Задача
Обслуживание электротехнического оборудования шло по регламентному графику — по календарю, а не по фактическому состоянию узла. Часть отказов случалась между плановыми проверками, приводя к внеплановым отключениям и дорогому аварийному ремонту.
Регламентное обслуживание одинаково часто заходило на узлы, которые ещё далеки от отказа, и пропускало те, что уже деградировали быстрее нормы, — календарный график не различал состояние конкретного трансформатора или выключателя, только дату последней проверки.
Решение
Собрали телеметрию с трансформаторов, выключателей и распределительных устройств в единую платформу и обучили ML-модели прогноза отказов и остаточного ресурса — обслуживание по фактическому состоянию узла, а не по календарю.
Модели обучены на исторических данных об отказах и телеметрии за предыдущие периоды — температура, вибрация, частичные разряды — и выдают не бинарный алерт «сломается», а вероятность отказа в горизонте 12–30 дней, чтобы у энергетиков было время спланировать ремонт, а не тушить аварию.
Проект выполнен в рамках направления «Решения на базе ИИ».
Результат
Число внеплановых отключений снизилось на 41%, затраты на аварийный ремонт — на 29%. Модель прогнозирует отказ за 12–30 дней, с полным покрытием критичных узлов.
Обслуживание перешло от «по графику» к «по состоянию»: часть плановых проверок узлов с хорошим прогнозом остаточного ресурса отменяется без риска, а ресурсы бригад концентрируются на узлах, которые модель отмечает как приоритетные.