Предиктивная аналитика:
контроль
выбросов,
обслужива
ние
и диагнос
тика
оборудования

Как работает предиктивная система:
от данных до отчёта

В основе любой ПСКВ четыре шага. Они одинаковы для металлургии, нефтепереработки и энергетики, меняются только модели и набор параметров.

• Сбор данных.Источники три: параметры оборудования из АСУ ТП (температуры, давления, расходы, мощность), лабораторные данные о сырье и топливе, погодные условия. Например, в проекте «Норникеля» данные берутся из лабораторной базы по сырью, параметров оборудования и прогноза погоды.
• Проверка входных данных.Система отсекает выбросы в данных, зависшие значения и сбои датчиков. Если один датчик отказал, модель восстанавливает его показания по соседним параметрам и продолжает считать.
• Расчёт.Модель выдаёт концентрации оксидов азота, серы, углерода и других веществ, а также массовый выброс. Расчёт идёт непрерывно, с той же частотой, что и у инструментальной системы.
• Сверка и переобучение.Результаты регулярно сравнивают с эталонными измерениями — переносной лабораторией или инструментальной системой на соседнем источнике. Если расхождение растёт, например после ремонта или смены топлива, модель дообучают.

Полезный побочный эффект — прогноз. Модель может оценить, как изменятся выбросы при другом режиме печи или в неблагоприятную погоду, и подсказать технологу, что поменять заранее.

Нормативная база:
что
изменилось в 2025–2026 годах

Начнём с того, кто обязан вести автоматический контроль. Закон «Об охране окружающей среды» требует оснащать системами автоматического контроля стационарные источники выбросов на объектах I категории, а срок создания такой системы не может превышать четыре года. Данные передаются в государственный реестр объектов негативного воздействия.

До 2025 года предиктивные системы находились в серой зоне: технология есть, а признанного порядка её применения нет. Теперь ситуация меняется.

Внедрённые предиктивные
системы контроля выбросов:
российская практика

Публичных внедрений пока немного: до 2026 года у технологии не было стандартов, и большинство компаний держали проекты в статусе пилотов. Самый известный пример — система Axioma «Норникеля».

• Axioma.Предиктивную систему автоматического контроля выбросов разрабатывают «Норникель Норсофт» и «Цифровые корпоративные технологии». Модель сочетает физику процесса и нейросетевую идентификацию. Разработчики заявляют срок внедрения 4–6 месяцев против 12–18 месяцев для инструментальной системы и точность выше 90% относительно инструментальных измерений.
• Сравнительные измерения 2024 года.Axioma, созданная совместно с ВНИИМ им. Д. И. Менделеева, прошла сравнение с классическими методами на предприятиях металлургии и нефтехимии. По итогам решено продолжить разработку предиктивных систем.

Потенциал рынка большой. По экспертной оценке, до 2029 года нужно оснастить системами автоматического контроля не менее 6 000 источников выбросов. Ставить инструментальную систему на каждый из них долго и дорого, поэтому предприятия будут искать альтернативу для части источников.

Предиктивные системы контроля
выбросов в нефтегазовом комплексе

Нефтегазовая отрасль — один из главных кандидатов на ПСКВ. На НПЗ и промыслах много однотипных источников: технологические печи, котлы, газовые турбины, компрессорные станции. Режимы у них стабильные, а АСУ ТП собирает подробную историю параметров за годы.

Что обычно прогнозируют

Для источников на газе и мазуте зарубежные системы прогнозируют NOx, SO₂, CO, H₂S, NH₃ и O₂. Ключевые входные параметры — расход и состав топлива, избыток воздуха, температура в топке и дымовых газах, нагрузка агрегата.

У российских разработчиков уже есть модели для печей нагрева нефти, а нефтегаз и нефтехимия названы приоритетными отраслями для тиражирования.

Где сложнее:

• Факельные установки.Состав сжигаемого газа сильно меняется, а прямые измерения на факеле затруднены. Модель здесь опирается на расход и состав газа и требует аккуратной валидации.
• Нестационарные режимы.Пуски, остановы и аварийные сбросы плохо представлены в истории, поэтому модель на них ошибается сильнее.
• Смена сырья.Переход на нефть другого месторождения меняет состав выбросов, и модель нужно перепроверять.

Создание предиктивных
систем контроля выбросов
промышленных предприятий: этапы

Создание ПСКВ — это проект по разработке ML-моделей с обязательной метрологической частью. Типовой маршрут выглядит так:

Тот же подход для оборудования:
предиктивное обслуживание
и диагностика

Предиктивная система выбросов и система диагностики оборудования работают на одних и тех же данных АСУ ТП и одних и тех же типах моделей. Отличается только вопрос, на который отвечает модель: «сколько уходит в трубу» или «когда агрегат выйдет из строя».

Что умеет предиктивная диагностика:

• Раннее обнаружение аномалий.Модель знает нормальное поведение агрегата и замечает отклонения задолго до аварийной сигнализации: рост вибрации, перегрев подшипника, падение КПД.
• Оценка остаточного ресурса.Прогноз, сколько агрегат проработает до ремонта при текущем режиме.
• Планирование ремонтов по состоянию.Ремонт делают тогда, когда он нужен, а не по календарю.

Связь с выбросами прямая. Рост CO или NOx часто первый признак неисправной горелки, загрязнённого теплообменника или сбоя в подаче воздуха. Если одна модель следит и за экологией, и за оборудованием, предприятие узнает о проблеме раньше, чем её зафиксирует инспектор или аварийная остановка.

На практике такие системы уже работают в нефтепереработке. Например, «КазМунайГаз» в 2026 году начал полномасштабное внедрение предиктивной аналитики отказов на своих НПЗ после пилотов 2025 года. Система анализирует данные тысяч датчиков и выявляет аномалии на ранних стадиях, а её внедрение названо условием продления межремонтных периодов.

Какого эффекта ждать. В исследовании Deloitte предиктивное обслуживание увеличивает время работы оборудования на 10–20%, снижает затраты на обслуживание на 5–10% и сокращает время планирования ремонтов на 20–50%. В проектах цифровых двойников производства мы закладываем снижение простоев на 30–50% и затрат на ремонт на 20–40%.

Когда предиктивная
система не подойдёт

Предиктивная модель — не универсальная замена приборам. Она плохо работает в четырёх случаях.

• Мало истории.Для обучения нужны данные о работе источника в разных режимах за длительный период. Разработчики закладывают на обучение алгоритмов 6–12 месяцев исторических данных.
• Нет эталонных замеров.Без инструментальных измерений, хотя бы периодических, модель не на чем обучить и не с чем сверить.
• Нестабильный процесс.Частая смена сырья, ручные режимы, много пусков и остановов — модель будет ошибаться чаще допустимого.
• Плохие датчики.Если ключевые параметры процесса не измеряются или датчики годами не поверялись, модель унаследует их ошибки.

В этих случаях разумнее поставить инструментальную систему на проблемный источник, а предиктивную — на стабильные. Часто лучшая схема для завода — гибридная.

Ещё одна типичная ловушка — пилот, который отлично работает на одной печи, но не тиражируется на остальные. Почему так происходит и как этого избежать, мы разбирали в статье «Почему ИИ-пилоты в промышленности не масштабируются».

Сколько стоит и как посчитать эффект

Главная экономия ПСКВ — в капитальных и операционных затратах. По оценкам отрасли, предиктивные решения снижают капзатраты в 2–5 раз и операционные расходы в десятки раз по сравнению с инструментальными системами. Это заявленные цифры, их стоит пересчитать под свой объект.

Чтобы сравнить честно, считайте затраты на горизонте 5–7 лет:

• Инструментальная АСКВ:Оборудование и монтаж на каждом источнике, проектирование, расходные материалы, калибровки, ремонт анализаторов, обслуживающий персонал.
• Предиктивная система:Разработка моделей, интеграция с АСУ ТП, испытания и метрология, сопровождение и переобучение моделей.

Ключевой фактор — число источников. Модель для однотипных печей разрабатывается один раз и адаптируется, поэтому каждый следующий источник обходится заметно дешевле. Добавьте к расчёту эффект от диагностики оборудования, если строите их на одной платформе.

Ориентиры по разработке у Notamedia.tech: проекты AI-аналитики и цифровых двойников занимают 2–3 месяца до промышленного решения и стоят 5–15 млн ₽ в зависимости от числа источников и интеграций. Как прикинуть окупаемость ещё до старта, мы показали в статье «Как посчитать ROI от внедрения ИИ».

Что делает Notamedia.tech

Мы разрабатываем аналитический слой предиктивной системы:

• Аудит данных АСУ ТП и лаборатории;
• Модели выбросов и диагностики оборудования на основе физики процесса и машинного обучения;
• Цифровой двойник технологического процесса;
• Интеграцию с АСУ ТП, SCADA и хранилищами временных рядов;
• Интерфейс технолога с прогнозами и подсказками;
• Мониторинг качества моделей и переобучение.

Модели разрабатываем с учётом требований ГОСТ Р серии 71979–71984, чтобы система была готова к испытаниям для утверждения типа и поверке, которые проводит аккредитованная лаборатория. Решение разворачиваем в закрытом контуре предприятия.