Система предиктивного обслуживания для электростанции
Задача
Генерирующая компания, управляющая 5 электростанциями, нуждалась в системе предиктивной аналитики для снижения аварийных простоев турбинного оборудования.
Решение
Развёрнута платформа сбора данных с 2000+ датчиков в реальном времени. Разработаны ML-модели прогнозирования отказов ключевых узлов турбин. Интеграция с существующей SCADA-системой. Визуализация на дашбордах Grafana.
Результаты
Аварийные простои сократились на 35% за первый год. Средний срок предупреждения об отказе — 14 дней. Экономический эффект — 120 млн руб./год за счёт предотвращения аварийных ремонтов.
Масштаб и сроки
5 электростанций, 2000+ датчиков
12 месяцев
Технологии
Оценка заказчика
Экспертные инсайты
Участники проекта делятся уроками, техническими деталями и выводами
OPC UA vs Modbus: что выбрать для IIoT
На этом проекте мы работали с 3 типами ПЛК, каждый со своим протоколом. OPC UA — идеальный выбор для новых установок: структурированные данные, безопасность, discovery. Но для legacy-оборудования (а это 80% промышленности) приходится использовать Modbus RTU через преобразователи. Совет: планируйте edge-шлюз, который умеет оба протокола.
Павел Фёдоров
Инженер SCADA
Что бы я сделал иначе: feature engineering
Мы потратили 2 месяца на сложные ML-модели, а потом обнаружили, что простой порог по скользящему среднему вибрации даёт 85% точности. Оставшиеся 7% (до 92%) добавили модели CatBoost. Урок: всегда начинайте с baseline из простых правил — он покажет, сколько «мяса» реально осталось для ML.
Рустам Ахметов
Data Scientist
Команда проекта
Рустам Ахметов
Data Scientist
Павел Фёдоров
Инженер SCADA