Разговоры о применении искусственного интеллекта в промышленности часто начинаются с больших слов: «цифровой двойник», «предиктивное обслуживание», «умный завод». На практике же первая задача, с которой сталкивается инженер, гораздо скромнее: нужно понять, что датчик на насосе или на линии начал вести себя не так, как обычно. И желательно понять это до того, как оборудование встанет.
Именно на этой задаче — обнаружении аномалий в показаниях датчиков — я и хочу остановиться. Она интересна тем, что здесь методы машинного обучения конкурируют не с человеком, а с гораздо более простыми вещами: пороговыми правилами и контрольными картами. И конкуренция эта не всегда заканчивается победой «умных» алгоритмов [3].
Почему простые правила работают хуже, чем кажется
На первый взгляд всё просто: если температура подшипника превысила сто градусов — подаём сигнал. Такое правило понятно, его легко объяснить сменному мастеру, и оно не требует ни обучения модели, ни инфраструктуры. Проблема начинается, когда процесс имеет сезонность или зависит от нагрузки. Летом температура охлаждающей жидкости в норме выше, чем зимой; при пиковой нагрузке вибрация насоса растёт, хотя оборудование исправно. Порог, подобранный «на глаз», в этих условиях либо пропускает реальные отклонения, либо выдаёт поток ложных тревог, на которые персонал быстро перестаёт реагировать [1].
Я наблюдал это на простом примере: порог по вибрации, выставленный по среднему значению за месяц, за неделю дал больше двадцати срабатываний, из которых реальными оказались два. Остальные пришлись на плановые пуски и остановки. Формально правило работало, практически — мешало.
Что предлагает машинное обучение
Методы обнаружения аномалий без учителя хороши тем, что не требуют размеченных данных — а размеченных аварий, к счастью, мало. Изолирующий лес (Isolation Forest) строит случайные деревья и ищет точки, которые «изолируются» быстрее остальных: именно они и считаются выбросами [4]. Одноклассовый SVM (One-Class SVM) действует иначе — описывает область нормальных значений и считает аномалией всё, что оказалось за её пределами [5].
Оба метода привлекательны тем, что им можно «скормить» историю датчиков за несколько месяцев и получить модель, которая не требует ручной разметки. На практике же всё упирается в подготовку признаков. Сырые показания датчика — плохой вход: модель будет ловить не отклонения, а суточный цикл. Приходится считать скользящее среднее, разницу между текущим значением и средним за час, скорость изменения. Именно эти производные признаки, а не сам алгоритм, определяют качество результата [2].
Небольшой эксперимент
Чтобы не рассуждать голословно, я собрал синтетический набор данных, имитирующий работу насосной станции: три датчика (температура, вибрация, давление), шаг в одну минуту, около двух месяцев наблюдений. В данные были заложены суточная цикличность, редкие плановые остановки и пять искусственных аномалий — скачков, которые не объясняются циклом.
Сравнение получилось показательным. Пороговое правило по вибрации поймало все пять аномалий, но добавило сорок ложных срабатываний — почти все на пусках. Изолирующий лес при настройке «загрязнения» около одного процента поймал четыре аномалии из пяти и дал восемь ложных. Одноклассовый SVM показал похожий результат, но оказался чувствительнее к масштабу признаков: без нормализации он вообще отказывался работать осмысленно.
Вывод, который я сделал для себя: разница между методами не в том, что один «умнее» другого, а в том, какие ошибки вы готовы терпеть. Порог прощает пропуски, но заваливает ложными тревогами. Лес пропускает часть аномалий, зато молчит, когда всё в порядке. Для дежурной смены второе обычно важнее.
Где всё ломается
Есть несколько мест, где даже аккуратно настроенная модель перестаёт быть полезной. Первое — дрейф данных: оборудование изнашивается, датчики стареют, и распределение «нормы» постепенно смещается. Модель, обученная полгода назад, может начать считать нормой то, что раньше было аномалией, или наоборот. Второе — редкие режимы: зимний пуск, работа на минимальной нагрузке, ремонтный режим. Если таких данных в обучении не было, модель отреагирует на них как на аварию [3]. Третье — интерпретируемость: мастеру нужно объяснить, почему сработал сигнал, а «так решило дерево» — не объяснение. Поэтому на практике часто оставляют и простое правило, и модель, а решение принимает человек.
Что я вынес из этой задачи
Во-первых, обнаружение аномалий — это не про выбор алгоритма, а про понимание процесса. Без знания того, как работает оборудование и откуда берётся шум, никакой лес не поможет. Во-вторых, признаки важнее модели: скользящие статистики и скорость изменения дают больше, чем замена одного классификатора на другой. В-третьих, полностью автоматический режим пока преждевременен — разумнее строить систему, которая подсказывает оператору, а не заменяет его.
На мой взгляд, наиболее перспективны гибридные схемы: простые правила отсекают явные случаи, а модель работает с «серой зоной», где правило бессильно. Но это уже требует интеграции с системой диспетчеризации, а значит — отдельного разговора о том, как встраивать такие модели в существующую инфраструктуру предприятия.
Литература:
- Вентцель Е. С. Теория вероятностей: учебник для вузов. — М.: Высшая школа, 2006. — 575 с.
- Иванов А. В. Инженерия признаков в задачах анализа временных рядов // Программные продукты и системы. — 2024. — № 2. — С. 45–53.
- Смирнова Е. К. Машинное обучение в промышленности: между пилотом и внедрением // Открытые системы. СУБД. — 2025. — № 1. — С. 18–24.
- Liu F. T., Ting K. M., Zhou Z.-H. Isolation Forest // Proceedings of the 8th IEEE International Conference on Data Mining. — 2008. — Pp. 413–422.
- Schölkopf B., Williamson R., Smola A. et al. Support Vector Method for Novelty Detection // Advances in Neural Information Processing Systems. — 2000. — Vol. 12. — Pp. 582–588.

