1. Введение

Современные автоматизированные системы управления технологическими процессами (АСУТП) сталкиваются с возрастанием сложности обработки информации из-за увеличения объема и сложности данных, поступающих от датчиков и других источников. Промышленные предприятия генерируют большие объемы информации, требующие обработки в реальном времени для эффективного управления производственными процессами. Традиционные методы анализа, такие как распределительные архитектуры с беспроводными модулями или простые датчики, объединенные проводной сетью [1, С. 165], уже не способны эффективно справляться с динамичными изменениями, что затрудняет процесс принятие решений и может привести к снижению производительности и увеличению затрат [2, С. 11-15].

Для решения этих проблем необходимы более мощные и гибкие методы, способные работать с большими данными. Искусственный интеллект (ИИ) и машинное обучение (МО) предоставляют возможности обработки данных в реальном времени, прогнозирования откатов и оптимизации процессов на 25–30% [3, С. 70]. Однако внедрение ИИ в АСУТП сопряжено с серьезными вызовами. Во-первых, интеграция требует масштабной модернизации аппаратной инфраструктуры (например, внедрения GPU-кластеров для обработки нейросетевых моделей) и программного обеспечения, что повышает начальные затраты на 30–50%, что указано в исследовании А.И. Шинкевича и А.А. Лубиной [4, С. 16-18]. Во-вторых, проблемы интерпретируемости моделей «черного ящика» и необходимость постоянного переобучения моделей для борьбы с дрейфом данных создают дополнительные сложности. Компании сталкиваются с дефицитом квалифицированных специалистов и рисками ложных срабатываний, которые могут угрожать безопасности производственного процесса.

Ключевыми вызовами внедрения ИИ в АСУТП являются разработка методов анализа многомерных нелинейных данных и принятие решений в условиях динамичных и изменений, обеспечение устойчивости моделей к дрейфу данных, повышение точности прогнозов и обеспечение безопасности в критических процессах. В то же время ИИ способствует оптимизации работы оборудования, повышению надежности и внедрению комплексного управления производственными процессами, что формирует конкурентное преимущество.

2. Методы и принципы исследования

Объектом данного обзора являются АСУТП в контексте обработки больших данных на промышленных предприятиях. Рассматриваются различные подходы, основанные на применении методов ИИ и МО для анализа данных, прогнозирования аномалий (например, отказов оборудования или отклонений параметров процесса) и оптимизации рабочих процессов в АСУТП.

Обзор охватывает исследования, посвященные применению ИИ и МО для обработки технологических данных в АСУТП. Основное внимание уделено задачам прогнозирования отказов оборудования, мониторинга критичных параметров процессов, а также оптимизации параметров производственного процесса на основе текущих данных.

Для подготовки обзора были использованы публикации, полученные через крупнейшие научные базы данных, такие как Google Scholar, Scopus и другие. Ключевые запросы включали темы: "predictive maintenance", "machine learning for process optimization", "AI in industrial automation". Включены только те работы, которые предлагают практические применения технологий ИИ и МО в АСУТП и содержат конкретные примеры их реализации.

В обзор были включены только те статьи, которые касаются реальных практик внедрения ИИ в АСУТП, а также работы, посвященные применению конкретных моделей ИИ для решения задач, таких как прогнозирование отказов и оптимизация процессов. Исключены статьи, не содержащие практических примеров и относящиеся к теоретическим вопросам или маркетинговым исследованиям.

В процессе анализа источников была проведена систематизация существующих подходов к применению ИИ в АСУТП. Основные направления классификации включают:

•

Анализ вызовов и преимуществ: Оценка существующих проблем, с которыми сталкиваются предприятия при внедрении ИИ, а также преимуществ от использования технологий, таких как прогнозирование отказов и оптимизация процессов.

•

Метрики оценки эффективности: Обзор существующих метрик, используемых для оценки эффективности применения ИИ в АСУТП, включая точность прогнозов, время отклика систем и экономическую эффективность внедрения.

•

Модели и методы ИИ: Сравнение различных моделей ИИ, включая методы, такие как LSTM (долгосрочная краткосрочная память) для обработки временных рядов и XGBoost для многомерной оптимизации производственных параметров.

•

Интеграция с IoT: Описание подходов к интеграции IoT-протоколов, таких как MQTT и CoAP, с ИИ-системами для повышения точности обработки данных и снижения задержек в системе.

3. Основные результаты

АСУТП представляют собой многоуровневые комплексы, обеспечивающие сбор, обработку и управление данными в реальном времени на промышленных объектах. Структура АСУТП включает три ключевых уровня: полевой (датчики и исполнительные механизмы), автоматизации (регуляторы и контроллеры) и управления (SCADA-системы) [5, C. 20]. Отдельно можно выделить уровень планирования (MES/ERP) [6, С. 3-4]. Полевой уровень собирает первичные данные о параметрах процесса (давление, температура, вибрация), передавая их вверх по иерархии для анализа и корректировки.​

Датчики и исполнительные механизмы являются основой полевого уровня АСУТП, отвечая за сбор первичных данных о параметрах процесса, таких как давление, температура, вибрация, а также за выполнение управляющих команд. Для передачи данных между уровнями АСУТП традиционно применяются проводные полевые сети, включая Profibus DP, Modbus RTU/ASCII по RS-485 и CAN [8]. Эти протоколы обеспечивают высокую надежность, детерминизм связи и защиту от помех в промышленных условиях.

В реальных промышленных системах датчики могут быть подключены к Ethernet-модулям напрямую или через RS-485, которые преобразуют данные в формат Modbus TCP. Исполнительные механизмы, такие как реле и контроллеры с модулями, интегрируются через шлюзы, что позволяет эффективно управлять большим количеством устройств и данными [7].

Преимущества традиционных полевых протоколов, таких как Modbus, заключаются в их Master-Slave архитектуре, которая обеспечивает высокую отказоустойчивость и надежность, что особенно важно для электротехнических объектов, таких как подстанции, канализационные насосные станции и системы вентиляторных градирен. Протокол RS-485 поддерживает скорости передачи данных от 300 до 115200 бит/с, что делает его совместимым с SCADA-системами через Ethernet-конвертеры [7].

С переходом на Ethernet, шлюзы преобразуют данные с RS-485/232 в Fast Ethernet, что позволяет интегрировать устаревшее оборудование с современными сетями [7]. Коммутаторы обеспечивают стабильную работу системы при увеличении объемов данных, поступающих от множества датчиков, и сохраняют высокую надежность и масштабируемость сети в условиях роста информационных потоков. Интеграция таких решений с современными сетями способствует повышению эффективности работы и отказоустойчивости систем, интегрируя старое оборудование с новыми технологиями и обеспечивая адаптивность в условиях роста данных.

Ограничения традиционных полевых сетей приводят к необходимости перехода на промышленный Ethernet и внедрения гибридных решений, включающих IoT-протоколы, такие как ZigBee и LoRaWAN, через Modbus-шлюзы. Это также способствует развитию edge-вычислений, что, в свою очередь, улучшает масштабируемость, дальность и пропускную способность систем [7].

SCADA-системы — это программные комплексы для наблюдения и управления производственными процессами в реальном времени. Они собирают данные с датчиков и оборудования, объединяя их в одну наглядную модель, что позволяет операторам контролировать работу и быстро реагировать на изменения. Используя специальные протоколы (например, OPC и DDE), система непрерывно обменивается данными с контроллерами, сохраняет историю событий и создает отчеты. Важную роль играет удобный интерфейс (HMI), который наглядно показывает текущую ситуацию и помогает оператору принимать правильные решения. Системы SCADA находят широкое применение в различных отраслях, от промышленности до экологического мониторинга и автоматизации зданий, демонстрируя свою универсальность и эффективность в реальном времени [9, С. 386-389].​

Системы управления производственными процессами (MES, Manufacturing Execution Systems) обеспечивают координацию производственной деятельности, оптимизируя расписания, управление ресурсами и выполнение заказов на основе агрегированных данных, полученных из SCADA-систем. ERP-системы интегрируются с MES и АСУТП для стратегического планирования на уровне предприятия, охватывая такие функции, как учет, логистика и управление цепочкой поставок [6, С. 2-4]. Интеграция SCADA, MES и ERP создает единую информационную среду, в которой данные от датчиков эффективно используются для принятия управленческих решений на уровне стратегического управления [6, С. 3-4].​

С ростом цифровизации IoT-протоколы (ZigBee IEEE 802.15.4, LoRaWAN, NB-IoT) обеспечивают гибкость развертывания и масштабируемость беспроводных сенсорных сетей (WSN) для промышленных систем [2, С. 19-20].

В системах АСУТП угольной промышленности активно используются WSN, основанные на протоколах LoRaWAN и ZigBee, которые обеспечивают непрерывный сбор телеметрических данных с датчиков, расположенных на удалённых и труднодоступных объектах. Эти протоколы интегрируются в многоуровневую архитектуру АСУТП, где данные с сенсоров передаются на промежуточные уровни обработки (такие как SCADA-системы и ERP), что формирует основу для реализации распределённых облачных вычислений [10, С. 84].

В частности, LoRaWAN и ZigBee обеспечивают передачу информации о ключевых параметрах горных процессов, таких как вибрация, температура и газовый фон [10, С. 84]. Это позволяет осуществлять мониторинг в реальном времени и оперативно оптимизировать добычные операции. Интеграция таких протоколов способствует повышению эффективности эксплуатации оборудования, снижению простоев и улучшению автоматизации производственных процессов за счёт устранения необходимости в сложной проводной инфраструктуре на протяжённых участках рудников [10, С. 84-86].

Развёрнутая инфраструктура, включающая системы обработки данных на базе Hadoop/Spark, используется для обработки больших объёмов информации (например, более 4,5 миллионов записей с 15 шахт за период 2018–2023 гг.), что подтверждает практическую применимость указанных протоколов в условиях высокой нагрузки на системы мониторинга [10, С. 82-84].

В промышленности, в контексте АСУТП, большие данные (Big Data) целесообразно анализировать через классическую триаду характеристик: объем (Volume), скорость поступления (Velocity) и разнообразие (Variety). Эти параметры формируют высокоразмерные и структурно сложные массивы технологической информации. В реальных условиях эксплуатации сложных технологических объектов данные представлены многоканальными временными рядами, полученными от многочисленных измерительных каналов, которые обладают высокой степенью нелинейности взаимосвязей между параметрами и содержат стохастические возмущения. Такие особенности данных существенно усложняют применение традиционных методов моделирования и анализа, требуя внедрения более адаптированных подходов для обработки и интерпретации информации [11, С. 105].

Промышленность представляет собой крупный источник данных, объем которых значительно возрос в последние десятилетия благодаря внедрению технологий Интернета вещей (IoT), умных сенсоров и автоматизированных систем мониторинга. В частности, в угледобывающих компаниях с 2017-2023 гг. аккумулировалось более 10 петабайт данных, которые охватывают широкий спектр производственных процессов — от геологоразведки и добычи угля до его обогащения и транспортировки [12, С. 83-86].

Использование SCADA-систем, а также протоколов IoT, таких как ZigBee и LoRaWAN, становится критически важным для сбора, передачи и обработки данных в таких условиях. Особенно важна скорость обработки данных — задержки могут привести к сбоям. В связи с этим растет потребность в высокоскоростных системах обработки данных, которые могут эффективно управлять и анализировать большие объемы информации для оптимизации технологических процессов, повышения безопасности и минимизации рисков [11, С. 104-105].

Нелинейный характер промышленных данных проявляется в сложной динамике технологических процессов и высокоразмерных разнородных потоках измерений, что затрудняет их адекватное описание линейными моделями регулирования [11, С. 104-107]. Технологические объекты целесообразно описывать иерархическими информационными моделями на основе методов машинного обучения и глубоких нейронных сетей, где специальные каскады сетей выполняют распознавание динамики процесса и его прогнозирование при обработке больших массивов разнородных данных [13, С. 106]. На практике это соответствует ситуациям, когда традиционные контуры регулирования в составе АСУТП не обеспечивают требуемой точности и устойчивости управления без привлечения продвинутой аналитики и моделей искусственного интеллекта [12. C. 105-106].

Исследования в угольной промышленности показывают, что внедрение технологий анализа больших данных и распределённых облачных вычислений позволяет добиться существенного улучшения показателей функционирования производственных систем: рост производительности труда составляет 25–40%, снижение простоев оборудования — 30–50%, при этом уровень автоматизации технологических процессов увеличивается до 70–85% [10, С. 82-83]. Эти данные могут свидетельствовать о том, что при возрастающей сложности и вариативности входных данных традиционные АСУТП нуждаются в дополнении модулями интеллектуального анализа, ориентированными на извлечение скрытых закономерностей и построение прогнозных моделей на основе больших массивов технологической информации.

Протоколы передачи данных занимают центральное место в построении промышленных IoT‑сетей, обеспечивающих связь полевого уровня с системами АСУТП и SCADA. Стандарт ZigBee применяется для организации беспроводных сетей датчиков с поддержкой звёздной, древовидной и ячеистой топологий, что позволяет объединять большое число узлов в единую самоорганизующуюся сеть и использовать его в составе WSN для распределённых технологических объектов [2, С. 20-21]. LoRaWAN относится к классу протоколов с большой дальностью действия и низкой скоростью передачи данных; за счёт применения широкополосной модуляции типа CHIRP Spread Spectrum обеспечивается надёжная телеметрия на значительные расстояния при низком энергопотреблении, что делает данный протокол востребованным для удалённых измерительных пунктов и редко передающих датчиков [2, С. 93-94].

В типичных архитектурах промышленного Интернета вещей ZigBee и LoRaWAN‑сети подключаются к верхнему уровню через IoT‑шлюзы и пограничные (edge) устройства, реализующие агрегирование и предобработку данных, а также конвертацию трафика в прикладные протоколы MQTT Message Queuing Telemetry Transport и CoAP Constrained Application Protocol [2, С. 86-87].

​Edge‑вычисления и fog‑вычисления представляют парадигму, при которой вычислительные ресурсы размещаются ближе к источникам данных — в IoT‑шлюзах и пограничных устройствах, в отличие от традиционных облачных решений. В IoT‑архитектурах IoT‑шлюзы и edge‑узлы выполняют предобработку и агрегацию данных, обеспечивая снижение объёма передаваемой информации и уменьшение задержек по сравнению с централизованной обработкой в облаке [2, С. 16-18]. Гибридная модель сочетает edge/fog‑вычисления с облачными платформами: локально происходит первичная обработка данных и принятие решений в реальном времени, а агрегированная информация передаётся в облако для глобального анализа и хранения [2, С. 86-87].

Методы искусственного интеллекта и машинного обучения существенно расширяют возможности анализа данных, преодолевая ограничения традиционных подходов, включая линейные регуляторы и простые статистические модели. Эти методы позволяют извлекать скрытые паттерны из больших объёмов разнородных данных, обеспечивая прогнозирование, оптимизацию и мониторинг в условиях высокой динамики и нелинейности технологических процессов [12, С. 107].

Глубокие нейронные сети, включая иерархические ансамбли сверточных нейронных сетей (CNN), применяются для распознавания динамики технологического процесса и его прогнозирования на основе обработки мультимодальной технологической информации из отдельных каналов технологических зон; выход ансамбля поступает на второй каскад с выходной нейронной сетью для финального классифицирования состояний [11, С. 104-106]. Такие подходы рекомендованы для создания интеллектуальных «умных фабрик» с полной автоматизацией и роботизированным управлением, включая мониторинг оборудования, контроль качества продукции и оптимизацию цепочек поставок [4, С. 12].

Long Short-Term Memory (LSTM) сети относятся к классу рекуррентных нейронных сетей (RNN), оптимизированных для моделирования временных рядов в задачах прогнозирования трафика и состояний систем мониторинга. LSTM превосходят традиционные статистические модели типа ARIMA по метрикам точности, таким как MAPE (5,7–18,4% против 6,2–23,7%) и RMSE, демонстрируя способность захватывать нелинейные долгосрочные зависимости в последовательностях данных [13]. В контексте АСУТП LSTM интегрируются в проактивные системы для предсказания аномалий и отказов оборудования на основе исторических траекторий, минимизируя реактивное обслуживание [13].

Extreme Gradient Boosting (XGBoost) представляет собой алгоритм градиентного бустинга на основе деревьев решений, формирующий последовательный ансамбль слабых моделей с применением регуляризации L1/L2 для предотвращения переобучения и повышения устойчивости к шумам в данных. В АСУТП XGBoost эффективно решает задачи многомерной оптимизации параметров технологических процессов, автоматически подбирая оптимальные setpoint'ы регуляторов на основе множества входных переменных из SCADA-систем, учитывая нелинейные взаимодействия факторов. Алгоритм демонстрирует высокие показатели F1-score (0,85–0,89) в классификации аномалий и прогнозировании, обеспечивая реальное время корректировку процессов для повышения стабильности, энергоэффективности и снижения простоев без ручного вмешательства [13].

В SCADA-системах и АСУТП основные ограничения связаны с задержками реакции в промышленных сетях: PROFIBUS-DP функционирует по принципу master-slave с CPU-модулями (например, в SIMATIC S7-300), что приводит к накоплению ошибок передачи данных при интенсивных мультимодальных потоках и замедлению реального времени принятия решений. Проводные интерфейсы OPC/DDE (Dynamic Data Exchange) и MPI/PROFIBUS не обеспечивают достаточную пропускную способность для высокоскоростной обработки сигналов от RTU/PLC, вызывая задержки в HMI и визуализации процессов [9, С. 386-392].

Неэффективное использование ресурсов и частые ремонты из-за простоев оборудования приводят к росту эксплуатационных расходов (OPEX) в добывающей промышленности, подчёркивая необходимость перехода к ИИ-методам; внедрение big data аналитики и ML минимизирует эти проблемы, снижая затраты на добычу на 20–30%, CAPEX и углеродный след на 15–25% за счёт предиктивного прогнозирования, оптимизации мониторинга процессов и повышения эффективности в условиях цифровизации [10, С. 82-85].

Интеграция решений искусственного интеллекта и продвинутой аналитики с промышленным Интернетом вещей и контурами управления позволяет перейти от накопления телеметрии к извлечению из неё управленческой ценности: в угольной отрасли рост данных связывается с внедрением IoT и «умных» датчиков, а передовые компании применяют аналитику для выявления скрытых закономерностей, точного прогнозирования и проактивной оптимизации ключевых операций [12, С. 82-83]. Продвинутая аналитика при этом понимается как совокупность методов извлечения ценной информации из больших данных — от машинного обучения и предиктивного моделирования до искусственного интеллекта и цифровых двойников [12, С. 83-84].

Архитектура IoT включает конечные устройства (сенсоры, актуаторы), шлюзы, облачную платформу и систему аналитики. Для уменьшения трафика и задержек применяются граничные вычисления, где первичная обработка данных происходит до отправки в облако. В коммуникациях отсутствует единый стандарт, но широко используются протоколы ZigBee и LoRa/LoRaWAN [2, С. 43-51].

С точки зрения интеграции с АСУТП и производственными ИС, в практическом примере корпоративной аналитической платформы описано объединение разрозненных потоков в единое «озеро данных»: туда собираются данные от «интеллектуальных систем» горной техники, производственных цифровых систем, лабораторных данных качества, а также интегрируются корпоративные системы и контуры управления (SAP, MES Wonderware, SCADA Trace Mode) [12, С. 85]. В составе такой платформы в качестве элементов сбора/интеграции и хранения упоминаются промышленные протоколы и технологии (например, MQTT и OPC UA для сбора данных; Hadoop/Hive на уровне хранилища) [12, С. 85]. Роль SCADA в этом контуре описывается как обеспечение работы в реальном времени по сбору, обработке, отображению и архивированию данных об объекте мониторинга/управления, а также как точка связи с внешними приложениями; при этом в управлении предприятием такими внешними приложениями часто выступают решения уровня MES [9, С. 387-388].

На прикладном уровне ожидаемый эффект продвинутой аналитики и ИИ в промышленном контексте связывается, в частности, с предиктивной диагностикой технического состояния оборудования по данным встроенных сенсоров и систем диспетчеризации для снижения простоев, а также с созданием комплексных предиктивных и оптимизационных моделей в рамках интегрированных решений («Интеллектуальная шахта») [12, С. 86-87].

Традиционные системы мониторинга реагируют на сбои только по факту их возникновения, что не позволяет вовремя предотвратить ущерб. Предиктивная аналитика работает на опережение: она заранее прогнозирует возможные дефекты, давая запас времени для устранения проблем [13].

Для прогнозирования используются методы машинного обучения. Особо отмечается эффективность нейросетей LSTM, которые лучше других справляются с анализом трафика [13]. Сама система включает сбор данных, оценку рисков, модуль принятия решений и «цифрового двойника», который помогает выявлять скрытые отклонения в реальном времени [13]. Практическая польза такого подхода подтверждена цифрами: по сравнению с обычным мониторингом, количество простоев снизилось на 27%, а скорость реакции на инциденты выросла на 35% [13].

В литературе подчёркивается, что индустриальная адаптация применения методов ИИ сдерживается отсутствием общепринятых архитектурных подходов и стандартов для отраслевых платформ, недостаточной методологической проработанностью оценки эффектов, а также дефицитом организационных механизмов цифровой трансформации, включая развитие компетенций и обучение персонала [12, С. 82-83]. Существенным фактором выступают ограничения вычислительных ресурсов на периферии сети: конечные устройства Интернета вещей конструируются как недорогие, автономные и энергоэффективные, что объективно лимитирует их производительность [2, С. 15-25]. Одновременно требования к обработке данных в режиме, близком к реальному времени, и рост объёмов данных снижают эффективность исключительно облачной модели, что обосновывает применение распределённых архитектур, предусматривающих перенос части функций мониторинга и предварительной обработки к источникам данных [2, С. 43-51]. Практические примеры демонстрируют реализацию указанного подхода в форме интеграционных платформ, объединяющих потоки разных источников, включая MES Wonderware и SCADA Trace Mode; при этом использование edge computing и гибридных облачно-туманных хранилищ рассматривается как средство обеспечения высокой производительности и отказоустойчивости при горизонтальном масштабировании (в частности, приводятся показатели доступности 99,95% и потоковой обработки до 100 тыс. событий/с) [12, С. 84-85].

Внедрение методов искусственного интеллекта и продвинутой аналитики в промышленной среде в значительной степени определяется кадровыми факторами: применение таких подходов требует высокой квалификации исполнителей и наличия качественной информационной базы [4, С. 18]. Переход к проактивному мониторингу с использованием предиктивной аналитики и цифровых двойников позволяет существенно снизить количество сбоев и время реакции на них, однако для эффективной цифровой трансформации необходимо одновременно развивать организационные механизмы, включая создание профильных центров компетенций и программ обучения для управления на основе данных [11, С. 5-7].

При разработке систем мониторинга и обнаружения аномалий ключевым методическим вопросом выступает контроль ошибок распознавания, прежде всего компромисс между вероятностью ложной тревоги и вероятностью правильного обнаружения, который определяется выбором порогового уровня срабатывания: повышение порога снижает вероятность ложной тревоги, но одновременно уменьшает вероятность правильного обнаружения [2, С. 43-51]. В рамках предиктивной аналитики для раннего выявления аномалий и потенциальных отказов рассматривается использование комплекса моделей машинного обучения (включая LSTM, гибридные CNN–LSTM, модели градиентного бустинга и ансамблевые схемы), а качество решений оценивается не только регрессионными метриками, но и показателями для задачи классификации аномалий, в частности F1-мерой [13]. Показано, что для более протяжённых горизонтов прогнозирования наилучшие результаты обеспечивают гибридные архитектуры CNN–LSTM и ансамблевые модели [13]. Одновременно предлагается архитектурный подход, в котором наряду с модулем предиктивной аналитики выделяются модули анализа рисков, принятия решений и визуализации, обеспечивающие интерпретацию результатов мониторинга в прикладных задачах управления [13].

4. Обсуждение

Сравнительный анализ традиционных методов и методов с применением ИИ

В рамках традиционных подходов к анализу состояний АСУТП акцент делается на количественной оценке коэффициентов надёжности и спектральном разложении сигналов с последующей нормализацией амплитуд и вычислением взвешенных гармонических компонент, интегрируемых в F-методы и ансамблевые алгоритмы типа Random Forest для классификации работоспособности систем. Данные методики демонстрируют высокую эффективность в квазистатических режимах эксплуатации, где преобладают детерминированные паттерны сигналов, обеспечивая точное распознавание неидентифицированных состояний с использованием пороговых метрик и статистических тестов. Но их применимость существенно ограничивается в условиях высокодинамичных стохастических процессов с большими объёмами разнородных данных, характеризующихся нелинейными возмущениями и многомерными потоками, поскольку алгоритмы не обладают достаточной адаптивностью для мгновенной обработки в реальном времени, что требует перехода к гибридным распределённо-централизованным архитектурам на базе глубокого обучения.

Преимущества ИИ-методов в АСУТП включают автоматизированное извлечение сложных закономерностей из больших данных, адаптацию к изменяющимся условиям и интеграцию с существующими системами (SCADA, MES) [12, С. 85]. Они позволяют перейти от реактивного к предиктивному управлению, снижая зависимость от операторов и повышая общую надежность производства за счет своевременного выявления рисков [13].​

Анализ проблем внедрения и технологические барьеры

Анализ пропускной способности традиционных полевых интерфейсов (OPC/DDE, MPI/PROFIBUS) демонстрирует их недостаточную эффективность для задач высокоскоростной обработки сигналов от RTU/PLC [9, С. 12-15]. Архитектура типа Master-Slave при интенсивных мультимодальных потоках приводит к увеличению латентности, что замедляет принятие решений в реальном времени [7]. В условиях управления сложными технологическими объектами подобные задержки недопустимы, так как препятствуют своевременной реакции на стохастические возмущения и пиковые нагрузки.

Преодоление указанных барьеров требует смены парадигмы построения промышленных сетей: перехода от жестких проводных иерархий к гибридным решениям на базе промышленного Ethernet и IoT-протоколов [7]. Интеграция Ethernet-шлюзов обеспечивает масштабируемость и возможность работы с большими данными, однако для минимизации задержек необходима децентрализация вычислений. Внедрение архитектур Edge/Fog позволяет перенести предобработку и фильтрацию данных на периферию сети, снижая зависимость от пропускной способности каналов до облака и обеспечивая требуемую реактивность системы мониторинга.

Методологический компромисс при выборе порогов обнаружения

Ключевым методологическим аспектом при построении систем предиктивной аналитики для проактивного мониторинга является выбор критериев качества моделей, обеспечивающих баланс между пропуском значимых событий и количеством срабатываний системы. В промышленных условиях этот баланс оценивается не только по ошибкам прогнозирования (MAPE, RMSE, MAE), но и по интегральным метрикам классификации, таким как F1‑мера, которые одновременно учитывают точность и полноту обнаружения аномалий и таким образом отражают компромисс между ложными тревогами и пропуском инцидентов [13].

Организационные барьеры и развитие человеческого капитала

Внедрение ИИ и продвинутой аналитики в промышленность зависит не только от технологий, но и от уровня квалификации персонала, определяя успех эксплуатации моделей и минимизацию рисков интерпретации результатов. Существующий дефицит специалистов на стыке анализа данных и управления процессами сдерживает цифровизацию, требуя развития компетенций, включая владение ИИ/ML и soft skills [4, С. 17-19].

Индустриальная адаптация решений тормозится недостатком организационных механизмов трансформации, в том числе моделей компетенций и программ обучения [4, С. 18]. Необходимы институциональные меры — сотрудничество фондов развития с IT-организациями для координации экспертизы науки, промышленности и ИТ.

Трансформация культуры и инвестиции в цифровые навыки сотрудников обязательны для перехода к data-driven управлению и роста эффективности. Практика подтверждает роль программ обучения в повышении зрелости персонала и конкурентоспособности [11, С. 20-22].

5. Заключение

На основе анализа существующих исследований можно выделить несколько ключевых направлений, которые решают актуальные проблемы внедрения искусственного интеллекта и машинного обучения в АСУТП.

В работе Шинкевича и Лубниной [4] рассматриваются технологии ИИ, применяемые для анализа больших данных и предсказания аномальных событий, таких как отказы оборудования, с использованием алгоритмов предсказательной аналитики, таких как LSTM и XGBoost. Эти методы обработки временных рядов позволяют повысить точность предсказаний и минимизировать риски сбоев в системе, что важно для повышения надежности АСУТП.

В свою очередь, исследования Руднева и Сычугова [1] подчеркивают необходимость интеграции различных источников данных и использования распределенных информационных систем для мониторинга состояния объектов. В рамках данной работы предлагается использование гибридных решений, таких как edge и fog вычисления, что способствует эффективной предварительной обработке данных на местах с последующим централизованным хранением и анализом.

Вопрос масштабируемости и гибкости АСУТП, также важный для обеспечения их долгосрочной эффективности, обсуждается в работах Федорова и Глушков [6]. В предложенной модели используется стандартизированная инфраструктура Ethernet-сетей для интеграции различных компонентов системы, что позволяет обеспечить необходимую гибкость при увеличении объема данных. В аспекте повышения производительности и экономической эффективности работа Харченко и соавторов [10] показала, что применение распределенных облачных вычислений и IoT-протоколов позволяет существенно снизить простои оборудования и улучшить производственные показатели.

В рамках данной работы аналогичный подход применяется с акцентом на использование ИИ для оптимизации параметров технологических процессов, что способствует улучшению точности прогнозов и снижению затрат. Вопросам безопасности и конфиденциальности данных уделяется внимание в исследованиях Шинкевича и Лубниной [4], где подчеркивается роль ИИ в диагностике и управлении рисками для повышения безопасности. Эти подходы также нашли отражение в настоящей работе, где рассматриваются меры по обеспечению кибербезопасности при внедрении новых технологий в АСУТП. Таким образом, исследуемые в литературе подходы и предложенные решения позволяют не только решить ряд актуальных проблем, но и прокладывают путь для дальнейших инноваций в области автоматизации управления промышленными процессами с использованием технологий ИИ.

The additional file for this article can be found as follows: