Современные промышленные предприятия сталкиваются с необходимостью оптимизации производственных процессов, снижения затрат на обслуживание оборудования и минимизации простоев. Одним из наиболее эффективных подходов к решению этих задач является стратегия прогнозируемого и/или предписывающего обслуживания. В глобальном смысле, прогнозируемое обслуживание (англ. Predictive Maintenance, PdM) является частью стратегии развития промышленного предприятия и стратегии эксплуатации промышленного оборудования, в реализации которой используется дополнительное оборудование, программное обеспечение и новые технологии обработки и анализа данных для обнаружения неисправностей оборудования и устройств с целью их устранения до момента выхода из строя. Важную роль в прогнозированном обслуживании играет применение новых информационных и вычислительных технологий, включая технологии искусственного интеллекта (ИИ). Они позволяют современным предприятиям перейти от реактивного или превентивного обслуживания к прогнозируемому, а в перспективе и к предписывающему обслуживанию[1] [[1], [2]]. В свою очередь, технологии ИИ все чаще используют на периферийных устройствах (Edge AI). Это дает возможность обрабатывать данные непосредственно на диагностируемом оборудовании, значительно ускорить процессы сбора и обработки информации, а также принятия решений. Данный подход снижает зависимость от облачных сервисов и стоимость на владение вычислительной инфраструктурой в целом.

Edge AI — это технология, которая позволяет развертывать и использовать алгоритмы и модели ИИ непосредственно на локальных устройствах, таких как датчики, контроллеры или устройства Industrial Internet of Things (IIoT). В отличие от традиционных подходов, где данные для анализа передаются в облако или производственные центры обработки данных, Edge AI обрабатывает информацию непосредственно на месте, что обеспечивает on-line реакцию на внутренние и внешние изменения и снижает затраты на эксплуатацию.

Цель данного исследования заключается в изучении возможности применения Edge AI при автоматизации  промышленных технологических процессов в рамках предложенной архитектуры автоматизированной системы прогнозируемого обслуживания.

Основные тенденции развития периферийного искусственного интеллекта

На сегодняшний день рынок оборудования Edge AI переживает стремительный рост благодаря интеграции ИИ-алгоритмов в устройства, обрабатывающие данные локально. Это позволяет существенно минимизировать задержки, снизить нагрузку на облачные системы и повысить безопасность данных. Он оценивается в 2,62 млрд. долл. США, и ожидается, что его среднегодовой темп роста составит 19,85% (CAGR), достигнув 7,52 млрд. долл. США к 2030 г. (https://www.mordorintelligence.com).

По оценкам аналитиков (market.us), к 2033 г. объем мирового рынка Edge AI (который включает также рынки оборудования и программного обеспечения, рынки Edge-инфраструктуры и Edge-сервисов) составит около 163 млрд. долл. США по сравнению с 19 млрд. долл. США в 2023 г., а среднегодовой темп роста составит 24,1% в прогнозируемый период с 2024 по 2033 гг. (https://market.us/report/edge-ai-market).

Рынок Edge AI является основным драйвером цифровой трансформации современной промышленности, предлагая безопасные и эффективные решения. Несмотря на актуальные вызовы (киберугрозы, затраты на эксплуатацию и др.), ежегодно рост рынка будет ускоряться за счет развития новых технологий в этой области.

Рассмотрим основные драйверы роста рынка Edge AI:

1. Технологические:

• Развитие аппаратного обеспечения:

  • использование специализированных процессоров и чипов для Edge AI, которые позволяют ускорять вычисления (например, NVIDIA Jetson, Google Edge TPU, Qualcomm Snapdragon Ride, Intel Movidius и др.), а также адаптировать вычисления под конкретные задачи, что критично для IIoT-решений (например, Xilinx VERSAL и платформа Versal FPGA) [[3], [4]];

  • реализация нейроморфных вычислений – внедрение специализированных чипов может обеспечить аппаратную основу для on-line обучения без облачной инфраструктуры. Например, реализация на чипах алгоритмов рекуррентных нейронных сетей LSTM (Long short-term memory). Такие решения обычно используют при проектировании и реализации систем автоматического управления сложными техническими динамическими объектами [[5]].

• Развитие алгоритмов машинного обучения:

  • «крошечное» машинное обучение (TinyML). Алгоритмы, такие как TensorFlow Lite и EdgeML, сжимают модели ИИ для работы на микроконтроллерах. Например, TinyML снижает размер моделей распознавания изображений на 90%, что отражается на времени и стоимости обработки информации.

  • федеративное обучение. Позволяет обучать модели на конечных устройствах без передачи данных в облако, сохраняя конфиденциальность. Сегодня такая технология используется в умных устройствах Samsung и Apple.

• Внедрение технологии 5G и современной сетевой инфраструктуры:

  • сверхнизкая задержка. Использование сетей 5G существенно сокращает время на передачу информации между устройствами, что необходимо для автономных дронов и роботов.

  • тип сетевой инфраструктуры MEC (Multi-access Edge Computing). Такие платформы, как AWS Wavelength переносят облачные сервисы ближе к пользователям, ускоряя обработку данных в реальном времени на локальных устройствах (https://aws.amazon.com/ru/wavelength).

• Кибербезопасность. Решения, подобные Microsoft Azure Sphere, защищают Edge-устройства от атак, что особенно важно для распределенных инфраструктур промышленных предприятий.

2. Рыночные:

• Взрывной рост IIoT-устройств. По оценкам экспертов, к 2030 г. число подключенных к сети устройств класса IIoT достигнет 40 млрд. ед. (https://iotbusinessnews.com).

• Спрос на автономность и безопасность. Например, в автомобильной отрасли системы класса ADAS (Advanced Driver Assistance Systems) от Tesla обрабатывают данные локально, избегая рисков при передаче их по каналам связи в удаленное облачное хранилище.

3. Юридические. Требования регуляторов стимулируют развитие технологий локальной обработки данных с тем, чтобы избежать штрафов за утечку информации. В некоторых отраслях промышленности, где эксплуатируется критически важная инфраструктура, существуют требования по хранению данных непосредственно на локальных устройствах, а не в удаленных центрах обработки информации («облаке»).

4. Отраслевые – реализация цифровой трансформации промышленных предприятий атомной, космической, металлургической, топливно-энергетической, химической и др. отраслей, включая решение задач контроля качества выпускаемой продукции и промбезопасности, организации прогнозируемого или предписывающего обслуживания оборудования, создания автономных складов и и интеграции роботов в производственные процессы.

Таким образом, современный рынок Edge AI ускоряется благодаря симбиозу аппаратных, программных и технологических инноваций, а также рыночному и отраслевому спросу. Ожидается, что к 2030 г. Edge AI станет неотъемлемой частью умных производств, обеспечивая среднегодовой темп роста на уровне 20…35%, трансформируя глобальную экономику. Уже сегодня ведущие мировые производители оборудования, такие как Siemens, General Electric и Bosch, активно внедряют Edge AI в свои промышленные решения. В будущем можно ожидать появления еще более компактных и мощных устройств, способных анализировать сложные данные и принимать решения в режиме реального времени.

Современные тенденции технологического развития в области Edge AI формируют новые подходы к оптимизации промышленных процессов. Перечислим перспективные области применения технологий Edge AI:

1. Создание распределённых интеллектуальных систем за счет конвергенции сетей передачи данных нового поколения и IIoT. Сверхнизкая задержка (< 1 мс) и высокая пропускная способность (≤10 Гбит/с) обеспечивают синхронизацию тысяч промышленных устройств. На производствах это позволяет реализовать киберфизические системы, где сенсоры, приводы и контроллеры функционируют как единый организм с предсказуемой адаптацией к изменениям производственного цикла.

2. Системы машинного зрения. Например, камеры с Edge AI могут анализировать состояние оборудования и окружающей среды, предупреждая о потенциальных угрозах. В современных системах технической диагностики перспективным направлением является интеграция периферийного искусственного интеллекта с интеллектуальными алгоритмами обработки данных. Такой подход предполагает комбинацию методов оценки технического состояния объектов (выявление нормы и отклонений) с нейросетевыми механизмами идентификации дефектных структур. Особый интерес представляют самообучающиеся модели классификации, разработанные на базе концепций адаптивного резонанса, которые способны динамически обновлять эталонные шаблоны при обнаружении неизвестных ранее аномалий. Такие гибридные решения позволяют организовать распределенный мониторинг целостности конструкций в режиме реального времени с использованием сенсорных сетей и аппаратуры неразрушающего контроля. Ключевым преимуществом архитектуры становится возможность детектирования скрытых дефектов на ранних стадиях их формирования за счет параллельной обработки мультимодальных данных непосредственно в точках их сбора. Этот подход минимизирует задержки передачи информации и повышает точность диагностики за счет ситуационной адаптации аналитических моделей к изменяющимся условиям эксплуатации [[6], [7], [8]].

3. Цифровые двойники. Виртуальные модели производственных линий или оборудования, интегрированные с Edge-вычислениями, переходят от симуляции к прогнозно-корректирующим функциям обслуживания. Например, цифровой двойник турбины в режиме реального времени сопоставляет данные вибродиагностики, телеметрии и параметры рабочей внутренней и внешней среды, прогнозируя остаточный ресурс компонентов с минимальной погрешностью. Это позволяет перейти от планового обслуживания к прогнозируемым ремонтам по фактическому состоянию.

4. Автоматизированные системы прогнозируемого/предписывающего обслуживания оборудования. Остановимся подробнее на системах этого класса.

Автоматизированные системы прогнозируемого/предписывающего обслуживания оборудования

На рис. 1 представлена архитектура автоматизированных систем прогнозируемого/предписывающего обслуживания оборудования, базирующихся на применении Edge AI.

Стремительное развитие современных технологий Edge AI постепенно стирают границы, разделяющие подходы к проектированию автоматизированных систем прогнозируемого или предписывающего обслуживания. Связано это, прежде всего, с внедрением технологий ИИ на уровне датчиков, устройств и шлюзов IIoT. Если раньше существовало устойчивое мнение, что для перехода от систем прогнозируемого обслуживания к предписывающему необходимо добавить Edge AI (рис. 2), то сейчас наличие периферийного ИИ не является ключевым отличием между системами предписывающего и прогнозируемого обслуживания. Отметим, что к приоритетной характеристике, отличающей одну систему от другой, является долгосрочность прогноза во времени и его точность, а не набор технологий (технологический стек) и комплекс программно-аппаратных решений, на основе которых построена та или иная система. 

Современные подходы к прогнозирующему обслуживанию сложных технологических цепочек демонстрируют повышенную эффективность при комбинировании нейросетевых алгоритмов с принципами теории свидетельств Демпстера-Шафера и методом объединения взвешенных противоречивых доказательств на основе расстояния Хеллингера и энтропии убеждений. Как отмечено в исследованиях [[9], [10], [11]], такой синтез способствует снижению информационной неопределённости и повышению достоверности результатов, используемых специалистами при принятии управленческих решений. Ключевой проблемой функционирования систем поддержки принятия решений остаётся присутствие неопределенности в информационных потоках, поступающих от периферийных сенсорных устройств инфраструктуры Edge AI (рис. 3). Это связано с особенностями сбора, обработки и интерпретации данных в условиях меняющихся производственных параметров и параметров внешней среды. Таким образом, Edge AI позволяют создавать системы поддержки принятия решений интегрированные с автоматизированными системами прогнозируемого и предписывающего обслуживания промышленных активов.

Таким образом, использование Edge AI обеспечивает следующие преимущества для промышленных производств.

1. Децентрализованная обработка данных. Оборудование функционирует без постоянной синхронизации с облачными серверами, обеспечивая стабильность процессов в зонах с ограниченным доступом к сети.

2. On-line аналитика. Нейросетевые алгоритмы способны обрабатывать информацию за доли секунды, позволяя оперативно реагировать на отклонения в работе оборудования и предотвращать аварийные ситуации.

3. Оптимизация трафика. Локальная фильтрация данных сокращает объем передаваемой информации, уменьшая расходы на облачное хранение и нагрузку на каналы связи.

4. Прогнозная аналитика. Прогнозирование технического состояния оборудования по данным сенсоров снижает вероятность незапланированных остановок и простоев оборудования.

5. Энергоэффективность и энергооптимизация через распределённый интеллект. Адаптивное управление энергопотреблением через интеллектуальные датчики способствует достижению производственных целей предприятий в части снижения затрат на эксплуатацию. Согласно последним исследованиям [[12]], технологии периферийного ИИ способны обрабатывать до 70% всей исходной от устройств IIoT информации, при этом локальная обработка данных на Edge-узлах сокращает энергозатраты на передачу информации до 40%, что повышает точность предсказания отказов до 97%, и сокращение простоев на 65%.

6. Масштабируемость решений. Гибкая архитектура позволяет модернизировать отдельные участки производства без остановки всего технологического цикла.

7. Защита данных. Ограничение передачи чувствительной информации за пределы периметра предприятия исключает риски кибератак на централизованные хранилища.

8. Операционная экономия. Внедрение автономных систем диагностики сокращает расходы на обслуживание инфраструктуры за счет прогнозируемого технического обслуживания.

Заключение

Результаты проведенного анализа показывают, что, для решения актуальных задач промышленной автоматизации технологии Edge AI демонстрируют эффективность в создании автоматизированных систем прогнозируемого и предписывающего обслуживания. Они позволяют промышленным предприятиям не только снижать затраты, но и повышать надежность и производительность эксплуатируемого оборудования в разных условиях эксплуатации. На сегодняшний день Edge AI становится не просто инструментом, а стратегическим преимуществом для компаний, стремящихся оставаться на передовой индустрии в условиях растущей конкуренции. 

 ДЛЯ ЦИТИРОВНИЯ:

Чесалов А.Ю. (2025) Тенденции развития периферийного искусственного интеллекта в автоматизации технологических процессов // Автоматизация в промышленности  – 2025. - №7. – С. 9 – 14.

Прогнозируемое обслуживание — это стратегия проактивного обслуживания, которая использует современные инструменты и методы анализа данных для обнаружения аномалий в работе оборудования и потенциальных дефектов в производственных процессах. 

Предписывающее обслуживание — это более совершенное прогнозируемое обслуживание на основе состояния, которое позволяет предвидеть (прогнозировать) возникновение неисправности, и, с той или иной долей вероятности, определить её первопричину в долгосрочной перспективе. 

Список литературы

[1]. Палюх Б.В., Чесалов А.Ю. Современные подходы к созданию автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов в промышленности // Тр. XXVII российской научной конференции «Инжиниринг предприятий и управление знаниями» (ИП&УЗ – 2024). Том 1. ФГБОУ ВО «РЭУ им. Г.В. Плеханова», 2024. - С. 351 - 357.

[2] . Чесалов А.Ю. Применение прорывных технологий искусственного интеллекта в промышленных экосистемах Индустрии 4.0. // Тр. IX Санкт-Петербургского международного экономического конгресса (СПЭК-2024) «Перспективные интеграционные процессы в мировой экономике: нооподход». Том 2. М.: ИНИР им. С.Ю. Витте, 2024. С. 176-184.

[3] . Xilinx VERSAL: монстр с NoC'ом // Первый журнал о программной логике. 2019. Сентябрь. https://fpga-systems.ru

[4] . Overview of the Versal FPGA Platform. 2024. Май. https://fidus.com/blog

[5] . Коробейников А. Г. Применение искусственных нейронных сетей в системах автоматического управления магнитной левитацией // Программные продукты и системы. 2022. №3.

[6] . Палюх Б.В., Чесалов А.Ю. Методологический подход к цифровой трансформации предприятий отрасли производителей оборудования неразрушающего контроля // Тр. XXVI российской научной конференции «Инжиниринг предприятий и управление знаниями» (ИП&УЗ – 2023). 2023. М.: ФГБОУ ВО «РЭУ им. Г.В. Плеханова». - С. 256 - 260.

[7]. Галкин Д.И., Чесалов А.Ю. Перспективы цифровой трансформации производителей оборудования неразрушающего контроля на примере опыта НИИИН МНПО «СПЕКТР» // Тр. XXIII всероссийская научно-техническая конференция по неразрушающему контролю и технической диагностике «Умные технологии НК. Единство теории и практики». 2023. М.: Издательский дом «Спектр». С. 167 - 170.

[8]. Галкин Д.И., Ефимов А.Г., Чесалов А.Ю. Перспективы создания цифровой инфраструктуры данных в НК // Территория NTD. 2024. Январь-март. С. 62 - 65.

[9]. Иванов В.К., Палюх Б.В. Демонстратор программной платформы для совместного использования алгоритмов теории свидетельств и нейронных сетей в нечетких системах // Программные продукты и системы / Software & Systems. 2021. №4(34). С.511-523.

[10] . Виноградова Н.В., Иванов В.К., Палюх Б.В., Сотников А.Н. (2021). Современные направления развития и области приложения теории Демпстера-Шафера (обзор) // Искусственный интеллект и принятие решений.- 2018. - №4 -С. 32-42.

[11] . Li J., Xie B., Jin Y., Hu Z. and Zhou L. Weighted Conflict Evidence Combination Method Based on Hellinger Distance and the Belief Entropy // IEEE Access. 2020. Vol. 8. Pp. 225507-225521.

[12] . Mohammed A. H. Real-time data processing in cloud and edge computing // International Journal of Computer Engineering and Technology (IJCET). 2024. Vol. 15. Issue 6. pp. 1940-1951.