Забудьте про «внедрили нейросеть на заводе». В 2026 году модно не это. Единственный тренд, который реально экономит миллионы — ИИ внутри старой АСУ ТП. Без новых датчиков и танцев с бубном.
Почему «коробочный ИИ» умер в прошлом году
Как часто ваш директор по развитию приносит новость: «Надо внедрить ChatGPT на производство, мы же инновационная компания»? Уверен, что часто. И чем это заканчивается? Покупкой витринного решения, которое рисует красивые графики, грузит сервера и никак не влияет на главный показатель — время безотказной работы (TBF).
Справка. TBF (Time Between Failures) — время между отказами оборудования. Главный показатель надежности: чем он выше, тем реже ломается станок и больше выручка без простоев.
В 2025 году все наступили на одни и те же грабли. Компании покупали ML-модели как самостоятельный продукт, ставили их рядом с АСУ ТП и пытались «состыковать через переходники». Получался Франкенштейн: данные идут с задержкой 5 секунд, модель ошибается, а оператор ей не доверяет.
В 2026 году рынок созрел. ИИ — не замена АСУ ТП, а её бесшовная надстройка. Устанавливается поверх того, что уже работает. Не трогает ПЛК, SCADA и контроллеры, которые молотили 10 лет. Он просто подключается к их историческим данным и телеметрии, чтобы говорить: «Хозяин, через 12 дней откажет насос №3. Закажи подшипник сейчас, пока цена не выросла».
Давайте на пальцах. Без воды.
Упреждающая (прогнозная) аналитика 2026: уже не «скорая», а «поликлиника»
Главная боль АСУ ТП — это постулат: «оборудование работает до тех пор, пока не сломалось». Текущий регламент (ТО-1, ТО-2) — это плановый ремонт по наработке часов. Но мы знаем, что один насос сдохнет на 5000 часов, а другой — на 5500. Плановый ремонт на 4800 часов — это выброшенные деньги на замену детали, которая ещё ходила бы месяц.
ИИ-надстройка решает это элегантно.
Она берет вибрацию, температуру, ток, момент силы (те данные, которые уже есть в вашей SCADA) и строит профиль «здоровья» агрегата. Раньше уставки в АСУ ТП были статическими (T > 75°C — красная тревога). Но 75°C — это уже катастрофа. ИИ видит, что за 14 дней до этого тренд температуры изменился с +0.01°C в смену на +0.1°C. Или изменилась спектрограмма вибрации на 3,2 кГц — то, что человеческий глаз не заметит.
Ключевой пример 2026 года:
За две недели до обрыва вала редуктора в компрессоре, нейросеть выдает точность прогноза 98,7%. Не за час, не за сутки. За 14 дней. У вас есть время: заказать запчасть из Китая (7 дней на логистику), подвезти её на склад (3 дня), запланировать остановку производства на удобные 3 часа (субботняя ночь).
Это не магия. Это LSTM-сети или трансформеры временных рядов (TSMixer в 2026 уже в open source), которые внедрены как набор Python-скриптов внутри архиватора данных АСУ ТП.
Справка. LSTM (Long Short-Term Memory) — тип нейросети с «памятью». Умеет анализировать длинные цепочки данных (вибрацию, температуру за месяц), чтобы предсказать отказ оборудования.
Пример №1. Нефтегаз: как сэкономили 3,2 млн рублей на одном компрессоре
Возьмем реальное внедрение (обобщённый пример за 2025-2026 гг. по рынку РФ).
Ситуация: Средний НПЗ на юге России. Компрессорный цех. Каждые 4 месяца отказ одного из винтовых компрессоров. Причина — трещина в опорном узле. Диагностировать штатной АСУ ТП невозможно, потому что температура масла растёт только за 2 часа до разрушения.
Решение:
Поверх существующей АСУ ТП (WinCC + Siemens S7-400) поставили микросервис на NVIDIA Jetson Orin (стоимость железа ~4 500$). Он тянет данные через OPC UA каждые 100 мс. Модель обучалась на 3 годах архивных данных (в них было ровно 3 аварии, это недостаточный набор данных, поэтому использовали моделирование отказов через GAN).
Справка. GAN (Generative Adversarial Network) — метод, где две нейросети соревнуются: одна создаёт «фейковые» данные о поломках, вторая их разоблачает. Так дообучают модель, когда реальных аварий слишком мало.
Что получили:
- Модель нашла взаимосвязь между переменными: *вибрация на 120 Гц + кратковременные скачки момента силы* = 100% отказ за 320 часов.
- За 1,5 года работы — 2 успешных предсказания за 11 и 13 дней до аварии.
Стоимость реализации:
- Интеграция надстройки (силами штатного отдела АСУ ТП + внешний ML-инженер 2 месяца): 540 000 руб.
- Аппаратное ядро (промышленный edge-компьютер): 350 000 руб.
- Итого: 890 000 руб.
Справка. Edge-компьютер — компьютер, который работает прямо у станка (на «краю» сети), а не в облаке. Не требует интернета, обрабатывает данные за 1 мс для мгновенного прогноза отказа.
Экономия: Остановка на 3 часа (50 млн руб. выручки в день / 24 * 3 = 6,25 млн руб. потерянной выручки) плюс экстренный ремонт (400 т.р. запчасти + бригада). Итого один предотвращенный простой сэкономил 6,65 млн руб. Окупилось за 1,5 месяца.
«А если бы ИИ соврал?» Для этого в надстройке сделали байесовский порог достоверности. Модель не кричит «ломайся», если вероятность < 92%. Тихая зона — доверяем старым уставкам АСУ ТП.
Справка. Байесовский порог достоверности — это правило, при котором ИИ выдаёт прогноз только если уверен, например, на 92%. Ниже этого порога модель молчит, чтобы не пугать оператора ложными тревогами.
Пример №2. Энергетика: не покупаем трансформатор, пока не поздно
Внедрение на подстанции 110/10 кВ.
Проблема: Трансформаторы ТДН-16000. Классика — частичные разряды (ЧР). Стационарная система мониторинга ЧР стоит как крыло самолета (от 4 млн руб.). АСУ ТП видит проблему, когда уже масло кипит.
Решение как надстройка:
Использовали уже работающие трансформаторы тока (встроенные в АСУ ТП) и токи высших гармоник. Обычная SCADA видит нагрузку 12 МВт. ИИ-надстройка разбивает этот сигнал на спектры и видит рост 5-й гармоники на 0,2% в сутки.
Цифры:
- Стоимость разработки адаптивного AI-модуля (команда 3 человека, 1 месяц): 950 000 руб.
- Затраты на компьютер в шкафу АСУ ТП (докупили ОЗУ и NVMe): 120 000 руб.
- Внедрение: 1,07 млн руб.
Справка. NVMe (Non-Volatile Memory Express) — это протокол и стандарт интерфейса, разработанный для ускорения работы твердотельных накопителей (SSD), использующих флэш-память NAND. Он предназначен для передачи данных между SSD и другими компонентами компьютерной системы через шину PCI Express (PCIe).
Результат:
Через 8 месяцев система сообщила по вводу 10 кВ: «Класс точности прогноза — высокая. Снижайте нагрузку на 20% и планируйте сушку трансформатора через 12 дней». Лабораторный анализ масла подтвердил: растворенные газы (ацетилен) уже в 2 раза выше нормы. Ещё неделя — и капремонт на 2 месяца (с заменой обмотки за 8 млн руб.). Сушка обошлась в 400 т.р. Экономия — 7,6 млн руб. на одном агрегате.
Почему это работает именно сейчас (январь 2026)?
Можно долго спорить о нейросетях. Но давайте честно: 3 года назад для такой надстройки нужны были специалисты по анализу больших данных с зарплатой космонавта, обучение на кластере по неделе и куча граблей с дрейфом данных.
Что изменилось в 2026-м?
- Появились TinyML модели под ПЛК. Вы уже не тащите данные в облако. ИИ работает на edge-устройстве за 200$, прямо в шкафу управления. Лаг — 1 мс.
- Стандарт IEEE 1451.3 (цифровые двойники телеметрии). Данные из АСУ ТП теперь унифицированы. Раньше настраивать телеметрию нужно было 80% времени проекта. Сейчас — 30%.
- Экономическая истерия. В 2026 дешевые деньги кончились. Директоры считают каждую копейку. Покупать новый «умный станок» за 50 млн никто не даст. А вот надстроить ИИ на старый станок за 1 млн — дадут.
Алгоритм внедрения (чтобы не выкинуть деньги на ветер)
Если вы — главный инженер или руководитель отдела АСУ ТП и хотите повторить этот опыт, не повторяйте ошибок 2023-2025.
Чек-лист «Надстройка 2026»:
- Ничего не ломать. ИИ не пишет команды на ПЛК. Он только кладет прогноз в отдельную базу данных или посылает сообщение в Telegram бота и на SCADA-экран оператора. Управление остается за человеком и старым PID-регулятором.
- Использовать архивы отказов. Ваша АСУ ТП хранит годы «помойки» (датчик сдох, оператор ввел минус 5 тонн). Обучение на грязных данных — смерть проекта. Потратьте бюджет не на крутую нейросеть, а на инженера, который почистит 3 последних месяца логов.
- Начать с дешевого и несмертельного. Не нужно ставить ИИ на главный реактор. Поставьте на вентилятор градирни или на маленький насос охлаждения. Если надстройка ошибется — просто включится резервный насос. Цена ошибки — копейки. Так вы набьете шишки и обучите модель без саботажа со стороны цеха.
- Зарплата не DS, а MLOps. В 2026 уже не найти «специалиста по ИИ». Нужен человек, который умеет: забрать данные из Wonderware, натянуть на них нейросетку ONNX Runtime, залить это в Docker и отдать технологу. Такие инженеры стоят 150-200 т.р., а не 500.
Три красных флага, когда ИИ-надстройка не нужна
Напишу честно, чтобы у вас не было иллюзий. Есть случаи, где упреждающая аналитика бессильна (и не сливайте туда бюджет):
✅ Если наработка на отказ (MTBF) меньше 2 дней. (Насос умирает каждую неделю). Тут нужно менять насос, а не собирать статистику.
✅ Если у вас нет датчиков вибрации и тока, а температура — единственный параметр. Слишком мало информации. ИИ на одном параметре — гадание на кофейной гуще.
✅ Если руководство хочет «серебряную пулю» и не готово 3 месяца настраивать пороги. 80% успеха — это грязная работа с правилами предметной области, а не архитектура нейросети.
Итог: АСУ ТП + AI = менеджер здоровья станка
Перестаньте мыслить категориями «автоматизация» или «искусственный интеллект». Мы возвращаемся к человеческой логике: «Станком управляет ПЛК (быстро, рефлекторно). Его здоровье прогнозирует ИИ-надстройка (медленно, но стратегически)».
Тренд 2026 года не в том, чтобы купить очередной AI-модуль за $100k с красивой демкой и непонятной окупаемостью. Тренд — взять ваш старый добрый Siemens или ОВЕН, подцепить к шине данных простой LSTM на Python, и за 500 000 рублей получить предсказание отказа за 14 дней.
Пока ваши конкуренты спорят, «какой фреймворк круче», вы уже заказали подшипник. И стоите на плановом ремонте в субботу в 3 утра с кружкой кофе, зная, что в понедельник завод запустится без сучка и задоринки.
Потому что ИИ — это не замена оператору. Это его суперсила, завернутая в лицензию АСУ ТП.
На этом всё. Подписывайтесь на канал, чтобы ничего не пропустить…