Цифро-инженерное решение «Интеграция цифровой исполнительной инженерной модели объекта в СУИД «НЕОСИНТЕЗ» и СПиУМ ПРАНА»

Поломка оборудования, участвующего в технологическом процессе, может привести к полной или частичной остановке производства. Поэтому очень важно выявлять и предотвращать дефекты и проблемы на промышленном оборудовании задолго до того, как они станут причиной аварий и простоев.

Для этого долгие годы промышленные предприятия использовали (и в большинстве своем в России используют до сих пор) «превентивную» стратегию технического обслуживания и ремонта (ТОиР) оборудования (Preventive / Time-Based Maintenance, TBM), когда производятся плановые ремонты и регулярно обновляются компоненты оборудования. Такая стратегия имеет большой недостаток в том, что тратятся значительные средства на обслуживание активов, которые в этом не нуждаются. Хорошо известно, что затраты на ремонт — одна из основных статей затрат для промышленных объектов. Например, для объектов тепловой электрогенерации затраты на ремонт — вторая по величине статья расхода после затрат на топливо.

Альтернативой классической «превентивной» стратегии является стратегия «обслуживания по состоянию» (Condition-Based Maintenance, CBM) — ремонт при отклонении параметров. Современным развитием CBM является предиктивное обслуживание (Predictive Maintenance, PdM) — ремонт на основе прогноза отказа. Практическим инструментом реализации стратегии PdM является предиктивная аналитика (англ. predictive analytics) — класс методов анализа данных, решающий задачи прогнозирования будущего поведения объектов в целях принятия оптимальных решений.

В общепринятой классификации стратегии ремонтного обслуживания выстраиваются по возрастанию сложности и точности:

1. Реактивное (Corrective Maintenance) — ремонт после отказа.
2. Превентивное (Preventive / Time-Based Maintenance, TBM) — ремонт по расписанию.
3. Обслуживание по состоянию (Condition-Based Maintenance, CBM) — ремонт при отклонении параметров. Сюда входят: мониторинг по порогам (threshold-based CBM), вибродиагностика, термография и т.д.
4. Предиктивное обслуживание (Predictive Maintenance, PdM) — ремонт на основе прогноза отказа. PdM — это подмножество и логическое развитие CBM.

Системы предиктивной аналитики оборудования и направлены на предоставление промышленным предприятиям и инфраструктурным объектам лучшего варианта ремонтной стратегии, когда потенциальный отказ оборудования может быть предсказан за значительное время до его фактического наступления, что дает ремонтным службам достаточное время на планирование и устранение потенциальной неисправности без значительного простоя для всего штатного процесса, осуществляемого на эксплуатируемом объекте. С другой стороны, данные предиктивной аналитики позволяют принимать обоснованное решение о нецелесообразности проведения регламентного обслуживания того или иного оборудования, что позволяет сокращать сроки выполнения планово-предупредительных ремонтов, минимизируя затраты от простоя в целом.

Рис. 1 — Ключевые различия между стратегиями CBM и PdM.

Мировой рынок систем предиктивной аналитики и связанных с ней технологий переживает период активного роста, что обусловлено повсеместным внедрением концепций Индустрии 4.0 и Индустрии 5.0. Вот некоторые факты:

• Объем мирового рынка решений для промышленного предиктивного обслуживания в 2024 году составил $11,14 млрд. Согласно прогнозам, к 2031 году он достигнет $35,14 млрд, а среднегодовой темп роста (CAGR) составит 17,6% [1].
• По данным IMARC Group, объем мирового рынка предиктивной аналитики в обрабатывающей промышленности в 2024 году оценивался в $1,60 млрд. К 2033 году ожидается его рост до $6,61 млрд при CAGR в 16,20% [2].
• Ключевыми факторами активного роста являются экономическая эффективность (сокращение внеплановых простоев и затрат на ремонт), технологическое развитие (IIoT, AI/ML, облачные и edge-вычисления), а также широкое распространение концепций «умных» заводов [3,4].
• Россия также демонстрирует высокую динамику в этом направлении. Во II квартале 2025 года объем внедрений инструментов ИИ и предиктивной аналитики вырос на 32% по сравнению с аналогичным периодом 2024 года [6].

Переход на предиктивную аналитику дает производству ощутимые экономические преимущества и высокую окупаемость инвестиций (ROI). По данным исследований IoT Analytics, 95% компаний, внедривших PdM, сообщают о положительной ROI, а 27% окупают инвестиции в течение первого года [3].

Рис. 2 — Экономические эффекты от внедрения предиктивной аналитики.

Система прогностики (предиктивной аналитики) и удаленного мониторинга ПРАНА (СПиУМ ПРАНА, https://prana-system.com/) разработки АО «Ротек Дижитал Солюшенс» — участника Ассоциации «Цифровые активы промышленности» — предназначена для удаленного мониторинга технического состояния подключенного оборудования, автоматизированного выявления зарождающихся дефектов на ранней стадии, а также прогнозирования их развития, снижения рисков аварийных остановов, повышения эффективности и безопасности эксплуатации посредством онлайн-сбора и анализа текущих и архивных данных.

Приближение дефекта в системе ПРАНА идентифицируется исходя из отличия в поведении группы контролируемых параметров конкретной единицы оборудования от их типового поведения, которое формируется на основе анализа исторических данных, накопленных в SCADA-системе. Такое отличие называется «Разладка» и измеряется в процентах.

Рис. 3 — СПиУМ ПРАНА — ведущая отечественная система предиктивной аналитики, поставляемая на рынок как коммерческое программное обеспечение.

Некоторые факты о СПиУМ ПРАНА [7,8]:

· ПРАНА — это первая российская IIoT-система предиктивной аналитики и удаленного мониторинга. Изначально разрабатывалась компанией «РОТЕК» под руководством Михаила Владимировича Лифшица (Председатель совета директоров и совладелец компании «Уральский турбинный завод». Заслуженный машиностроитель Российской Федерации. Автор 32 российских и зарубежных патентов в машиностроении). Система находится в коммерческой эксплуатации с 2015 года.

• В основе ПРАНА лежит технология многомерных векторных статистических моделей (multivariate vector statistical model, MVSM), что делает ее пригодной для эксплуатации в условиях повышенной опасности, включая атомную энергетику.
• ПРАНА успешно работает на оборудовании различных производителей (Siemens, GE, Alstom, Ansaldo, Borsig и др.) без необходимости его доработки или дополнительной настройки. Система совместима с оборудованием широкого спектра отраслей промышленности.
• Опыт внедрения ПРАНА показывает сокращение финансовых потерь в 10 раз, а количества инцидентов — в 3,5 раза. Потенциальное снижение затрат на ремонт и простои может достигать 60%.
• В настоящее время совокупная стоимость оборудования под мониторингом ПРАНА более $4 млрд.

Рис. 4 — Общие сведения о развитии СПиУМ ПРАНА.

IIoT-решение ПРАНА объединяет методы статистического анализа – аналитическое ядро системы; технологии машинного обучения – архив признаков дефектов и инструменты обработки больших данных – экспертные модули.
Для сбора параметров работы оборудования на промышленном объекте разворачивается нижний уровень системы, позволяющий безопасно собирать и передавать данные в ситуационный центр. Система ПРАНА в реальном времени анализирует данные, поступающие от работающего оборудования, и автоматически выявляет любые отклонения, ранжируя их по степени вклада в формируемый дефект.

Эта информация передается на рабочие места экспертов ситуационного центра (такой центр может быть развернут на площадке заказчика или может использоваться внешний центр на площадке АО «Ротек Дижитал Солюшенс») для выдачи рекомендаций эксплуатационному персоналу. Результаты работы системы и рекомендации по поддержанию оборудования в работоспособном состоянии доступны персоналу заказчика на удалённых рабочих местах и в мобильных приложениях. Для экстренного оповещения используются SMS, e-mail, звонки и PUSH-уведомления. Клиент получает круглосуточную поддержку, регламентные отчеты и рекомендации по оптимизации работы и обслуживания оборудования.

Рис. 5 — Общий вид представления данных в интерфейсе СПиУМ ПРАНА.

Рис. 6 — Интерфейс СПиУМ ПРАНА. Аналитическая мнемосхема (интерфейс заказчика).

Рис. 7 — Интерфейс СПиУМ ПРАНА. Мнемосхема газовой системы центробежного дожимного компрессора.

Рис. 8 — Интерфейс СПиУМ ПРАНА. Аналитическая мнемосхема (интерфейс эксперта).

Рис. 9 — Интерфейс СПиУМ ПРАНА. Экспертный модуль анализа теплового поля.

Рис. 10 — Интерфейс СПиУМ ПРАНА. График изменения технологических параметров во времени.

Рис. 11 — Интерфейс СПиУМ ПРАНА. График зависимости нескольких технологических параметров друг от друга.

Рис. 12 — Интерфейс СПиУМ ПРАНА. Автоматизированный журнал событий, зафиксированных СПиУМ ПРАНА.

Рис. 13 — Интерфейс СПиУМ ПРАНА. Обзорная мнемосхема состояния объектов, подключенных к СПиУМ ПРАНА.

Внедрение систем предиктивной аналитики, таких как СПиУМ ПРАНА на промышленных объектах постепенно становится устойчивым трендом, обусловленным тем фактом, что любой останов производственного процесса – это убыток для эксплуатирующей организации. Задача систем предиктивной аналитики – обеспечение перехода к ремонтам по состоянию, когда есть надежная предсказательная база определения потенциальных отказов оборудования, что позволяет ремонтировать, менять запчасти и обсуживать не все подряд, что предписано регламентом, а только то оборудование, где отказ прогнозируется в ближайшее время. Таким образом, системы предиктивной аналитики позволят в перспективе сократить количество регламентных полномасштабных планово-предупредительных ремонтов с длительным остановом объекта. Акцент будет на точечных мероприятиях ТОиР отдельных единиц, когда полного останова объекта и прерывания производственного процесса может в целом и не потребоваться.

Безусловно, полномасштабный переход к ремонтам по состоянию требует развития соответствующей нормативной базы, как и более глубокого развития систем предиктивной аналитики. Пока же подобные системы носят справочно-информационный характер для эксплуатационных служб.

Другой аспект внедрения систем предиктивной аналитики – их полномасштабное внедрение на объекте может охватывать сотни контролируемых единиц оборудования. Это может быть как динамические компоненты объекта (с физически движущимися частями (турбины, электродвигатели, насосы, компрессоры и др.), так и статические компоненты (емкости под давлением, трубопроводы, теплообменники, печи и др.).

С учетом усиливающегося тренда сменяемости персонала производственных объектов (текучки персонала) резко повышается необходимость обеспечения оперативной ситуационной осведомленности персонала – быстрого понимания местонахождения единицы, по которой система предиктивной аналитики прогнозирует потенциальный отказ. Таким образом, систему предиктивной аналитики эффективно дополнять интеграцией с системой управления инженерными данными, содержащей цифровую инженерную модель промышленного или инфраструктурного объекта, в составе которой представлены контролируемое предиктивной аналитикой оборудование объекта.

Визуализация средствами ЦИИМ разладок из системы предиктивной аналитики позволит обеспечить топологическую идентификацию этих данных, ускорит закрепление понимания персоналом конфигурации эксплуатируемого оборудования и систем, что послужит снижению влияния человеческого фактора в процессах эксплуатации.

Исходя из этого участники Ассоциации «Цифровые активы промышленности» - компания «Ротек Дижитал Солюшнс» - разработчик СПиУМ «ПРАНА» (https://prana-system.com/) и Группа компаний «НЕОЛАНТ» (https://neolant.group/) - разработчик системы управлений инженерными данными «НЕОСИНТЕЗ» - осуществили интеграцию этих программных продуктов для отображения на цифровых инженерных моделях объектов разладок и других данных системы предиктивной аналитики.

Выполненная интеграция позволяет отображать на цифровой модели разладки как для целых систем объекта, так и отдельных единиц оборудования. Возможен параметрический взгляд на объект, когда можно отобразить все элементы объекта, для которых контролируется разладка по одному и тому же параметру или одной и той же группе параметров. Например, отобразить все трубопроводные линии, в которых контролируется разладка по параметру «Давление масла».

Рис. 14 — Визуализация по разладок из СПиУМ ПРАНА по системам в целом. Желтым на трехмерной модели представлена наихудшая по разладкам система за прошедший период.

Рис. 15 — Отображение разладок по данным СПиУМ ПРАНА по отдельным единицам оборудования.

Рис. 16 — Отображение элементов одного класса – трубопроводов, для которых в СПиУМ «ПРАНА» контролируется разладка по параметру «Давление масла».

Интеграция системы предиктивной аналитики и цифровой исполнительной инженерной модели объекта в СУИД «НЕОСИНТЕЗ» обеспечивает:

• Цветовую визуализацию состояния систем и их элементов на трёхмерной модели на основе данных системы предиктивной аналитики.
• Цветовую визуализацию на модели наихудших состояний систем за контролируемый период.
• Цветовую визуализацию разладок по видам контролируемых параметров в привязке к элементам объекта.
• Возможности прямого и обратного перехода между данными о системе/элементе в цифровой модели и системе предиктивной аналитики.

Развитые системы предиктивной аналитики, такие как СПиУМ «ПРАНА», позволяют идентифицировать в оборудовании конкретный потенциально выходящий из строя узел. Если цифровая инженерная модель промышленного или инфраструктурного объекта содержит, в том числе, внутреннюю конфигурацию ключевых единиц технологического оборудования (узлы/подузлы/отдельные детали), включая их конструкторскую документацию, то в интегрированной системе управления инженерными данными появляется возможность заблаговременно сформировать и направить запросы на изготовление/поставку необходимых комплектующих с тем, чтобы к прогнозируемому времени отказа соответствующая запасная часть была в наличии под замену.

При включении в состав ЦИИМ промышленного объекта конструкторских моделей внутреннего содержания оборудования, открывается возможности для использования технологии расширенной реальности при ремонтных операциях, а также для визуализации данных о потенциальных отказах узлов оборудования из системы предиктивной аналитики. Обеспечивается повторное применение интеллектуальных результатов конструкторской деятельности, повышается безопасность и эффективность эксплуатации за счет использования доступной визуализации.

Рис. 17 — Визуализация разладок из СПиУМ «ПРАНА» по элементам турбогенераторов машинного зала электростанции.

Рис. 18 — Представление на цифровой инженерной модели в СУИД «НЕОСИНТЕЗ» внутреннего узла турбогенератора, для которого СПиУМ «ПРАНА» прогнозируется отказ.

Рис. 19 — Форма рассылки заказа на изготовление запасной части в СУИД «НЕОСИНТЕЗ».

Рис. 20 — Прилагаемая к запросу конструкторская документация узла в СУИД «НЕОСИНТЕЗ».

Выполненная компаниями «Ротек Дижитал Солюшенс» и Группой компаний «НЕОЛАНТ» интеграция системы предиктивной аналитики «ПРАНА» с цифровыми инженерными моделями в среде СУИД «НЕОСИНТЕЗ» — это современное решение для крупных промышленных предприятий и инфраструктурных объектов. Создание единого информационного пространства с визуализацией состояния оборудования на цифровой инженерной модели кардинально снижает риски, связанные с человеческим фактором, и повышает ситуационную осведомленность персонала всех уровней. Персонал быстрее локализует проблемное оборудование и точнее понимает его контекст.

Представленная интеграция СПиУМ «ПРАНА» и СУИД «НЕОСИНТЕЗ» — это фундамент для внедрения технологии расширенной реальности (AR/VR) при ремонтах, для автоматизированного заказа запасных частей (как показано в статье) и для создания в будущем основы полностью автономных производств, где система сама инициирует ремонтные воздействия. Интеграция двух систем являет собой пример создания конкурентоспособного, высокотехнологичного отечественного продукта, обладающего принципиально новыми функциональными характеристиками для повышения эффективности и безопасности эксплуатации промышленных и инфраструктурных объектов.

Список сокращений

• ТОиР - Техническое обслуживание и ремонт
• PdM - Predictive Maintenance (предиктивное обслуживание)
• СПиУМ - Система прогностики и удаленного мониторинга
• ЦИИМ - Цифровая исполнительная инженерная модель
• · СУИД - Система управления инженерными данными
• CAGR - Compound Annual Growth Rate (совокупный среднегодовой темп роста)
• CBM - Condition-Based Maintenance
• IIoT - Industrial Internet of Things
• MVSM - multivariate vector statistical model
• AI/ML - Artificial Intelligence / Machine Learning
• OEE - Overall Equipment Effectiveness (общая эффективность оборудования)
• ROI - Return on Investment (окупаемость инвестиций)
• SCADA - Supervisory Control and Data Acquisition
• PdM - Predictive Maintenance
• TBM - Preventive / Time-Based Maintenance
• AR/VR - Augmented Reality / Virtual Reality

Список источников

1. QYResearch. Global Industrial Predictive Maintenance Solutions Market Outlook, In‑Depth Analysis & Forecast to 2031, 2025: https://www.qyresearch.com/reports/4847507/industrial-predictive-maintenance-solutions

2. IMARC Group. Manufacturing Predictive Analytics Market: Global Industry Trends, Share, Size, Growth, Opportunity and Forecast 2025-2033, 2025: https://www.imarcgroup.com/manufacturing-predictive-analytics-market

3. IoT Analytics. State of the IoT & AI in Maintenance 2023, 2023: https://iot-analytics.com/product/state-of-the-iot-ai-in-maintenance-2023/

4. McKinsey & Company. The asset-productivity frontier: How to capture value from predictive maintenance, 2024: https://www.mckinsey.com/capabilities/operations/our-insights/the-asset-productivity-frontier-how-to-capture-value-from-predictive-maintenance

5. Wiss & Company. Predictive Maintenance ROI: Cost Savings for Manufacturers. 2026: https://wiss.com/insights/predictive-maintenance-roi/

6. IKSMEDIA.RU. Российские компании усилили внедрение инструментов ИИ и предиктивной аналитики во II квартале 2025 года, июль 2025. URL: https://stat.iksmedia.ru/news/6058390-Rossijskie-kompanii-usilili-vnedren.html

7. BCIC (BRICS Business Council). Predictive analytics and remote monitoring system PRANA, 2025: https://bcic-brics.org/opportunities/UGFydGljaXBhdGlvbk9wcG9ydHVuaXR5OjE4MjU5OA==

8. PRANA System Official Website. Key Benefits: https://prana-system.com/

9. Wikipedia. PRANA (system): https://en.wikipedia.org/wiki/PRANA_(system)

10. EasyV Cloud. How Digital Twin Workshops Improve Production Efficiency: 5 Application Cases, 2025: https://easyv.cloud/blog/digital-twin-workshop/