Предиктивная аналитика, или прогнозное обслуживание, смело обещает превратить коммунальное чрезвычайное происшествие в плановую замену подшипника в межсезонье, а весенний перетоп — в заранее рассчитанное, плавное снижение подачи теплоносителя. Вопрос лишь в том, где здесь скрыты реальные деньги для бизнеса, а где попытка пропихнуть красивую маркетинговую презентацию для совета директоров. Совместно с ведущими отраслевыми экспертами мы решили разобраться, как технологии искусственного интеллекта работают на локальном уровне — в котельных, тепловых пунктах и внутренних инженерных системах. Этому будут посвящены две статьи. Далее в выпусках нашего журнала мы оценим предикативные технологии более масштабно — расскажем как ИИ может управлять распределительной инфраструктурой и спасти город от разморозки теплотрасс.
Каждый главный инженер и руководитель управляющей компании легко представит эту классическую картину. На улице резко потеплело, а батареи в многоквартирном доме продолжают шпарить на полную мощность, потому что автоматика еще не успела сообразить, что весна пришла. Или морозным январским вечером внезапно встает циркуляционный насос в индивидуальном тепловом пункте, и аварийная бригада выезжает на объект «в режиме боевой тревоги»… Но — давайте разберем в деталях: кто виноват, что делать и — самое главное — как при модернизации системы отопления с помощью «прорывных» технологий не «сесть в лужу». Возможно, даже уже слегка подмерзшую.
| Матрица экономической целесообразности Для оценки целесообразности внедрения прогнозного обслуживания на конкретном узле эксперты рекомендуют рассчитать три величины. Во-первых, это стоимость внепланового отказа, включающая аварийный ремонт, простой оборудования, санкции и перерасчеты. Во-вторых, вероятность такого отказа за один отопительный сезон. В-третьих, годовая стоимость мониторинга, куда входят амортизация датчиков, связь и сопровождение математической модели. Если произведение стоимости и вероятности отказа заметно превышает годовую цену мониторинга, узел необходимо включать в пилотный проект. В противном случае экономически выгоднее оставить объект на классическом плановом обслуживании. |
Анатомия денег и практический фильтр окупаемости
Разговор о внедрении умных решений в жилищно-коммунальном хозяйстве часто начинают с общих абстрактных фраз про цифровую трансформацию. Однако реальный бизнес требует жестких прагматичных метрик. Александр Осипов, генеральный директор компании «Академия БИМ», сразу предлагает приземлить дискуссию на финансовую почву. По его мнению, деньги в предиктивной аналитике здания появляются не там, где установлено самое инновационное железо, а там, где сходятся три обязательных условия. Это высокая цена отказа оборудования, понятный физический сигнал его деградации и регулярный автоматический поток данных. Если хотя бы одного элемента нет, любой проект моментально превращается в дорогой, но абсолютно бесполезный дашборд на экране компьютера.
Александр Осипов, генеральный директор компании «Академия БИМ»
Опираясь на этот подход, специалисты выделяют несколько основных узлов внутри здания, где искусственный интеллект окупается быстрее всего. Безусловным лидером здесь выступают насосные группы — сетевые, циркуляционные, подпиточные плюс системы горячего водоснабжения. Износ подшипников, кавитационные процессы, дисбаланс или засор рабочего колеса замечательно и заблаговременно диагностируются по косвенным признакам, включая микровибрации, токи двигателя и соотношение напора с расходом.
Алина Постовалова, заместитель директора НИИСФ РААСН и руководитель Отраслевого центра компетенций в ЖКХ Минстроя России, подчеркивает практическую значимость этого узла. Она напоминает, что отказ насоса в январе означает моментально остывший дом, аварийный выезд бригады и последующие финансовые перерасчеты жителям. Предупреждение о дефекте за несколько недель «до того, как» превращает потенциальную аварию в стандартный плановый ремонт. Дополнительно алгоритмы позволяют выявлять насосы, работающие далеко от своей расчетной точки, что исключает скрытую переплату за электроэнергию.
Алина Постовалова, заместитель директора НИИСФ РААСН и руководитель Отраслевого центра компетенций в ЖКХ Минстроя России
Следующим «благодарным» кандидатом наши эксперты называют пластинчатые теплообменники систем горячего водоснабжения и отопления. Правда, здесь аналитика полезна не тем, что даёт предсказание внезапной поломки, а постоянным контролем уровня загрязнения. Алгоритм непрерывно сравнивает фактическую теплопередачу с расчетной математической моделью. Как отмечает Александр Осипов, рост температурного напора и падение эффективности при неизменной нагрузке служат ранними признаками накипи и зашламления. Модель четко подсказывает, когда промывать аппарат реально необходимо, заменяя привычный календарный регламент обслуживанием по фактическому техническому состоянию.
А вот недооцененным узлом специалисты считают регулирующие клапаны и приводы. Залипший или изношенный клапан дает зловещую температурную «пилу» и провоцирует лавину жалоб от потребителей. Проблема эта легко выявляется алгоритмами по расхождению команды контроллера и фактической реакции теплового контура. По словам Александра Осипова, это почти дармовая аналитика, реализуемая на уже существующих данных. В средних и крупных котельных ИИстоль же эффективно анализирует режимы горения, частоту розжигов и тренд коэффициента полезного действия по уходящим дымовым газам, что существенно снижает риск срыва факела.
В то же время эксперты единогласно предостерегают от избыточных иллюзий. Лезть с ИИ-шкой к ручной запорной арматуре, внутридомовым стоякам, поквартирным радиаторам или на маленькие крышные котельные экономически бессмысленно. Алина Постовалова поясняет, что стоимость подключения, датчиков и сопровождения математической модели там кратно превышает стоимость возможного ущерба, поэтому в этих зонах надежнее работает стандартное плановое обслуживание.
Маркетинг в этой сфере, по мнению руководителя Отраслевого центра компетенций в ЖКХ, легко распознать по трем характерным признакам. Поставщики часто обещают абстрактные проценты экономии, но не называют базовую линию, от которой ведется расчет. Они уверяют, что нейросеть сама все найдет без аудита ваших данных, и отказываются от пилотного проекта с четко зафиксированными показателями успеха. Если в коммерческом предложении присутствуют все три признака, знайте, что вам пытаются продать мечту, а не технологию. По мнению Александра Осипова, портфельный эффект в предиктивной аналитике начинается от десятков однотипных объектов у одной компании, когда модель обучается на парке оборудования, а не на одном несчастном приборе.
| Критерии готовности теплового пункта к внедрению ИИ Перед запуском пилотного проекта инженерной службе здания необходимо проверить объект по следующим критериям. Требуется наличие свободно программируемого или открытого контроллера с возможностью удаленной записи внешних уставок. Нужен стабильный сбор данных в архив с интервалом опроса в несколько минут не менее чем за один отопительный сезон. Все установленные датчики должны быть откалиброваны, а их системное время жестко синхронизировано. Ещё понадобятся структурированный паспорт оборудования или информационная модель, цифровой журнал ремонтов за последние два года и зафиксированная базовая линия теплопотребления здания. Если более половины этих критериев не выполнено, правильная последовательность действий должна быть строго поэтапной — сначала наладка КИПиА и диспетчеризация, и уж только потом алгоритмы искусственного интеллекта. |
Четыре ступени цифровизации и правила аудита данных
Главное правило автоматизации звучит просто. Искусственный интеллект не исправляет отсутствие автоматики, он лишь оптимизирует ее работу. Если контур отопления не регулируется в автоматическом режиме, предиктивная модель будет просто красиво описывать хаос.
Александр Осипов напоминает, что на большинстве современных объектов теплоснабжения и крупных сетей уже развернуты полноценные SCADA-системы. Этот программно-аппаратный комплекс успешно собирает данные с датчиков в реальном времени, обрабатывает технологические параметры и позволяет диспетчерам удаленно управлять процессами. Именно к таким работающим комплексам и имеет смысл прикручивать искусственный интеллект. В этой связке SCADA выступает надежным фундаментом и поставщиком оперативной информации, а ИИ берет на себя роль мыслящей надстройки, способной анализировать накопленные массивы данных на предмет скрытых аномалий и будущих отказов.
Алина Постовалова выделяет четыре технологические ступени зрелости объекта в жилищно-коммунальном хозяйстве, напоминая, что отрасль пока очень неоднородна.
На ступени ноль данные со стрелочных манометров заносятся в бумажный журнал обхода, и искусственный интеллект здесь уж точно бесполезен. Ступень один предполагает наличие узла учета с часовым архивом и удаленным съемом данных, что позволяет выявлять ночные перетопы и явные нарушения графика. Ступень два становится реальным порогом входа для предиктивного обслуживания, так как характеризуется наличием контроллера теплового пункта с открытым протоколом доступа к данным и архивом минимум за один отопительный сезон. И на третьей ступени инфраструктура дополняется датчиками вибрации, тока и возможностью дистанционно менять уставки.
По мнению Алины Постоваловой, звать разработчиков имеет смысл только со второй ступени. Но перед первой встречей хорошо бы провести экспресс-аудит данных, выгрузить архив за прошлый сезон и посмотреть количество пропусков в записях, проверить синхронизацию времени. Не экономьте здесь часы — этот день инженерной работы сэкономит месяцы на предотвращении неудачного пилотного проекта. Александр Осипов добавляет, что к началу работы у компании должны быть подготовлены принципиальная схема теплового пункта, перечень точек измерения и журнал ремонтов. Структурировать эти данные и корректно привязать к ним датчики колоссально помогает информационная модель эксплуатации здания, создающая цифровую основу для тиражирования решений.
В следующем номере журнала мы продолжим разбор локального уровня и поговорим о физике упреждающего климатического контроля, алгоритмах прогнозирования погоды, а также о скрытых барьерах эксплуатации — от закрытых прошивок отечественных контроллеров до психологии линейного персонала.
Источник: www.heatclub.ru
