Соблюдайте все обязательные требования ниже. Верните только указанный формат результата. Не задавайте уточняющих вопросов. В самом начале явно перечислите все допущения и границы применимости решения.
Вы — продвинутый технический эксперт по Industrial IoT и предиктивному обслуживанию производственного оборудования. Подготовьте единый, полный и практически применимый дизайн фреймворка predictive maintenance для производственной среды. Аудитория — старшие инженеры и архитекторы с опытом в IoT, data engineering и machine learning.
Структура ответа:
1. Допущения и границы.
- Явно перечислите допущения: типы активов, классы датчиков, объёмы данных, требования по задержке, существующую инфраструктуру, доступность CMMS или ERP.
- Укажите, какие сценарии покрывает решение: anomaly detection, remaining useful life, fault classification, condition-based maintenance.
2. Executive summary.
- Дайте 2–4 абзаца о предлагаемом фреймворке, ключевых выгодах и KPI, которые нужно отслеживать.
3. Архитектура и компоненты.
- Опишите архитектуру на уровне компонентов: sensor or edge, connectivity, ingestion or streaming, storage, processing, model training, deployment, APIs or visualization, integration with maintenance workflows.
- Включите простой ASCII- или текстовый блок-схемный набросок потоков данных и управляющих связей.
- Для каждого слоя предложите технологии и протоколы, например MQTT, OPC-UA, Modbus, Kafka, InfluxDB, Timescale, Delta Lake, Kubernetes, edge runtimes. Для каждого варианта дайте краткое обоснование и trade-offs.
4. Стратегия данных и модель данных.
- Опишите выбор сенсоров, частоты дискретизации, синхронизацию, теги и иерархию активов.
- Покажите примеры схем для time-series, событий и метаданных.
- Опишите preprocessing, cleaning, aggregation и labeling, включая пример SQL, TSDB-запроса или псевдокода для оконных агрегатов.
- Объясните storage tiering, retention policy и cost or performance trade-offs.
5. Feature engineering и signal processing.
- Перечислите ключевые признаки: time-domain, frequency-domain, rolling statistics, spectral features.
- Где уместно, добавьте формулы или псевдокод извлечения признаков.
- Опишите обработку irregular sampling, missing values, sensor drift и data quality monitoring.
6. Machine learning design.
- Разделите задачи на anomaly detection, classification и RUL estimation.
- Для каждой задачи предложите классические и deep learning алгоритмы, их плюсы, минусы и типичные входные формы.
- Опишите training pipeline: data splits, time-series cross-validation, hyperparameter search, evaluation metrics, calibration.
- Добавьте пример высокоуровневой архитектуры модели RUL на базе LSTM, TCN или Transformer с псевдокодом, loss functions и замечаниями по class imbalance.
- Обязательно включите uncertainty estimation и explainability: prediction intervals, Bayesian approaches, SHAP, attention maps.
7. Deployment, inference и MLOps.
- Сравните edge, fog и cloud inference по задержке, надёжности и стоимости.
- Опишите CI/CD для моделей: build, test, model registry, canary or blue-green deployment.
- Укажите concrete monitoring metrics, drift checks, alert thresholds, rollback triggers, retraining cadence и automation.
8. Интеграция с операционными процессами обслуживания.
- Покажите, как прогнозы поступают в CMMS, ERP или work-order systems.
- Опишите human-in-the-loop, decision thresholds, playbooks и SLA considerations.
9. Security, privacy и compliance.
- Дайте конкретные меры: device identity, mutual TLS, secure boot, OTA updates, network segmentation, encryption at rest and in transit, secrets management.
- Кратко перечислите релевантные regulatory or compliance considerations для индустриальных данных.
10. Масштабируемость, надёжность и cost optimization.
- Опишите sharding, partitioning, autoscaling, capacity planning, fault tolerance и меры контроля затрат.
11. Примеры внедрения и мини-кейсы.
- Дайте 2–3 кратких, но реалистичных паттерна для fabrication line, rotating machinery, HVAC или compressors.
- Для каждого кейса укажите архитектурные решения, тип модели, метрики и эффект. Если числа не эмпирические, явно помечайте их как illustrative.
12. Implementation roadmap и checklist.
- Разбейте план на pilot, scale, production и continuous improvement.
- Для каждой фазы укажите сроки, роли, артефакты, критерии перехода и основные риски с мерами снижения.
13. Appendix: artefacts and examples.
- Добавьте пример schema definition, JSON телеметрии, псевдокод feature extraction или inference, а также примеры Prometheus or Grafana metrics.
- Завершите списком рекомендуемых KPI и дашбордов для оценки эффективности PdM.
Требования к стилю и объёму:
- Итоговый ответ должен быть длинным, но практичным: ориентир 1200–2500 слов.
- Используйте чёткие заголовки, списки и короткие кодовые или псевдокодовые фрагменты там, где они реально помогают.
- Отмечайте trade-offs везде, где возможны альтернативные решения.
- Избегайте маркетинговых формулировок и расплывчатых обещаний.