ГЛАВА 09
ТОиР и предиктивное обслуживание
Predictive maintenance — это, наверное, самая «продаваемая» тема в цифровой трансформации производства. Каждый второй вендор обещает «снижение простоев на 50 %», «снижение затрат на ремонт на 30 %», «увеличение MTBF (среднее время между отказами) в 1,5 раза». Часть этих обещаний — правда. Часть — маркетинг. И есть один секрет, который вендоры не любят говорить: predictive maintenance не работает без качественного EAM (система управления активами). А EAM большинство российских предприятий ведёт в журналах механика, а не в системе.
В этой главе — что такое EAM/CMMS (система управления ТОиР), зачем он нужен до предиктивки, где predictive maintenance реально окупается, где это маркетинг, и как разговаривать с вендором, который продаёт «ИИ-предиктивку».
Зачем структурированный учёт ТОиР
Большинство производственных предприятий ведут ТОиР (техническое обслуживание и ремонт) по принципу «механик знает». У главного механика — журнал, у мастеров участков — свои тетради, у плановиков — Excel. Когда задаёшь вопрос «когда последний раз меняли подшипник на этом насосе» — ответ занимает 2-3 дня☺, и он, скорее всего, не точный.
Четыре типа потерь, которые случаются без структурированного учёта ТОиР:
- Неоптимальная замена: либо меняем по плану, когда узел ещё работает (выкидываем деньги), либо реагируем по поломке (выкидываем больше денег на аварийный ремонт).
- Перерасход запчастей: «давайте на всякий случай купим 2 запасных» — потому что точная история отказов недоступна, действуем «по ощущениям».
- Дублирование работ: одну операцию выполняют дважды, потому что бригады не знают, что коллеги уже сделали.
- Невозможность предиктивки: без 1-3 лет качественной структурированной истории отказов ML (машинное обучение) не на чем обучать.
EAM/CMMS — это система, которая ведёт учёт ТОиР структурно.
Что такое EAM и CMMS
Два близких, но различающихся понятия:
- CMMS (Computerized Maintenance Management System) — про ремонт и обслуживание. «Когда менять масло, кто меняет, какие запчасти, сколько ушло часов работы».
- EAM (Enterprise Asset Management) — шире, про управление активами в целом. «Когда списывать станок, сколько он нам стоил за весь жизненный цикл, какой у него возврат на инвестиции».
В РФ 2026 терминология плавающая. Под «EAM» часто подразумевают CMMS с дополнительными финансовыми возможностями. Принципиальной разницы для большинства задач нет.
Что должно быть в системе:
- Паспорта оборудования: что это, где стоит, когда установлено, технические характеристики, регламент.
- План планово-предупредительных работ (ППР): что и когда надо делать.
- Заявки на ремонт: от мастеров — на ремонтную службу, с фиксацией времени, статуса, исполнителя.
- История ремонтов и отказов: что было, когда, почему, сколько ушло запчастей и времени.
- Учёт запчастей: связка с WMS (система управления складом)/складом.
- Расчёт KPI: MTBF, MTTR (среднее время восстановления), готовность, стоимость владения.
Российские EAM-системы 2026
| Продукт | Сегмент | Особенности |
|---|---|---|
| 1С:ТОиР | Малый, средний | Самый массовый, отлично с 1С:ERP (система планирования ресурсов предприятия). Лучший вход для среднего бизнеса |
| Global EAM | Средний-крупный | Отечественный, зрелый, активно развивается |
| TRIM | Средний-крупный | Зрелый продукт, проверенный временем |
| АСУ Ремонт | Средний-крупный | Отечественный, точечно сильный |
| Galaktika EAM | Крупный (часть Галактики) | Нишево |
| IBM Maximo | Те, кто внедрил до 2022 | Эксплуатация, новых внедрений нет |
| SAP PM | Те, кто внедрил до 2022 | Эксплуатация, новых внедрений нет |
Источники: TAdviser, 1С, открытые источники.
Уровни зрелости обслуживания оборудования
Прежде чем говорить про PdM (предиктивное обслуживание) как технологию, полезно разделить пять уровней обслуживания оборудования. Четыре из них — реально применимые в российской промышленности 2026, пятый — перспективный.
Большинство «predictive maintenance» в маркетинге вендоров 2025-2026 — это уровень 3 с автоматизированным сбором данных, иногда уровень 4 на отдельных классах узлов. Это не плохо, это надо знать.
Где PdM работает уверенно, не путать с PDM-система (англ. product data management — «система управления данными об изделии»).
Роторное оборудование
Насосы, компрессоры, вентиляторы, электродвигатели, редукторы. Это классика виброанализа: физика отказа понятна (подшипники, дисбаланс, расцентровка, кавитация). Сигналы вибрации, тока, температуры — диагностические. Алгоритмы (классические и ML) работают.
ROI: очень хороший. Одна предотвращённая авария большого насоса в нефтянке или химии — это десятки миллионов рублей. Окупаемость проекта вибромониторинга 50-100 критичных насосов: 12-18 месяцев.
Прессы, штамповка
На критичных узлах (главный вал, привод). Сигналы — вибрация, ток, отклонения по циклу. Работает.
Шпиндели станков ЧПУ
Точечно, на тех станках, где простой стоит дорого (дорогие 5-осевые обрабатывающие центры, многошпиндельные автоматы). Виброанализ + температурный мониторинг шпинделя. Работает.
Электродвигатели
Через анализ тока (Motor Current Signature Analysis). Это методика 1980-х, ML просто автоматизирует. Работает.
Физика отказов роторного оборудования
Где PdM — маркетинг
Сложное многокомпонентное оборудование
Например, технологическая линия с десятками узлов разной природы. Маркетинг обещает «единую ML-модель, предсказывающую отказы всей линии». Реальность: разные узлы имеют разную физику отказа, требуют разных типов датчиков, разных алгоритмов. Универсальная модель ML на «всё подряд» не работает.
Правильный подход: разбить линию на функциональные узлы, для каждого — свой подход (роторное → виброанализ, насос с подшипниками качения → ML, теплообменник → температурный мониторинг). Это уже не «единая ML-предиктивка», это инженерная программа.
Уникальное оборудование
ML обучается на статистике. Если у вас один уникальный аппарат (например, экспериментальная установка), у вас нет статистики отказов. Невозможно обучить модель на одном экземпляре. Работает только классический мониторинг состояния (L3), не predictive (L4).
Дешёвое оборудование
Установка датчиков и системы мониторинга стоит денег. Если стоимость самого узла меньше стоимости системы мониторинга — мониторинг не окупается. Дешевле просто менять по поломке.
«Предиктивка вообще на всё»
Самый частый антипаттерн. Вендор предлагает «ИИ-платформу для predictive maintenance, которая работает на любом оборудовании». В 90 % случаев это переименованный пороговый алгоритм с GUI. «У нас ИИ (искусственный интеллект)» означает «у нас if-then-else с красивыми графиками»☺.
Что нужно для запуска PdM
Не «купить ИИ-платформу». А пройти три обязательных этапа.
1. EAM в эксплуатации >= 12 месяцев
Без структурированной истории отказов нет данных для обучения. Если у вас CMMS внедрена 3 месяца назад — рано говорить про predictive. Сначала накопите историю.
2. IIoT-сбор сигналов на критичных узлах
Минимум: вибрация, температура, ток, для гидравлики — давление. Через OPC UA (открытый стандарт промышленного обмена данными) + специализированные вибродатчики.
3. Минимум 50-200 случаев одного типа отказа
Это минимум для обучения модели одного типа отказа. У вас должна быть статистика: «на этих 100 насосах за 2 года было 60 случаев отказа подшипника качения такого-то типа». Только на этом ML может учиться.
Если у вас 5 случаев за 10 лет — ML вам не нужен. Достаточно классического мониторинга состояния по порогам, которые вам подскажет диагност.
Дополнительно: диагност в штате
ML не отменяет диагноста. Он автоматизирует то, что диагност делал вручную. Диагност нужен для:
- Настройки порогов и валидации алгоритмов.
- Расследования ложных тревог.
- Решения «менять или нет» в неоднозначных случаях.
Без диагноста ML-предиктивка либо завалит вас ложными тревогами (false positives), либо пропустит реальные отказы (false negatives). Доверие к системе разрушается за 3-4 ложные тревоги.
CAPEX и окупаемость
| Сценарий | CAPEX | Окупаемость |
|---|---|---|
| Вибромониторинг 50-100 критичных насосов / электродвигателей | 10-25 млн ₽ | 12-18 мес — одна предотвращённая авария окупает |
| L3 на 200-500 узлов разнообразного критичного оборудования | 25-60 млн ₽ | 18-24 мес |
| L4 (ML-предиктивка) на роторном парке | +5-15 млн ₽ к L3 | +6-12 мес к окупаемости L3 |
| L4 на сложном многокомпонентном | 30-100 млн ₽ | Неопределённая |
Реалистичный таргет: снижение внеплановых простоев на 20-40 %, снижение аварийных ремонтов на 20-40 %, рост MTBF на 15-30 %.
Кейсы PdM
Газпром нефть
Программа предиктивной диагностики на роторном оборудовании добычи и переработки. Заявленный эффект — миллиарды рублей экономии на ремонтах. Источник: gazprom-neft.ru.
СИБУР
Предиктивка на нефтехимических установках. Эффект публичен через интервью руководителей цифровой трансформации СИБУРа. Источник: пресс-релизы СИБУРа.
Clover Group / Datadvance
Российский вендор Smart MRO (smart maintenance, repair and operations). Кейсы у РЖД, ЕВРАЗ. Российские разработчики, что важно для значимых критическая информационная инфраструктура (КИИ). Источник: datadvance.net.
Vist Robotics / Цифра
Кейсы predictive maintenance в горнодобыче. Источник: пресс-релизы Цифры.
Маркетинг vs реальность
Когда вендор продаёт «ИИ-предиктивку», задайте 7 вопросов. Если на 3+ из них нет конкретного ответа цифрами — это маркетинг.
| # | Вопрос вендору | Что должно быть в ответе |
|---|---|---|
| 1 | Какие алгоритмы используются? | Конкретные названия: random forest, gradient boosting, LSTM, anomaly detection через autoencoder. Не «ИИ» — а конкретный класс моделей |
| 2 | На каких данных обучены ваши модели? | Конкретный отраслевой контекст. «Обучены на 5000 случаев отказов подшипников качения роторного оборудования в нефтехимии». Не «у нас big data» |
| 3 | Какой precision/recall на вашем эталоне? | Конкретные числа. «Precision 87 %, recall 73 % на отказах типа Х». Не «высокая точность» |
| 4 | Какой false positive rate в эксплуатации? | Сколько ложных тревог в среднем на 100 узлов в месяц. Если больше 3-4 — диагност и операторы перестанут доверять системе |
| 5 | Сколько данных нужно для адаптации к нашему оборудованию? | Конкретный объём: «50-100 случаев одного типа отказа в течение 6-12 месяцев». Если «модель сразу работает» — это пороговый алгоритм, не ML |
| 6 | Сколько времени на интеграцию с нашим IIoT (промышленный интернет вещей)/EAM? | Конкретные сроки. Не «всё гибко настроится» |
| 7 | Можно поговорить с предыдущим клиентом? | Конкретные ссылки. Если все клиенты «под NDA» — это плохой знак |
Дерево решения «подходит ли узел для PdM»
Чек-лист выбора оборудования для предиктивки
Прежде чем запускать PdM-программу, отфильтруйте свой парк по 12 критериям.
| # | Критерий | Что значит | ✓ |
|---|---|---|---|
| 1 | Простой узла стоит >X тыс. ₽/час | Должен быть значимым, иначе мониторинг не окупится. Минимум — несколько десятков тысяч ₽/час упущенной выручки | |
| 2 | Узел — критический (отказ останавливает производство) | На критических — оправдан CAPEX мониторинга | |
| 3 | Физика отказа понятна | Подшипники качения, дисбаланс ротора, перегрев обмотки двигателя — да. «Что-то странное» — нет | |
| 4 | Узел роторный или с понятным циклом | Насосы, компрессоры, электродвигатели, шпиндели, прессы — да | |
| 5 | Возможна установка датчиков (физический доступ, безопасность) | Если узел внутри взрывоопасного резервуара — отдельные требования по Ex-исполнению | |
| 6 | История отказов накоплена | Минимум 6-12 мес EAM, или внешняя база отраслевых отказов | |
| 7 | Минимум 50-200 случаев одного типа отказа в выборке | Меньше — ML не обучится | |
| 8 | Узел тиражируем (несколько одинаковых) | Чем больше одинаковых узлов, тем дешевле модель в расчёте на узел | |
| 9 | Стоимость замены узла или ремонта > стоимости мониторинга | Если узел стоит дешевле системы мониторинга — не мониторим | |
| 10 | Есть диагност в штате или контракт с внешним | Без диагноста — false positives убивают систему | |
| 11 | Есть процесс реакции на сигнал тревоги | Кто получает, как реагирует, в какие сроки. Если сигнал тревоги идёт в пустоту — система бесполезна | |
| 12 | Есть метрика измерения эффекта | MTBF, простои, стоимость аварийных ремонтов — что конкретно мерим до/после |
Если по 8+ из 12 критериев — да, узел подходит для PdM.
Чек-лист выбора вендора PdM
| # | Пункт | Что значит | ✓ |
|---|---|---|---|
| 1 | Конкретный отраслевой опыт | Не «у нас платформа», а «у нас 12 проектов на роторном оборудовании в металлургии» | |
| 2 | Открытые алгоритмы или прозрачное описание | Не «коммерческая тайна». Хороший вендор расскажет, что внутри | |
| 3 | Подтверждённые precision/recall на эталонах | Числа, не общие слова | |
| 4 | Совместимость с вашим IIoT и EAM | Не «доделаем коннектор», а готовая интеграция | |
| 5 | Сертификация ФСТЭК (Федеральная служба по техническому и экспортному контролю) для значимых КИИ | Обязательно, если объект КИИ | |
| 6 | Документация в актуальном состоянии | Не «всё в голове у разработчика» | |
| 7 | Команда внедрения с конкретными людьми | CV ключевых ролей | |
| 8 | Референсы в вашей отрасли | Звонки клиентам | |
| 9 | SLA на поддержку и развитие модели | Не «продали и забыли» — модель надо перенастраивать | |
| 10 | Цена прозрачна (лицензия + сервис + сопровождение) | Без скрытых статей |
Антипаттерны
Антипаттерн 1. «Predictive maintenance до EAM». Самая частая ошибка. Без структурированной истории отказов из EAM модели обучать не на чем. Программа PdM без EAM — это либо отложенный провал, либо очень медленное накопление данных с нуля.
Антипаттерн 2. «ИИ-предиктивка на всё». Универсальной модели на всё оборудование не существует. Разные узлы — разные подходы. Если вендор обещает «единую платформу для всего» — это маркетинг.
Антипаттерн 3. «Покупка коробки без диагноста». Без диагноста ML-предиктивка завалит вас ложными тревогами или пропустит реальные отказы. Стоимость диагноста — часть TCO (совокупная стоимость владения) системы.
Антипаттерн 4. «Сразу на критичных узлах в режиме автоматического реагирования». Опасно. Сначала — пилот в режиме рекомендации, валидация диагностом, потом — частичная автоматизация. Никогда — «модель сразу останавливает оборудование без участия человека» на ответственных узлах.
Антипаттерн 5. «Маркетинг 250% ROI за 24 месяца». Заявления о феноменальных ROI — это маркетинг вендоров. Реалистичный ROI программы PdM на роторном парке — окупаемость 12-18 месяцев, эффект 20-40 % снижения простоев. Это уже очень хорошо, не надо требовать больше.
Связанные главы
- 02. Чек-лист готовности предприятия — данные и инфраструктура для PdM.
- 08. Производство: MES, IIoT, OEE — IIoT-фундамент.
- 12. ИИ и генеративный ИИ — общий контекст по ИИ на производстве.
- 17. Что не работает — где «ИИ-предиктивка» — это маркетинг.