Привет, Хабр!

Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги.

Не устаю повторять почти в каждой статье, связанной с применением искусственного интеллекта, что он сейчас есть везде.

Однако, практика показывает, что большинство крупных и средних компаний не готовы использовать публичные xGPT (и правильно делают!), а вместо этого стараются размещать нейросети в своей инфраструктуре.

Это делается из соображений безопасности, доступности и надежности.

В промышленных сетях все еще интересней.

Здесь размещение в облаке может сделать ИИ практически бесполезным, к примеру, в случае, когда насос заклинит через 200 миллисекунд, а канал связи до дата‑центра упал из‑за грозы.

Поэтому сегодня Edge AI, размещаемый непосредственно в технологической сети предприятия, становится главным трендом в промышленной автоматизации.

В сегодняшней статье мы разберем, на чём его запускать, как не утонуть в зоопарке технологий и с чего начать пилот, который не превратится в «вечный PoC».

По классике, когда мы говорим о промышленной автоматизации, прежде всего стоит вспомнить трехуровневую пирамиду, в соответствии с которой построено большинство инфраструктур предприятий.

Таким образом, классическая автоматизация строилась по иерархии: датчики → ПЛК → SCADA → MES → ERP.

Соответственно, данные текли вверх, а команды вниз, но с появлением дешёвых анализаторов, вибродатчиков, камер высокого разрешения и акустических сенсоров объём данных от них вырос на порядки.

Отправлять все эти данные в облако идея не слишком хорошая по многим причинам. Например, нам придется ставить под угрозу безопасность наших данных, зависеть от стабильности канала и задержек, при их передаче.

Описываемый подход Edge AI предполагает размещение вычислительных мощностей для модели машинного обучения непосредственно на промышленном объекте, например на IPC у станка, на встраиваемом модуле внутри шкафа или на ПЛК нового поколения с AI‑ускорителем.

В результате данные не покидают цех, решение принимается за миллисекунды, а в облако, при необходимости, уходит только агрегированная аналитика и обновления моделей.

Что такое Edge AI в контексте АСУ ТП

Суть концепции Edge Computing заключается в выполнении вычислений на границе сети, максимально близко к источнику данных.

В промышленной иерархии это уровень между ПЛК и SCADA/MES, то есть условно это цепочка датчик → ПЛК → Edge‑устройство → облако.

Естественно, при использовании такого подхода у нас возникают дополнительные ограничения,

Так, промышленный Edge должен работать в антигуманных условиях вибрации и повышенной влажности, температур от -40 до +70 °C, электромагнитных помех и без постоянного присмотра инженера.

То есть никаких «перезагрузи сервер», устройство должно жить годами.

Естественно, размещение тяжелых моделей на оборудовании с такими требованиями будет как минимум очень дорогим, если вообще возможным.

В качестве решения предлагается использовать подмножество Edge AI под названием TinyML.

Оно предназначено для сверхлёгких моделей (несколько килобайт), которые исполняются на микроконтроллерах с потреблением в милливатты, например, для детекции аномалий вибрации прямо на датчике.

Здесь большое значение имеет задержка при обработке сигнала. Представьте конвейер сортировки продукции, на котором камера фиксирует дефект, и модель должна дать команду на отбраковку до того, как деталь уедет на следующую позицию.

А для выполнения такой отбраковки дается окно размером в 50–100 мс, и наше внешнее облако с RTT 200 мс просто не успеет это выполнить.

Или аварийная защита насоса: если модель обнаружит кавитацию, решение нужно принять за десятки миллисекунд, иначе промедление приведет к разрушению рабочего колеса.

Аппаратная платформа или на чём запускать модели

Определившись с общей концепцией, давайте поговорим об оборудовании, которое нам потребуется. Здесь выбор «железа» является компромиссом между производительностью, энергопотреблением, ценой и условиями эксплуатации.

Самые мощные промышленные ПК (IPC) с GPU — это классика для тяжёлых задач компьютерного зрения. Они устанавливаются в шкаф, имеют пассивное или активное охлаждение, широкий температурный диапазон и хорошо подходят для нескольких камер и сложных моделей.

Встраиваемые модули, например NVIDIA Jetson (Orin, Xavier), пожалуй, можно назвать самым популярным выбором для Edge AI. Они дают десятки TOPS производительности при потреблении 10–30 Вт. Обычно такие модули применяются в компактных устройствах, где нет места для IPC.

И наконец, ПЛК нового поколения с AI‑ускорителями являются наиболее перспективным направлением.

Так, Siemens выпустил модуль SIMATIC S7-1500 TM NPU, который представляет собой нейропроцессор, устанавливаемый в стойку ПЛК и выполняющий модели TensorFlow напрямую в цикле управления.

Здесь смысл в том, что модель работает синхронно с логикой ПЛК, без задержек на передачу данных по сети, и это открывает дорогу к адаптивному управлению в реальном времени.

Критерии выбора железа достаточно простые, например, если наша задача — вибродиагностика одного насоса, хватит микроконтроллера с TinyML.

Если это 8 камер на линии сортировки, то нужен IPC с GPU. Но если модель должна влиять на уставки ПЛК в цикле 10 мс, то тогда только ПЛК с NPU.

Программный стек и инструменты

А вот на этом шаге начинается настоящая боль, потому что промышленный Edge традиционно представляет из себя зоопарк технологий, и без стратегии здесь легко утонуть.

Начнем с фреймворков для вывода данных. Здесь стандартами являются TensorFlow Lite и ONNX Runtime. ONNX хорош тем, что позволяет обучить модель в PyTorch, сконвертировать в свой формат и запустить где угодно.

А в свою очередь, OpenVINO является наилучшим выбором для железа Intel, например, для Jetson использование TensorRT даёт ускорение в разы.

Самым слабым местом в представленном решении по использованию ИИ в промышленности является MLOps для Edge. Дело в том, что модель нужно версионировать, обновлять на сотнях устройств, откатывать при деградации.

Здесь в качестве решения можно было бы порекомендовать Azure IoT Edge, AWS Greengrass, но они, во‑первых, завязаны на облако, а во‑вторых (и это главное!), они иностранные. Поэтому для полностью автономных систем приходится строить свой pipeline на Ansible или Kubernetes (например, k3s на Edge).

Вопрос интеграции нашего ИИ с АСУ ТП не такой сложный, и здесь наилучшим решением будет использование стандарта обмена данными OPC UA. Для отправки телеметрии в облако можно использовать MQTT.

Ну а если у вас есть старое оборудование (а оно, как правило, есть), то можно воспользоваться Modbus TCP. Проблема в том, что OPC UA не предназначен для передачи видеопотока или больших массивов данных, поэтому часто строят гибрид: OPC UA для управления и MQTT для аналитики.

В качестве языка для разработки и различных экспериментов лучше всего подойдет Python.

C++ или Rust лучше всего для продуктивной среды, где важна производительность и отсутствие утечек памяти. Часто модель экспортируется в C++‑библиотеку и вызывается из кода ПЛК или Edge‑приложения.

Ключевые сценарии применения

Предиктивное обслуживание, пожалуй, можно назвать самым зрелым кейсом в части применения. Если по‑простому, то здесь речь идет о вибродиагностике насосов, компрессоров, редукторов и аналогичных задачах сопровождения оборудования.

Модель обучается на спектрограммах вибрации и предсказывает отказ подшипника за часы или дни до поломки, а анализ тока двигателя позволяет обнаружить износ или заклинивание без дополнительных датчиков.

Аналогично, мы можем проводить термографию шкафов, выявляя перегрев клемм и контактов.

Об использовании компьютерного зрения в промышленности написано немало статей. Но в целом, здесь мы можем использовать ИИ для контроля качества продукции на конвейере.

Например, можно обнаруживать царапины, трещины и различные дефекты сварки.

В робототехнике также может использоваться ИИ, например для позиционирования роботов.

На практике, модель определяет координаты детали, которая лежит в случайной ориентации, и передаёт их манипулятору для последующего перемещения.

В итоге, такой подход позволяет отказаться от дорогих фикстур.

Помимо непосредственно исполнительских задач, системы искусственного интеллекта могут также управлять расходом энергии в реальном времени.

Например, модель может предсказывать нагрузку на оборудование и подстраивать работу компрессоров или печей, настраивать режимы работы реакторов, такие как, поддержание оптимальной температуры и давления с учётом качества сырья, меняющегося от партии к партии.

Аналогичной задачей является выявление отклонений в технологическом процессе, которые не видны оператору, и обнаружение кибератак, например, если ПЛК начинает выдавать нетипичные команды, модель это заметит и создаст инцидент.

Проблемы и ограничения

Мы уже упомянули некоторые из ограничений, с которыми можно столкнуться при внедрении ИИ в промышленном сегменте. Но теперь давайте поговорим об этом подробнее и начнем с нехватки необходимых данных.

Да, аварии, к счастью, случаются редко, и обучать модель на трёх примерах отказа насоса — это гарантированный путь к переобучению. Здесь решением является симуляция различных возможных ситуаций, аугментация данных, использование данных с других агрегатов.

Дрейф модели также является серьезной проблемой. Здесь все достаточно логично: сырьё меняется, оборудование изнашивается, а модель деградирует, и нам необходимо вести постоянный мониторинг дрейфа и проводить автоматическое переобучение.

Ну и конечно, не стоит забывать о кибербезопасности. Edge‑устройство представляет собой специальный компьютер с Linux, который подключён к сети. Соответственно, его можно взломать, и необходимо обеспечить высокий уровень защиты. Нужны шифрование, подписанные обновления, изоляция сети и аналогичные меры.

Наконец, кадры, которые, как известно, решают все. Специалисты, работающие с ИИ, должны обладать знаниями на стыке OT, IT и Data Science, и таких на рынке пока не слишком много.

Практические шаги внедрения

Итак, мы рассмотрели, что из себя представляет использование искусственного интеллекта в промышленности, какое оборудование может применяться и с какими типовыми проблемами придется столкнуться.

Теперь давайте определим основные этапы нашего внедрения.

• Этап 1. Мы проводим аудит данных и выбор узкого места. Например, найдите агрегат, который чаще всего ломается или потребляет больше всего энергии. Для него соберите исторические данные, такие как, вибрация, ток, температура и режимы работы. Если данных нет, то сначала установите датчики и с их помощью соберите данные.

• Этап 2. Проводим пилот на одном агрегате. Для этого сначала готовим базовую модель, например, случайный лес или градиентный бустинг. Здесь не стоит сразу гнаться за сложными нейросетями. Нашей целью на этом этапе является возможность доказать, что имеющиеся данные вообще позволяют предсказать отказ.

• Этап 3. Выполняем интеграцию с существующей АСУ ТП. Подключитесь к ПЛК через OPC UA, настройте сбор данных, но не давайте модели управлять процессом. Пусть она только рекомендует, но не вмешивается. Наша задача убедиться, что система не мешает основному циклу.

• Этап 4. Когда пилот доказал свою эффективность, тиражируйте на другие линии. Здесь уже важно иметь выстроенный MLOps, то есть возможности по управлению версиями, мониторингу и обновлению.

Ну и чек‑лист готовности: есть ли данные, бюджет на железо, инженер, который будет сопровождать, KPI, по которому вы измерите эффект?

Если хотя бы один ответ «нет», то начните с него.

В итоге

Подводя итог, стоит отметить, что Edge AI в АСУ ТП — это не хайп или дань моде, а инструмент снижения простоев и потерь. Но начинать нужно с малого, например с пилота на одном агрегате, одного KPI, одной простой модели.

Важно не пытаться сразу построить «умный завод», так как вы, скорее всего, утонете в интеграции и разочаруетесь.

Главный вывод здесь заключается в том, что нужно инвестировать в инфраструктуру данных и компетенции уже сейчас. Через 5 лет Edge AI станет такой же нормой, как сегодня ПЛК. Кто начнёт раньше — получит преимущество.

Помните, что пилот стоит дорого, а эффект не всегда очевиден, и нужно считать не только экономию от предотвращённых простоев, но и стоимость владения. 

Развернуть модель машинного обучения на промышленном оборудовании — только половина задачи. Со временем данные меняются, точность прогнозов падает, а вместе с ней и доверие к результатам.

Как вовремя обнаружить деградацию модели и сохранить её эффективность в продакшене, разбираем на бесплатном открытом уроке OTUS:

• 26 октября в 20:00. «Data Drift в машинном обучении: почему модели деградируют в продакшене и как это контролировать». Записаться.

Больше практических тем по машинному обучению и разработке — в дайджесте вебинаров OTUS на октябрь.