12. 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 13. 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.

Тем не менее, 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 [[1],[2],[3],[4]].

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) [[5],[6],[7],[8]].

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) [[9],[10]]. 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) [[11]]. 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) [[12],[13]]. 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 [[14]]. 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% [[15]].

— 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% [[16]].

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% [[17]].

— 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, станов