Как построить AIoT: датчики → Edge → AI → автоматизация
Сегодня эта модель меняется. Всё больше данных обрабатывается непосредственно рядом с оборудованием — на Edge-устройствах, а искусственный интеллект позволяет системе не просто собирать информацию, а интерпретировать происходящее, обнаруживать аномалии, прогнозировать события и инициировать действия.
Так возникает AIoT — Artificial Intelligence of Things, или объединение искусственного интеллекта и Интернета вещей.
Современную AIoT-систему в упрощённом виде можно представить так: датчики → связь → Edge → AI → решение → автоматизация → исполнительное устройство. Облако при этом остаётся дополнительным уровнем для хранения истории, обучения моделей, аналитики и централизованного управления.
Что такое AIoT
AIoT объединяет две технологические концепции: IoT (Internet of Things) обеспечивает подключение физических устройств, датчиков, оборудования и исполнительных механизмов, а AI (Artificial Intelligence) позволяет анализировать поступающие данные и принимать на их основе более сложные решения.
Обычная IoT-система сообщает: «Температура двигателя — 86 °C». AIoT-система способна определить, что сочетание температуры, вибрации и характера нагрузки отклоняется от нормального профиля, а затем сформировать предупреждение, рекомендацию или команду автоматизации.
Ключевая идея AIoT — переход от простого сбора телеметрии к цепочке: измерить → понять → решить → выполнить.
Из каких уровней состоит AIoT
- 1. Физический объект.
- 2. Датчики, камеры и измерительное оборудование.
- 3. Сеть и коммуникационные протоколы.
- 4. IoT Gateway / Edge.
- 5. AI и аналитика.
- 6. Decision Engine / система автоматизации.
- 7. Исполнительные устройства.
Над этой цепочкой может находиться Cloud / Data Center: хранение данных, историческая аналитика, обучение моделей, централизованное управление и обновление программного обеспечения.
1. Датчики: откуда AIoT получает информацию
Любая интеллектуальная система должна сначала получить информацию о физическом мире. Для этого используются сенсоры.
- температура, влажность и давление;
- вибрация, положение, скорость и расстояние;
- ток, напряжение и энергопотребление;
- освещённость и присутствие;
- качество воздуха и концентрация газов;
- уровень жидкости;
- открытие дверей и состояние оборудования.
Отдельную категорию составляют камеры. Современная камера в AIoT фактически является сложным оптическим сенсором: камера → изображение → Computer Vision → объект / событие / дефект.
AIoT начинается не с датчика, а с задачи
Одна из типичных ошибок — начинать проект с выбора датчиков. Правильнее сначала определить, какое событие система должна обнаружить и какое действие должно последовать.
Если задача — определить перегрев электродвигателя, может быть достаточно температурного датчика. Если необходимо предсказывать износ подшипника, могут потребоваться вибрация, температура, обороты, нагрузка и исторические данные.
Поэтому сначала формулируется бизнес-задача и модель физического процесса, а уже затем выбирается сенсорика.
2. Как передать данные
Следующий уровень — коммуникационный. Конкретная технология зависит от расстояния, энергопотребления, объёма данных, требований к задержке и среды эксплуатации.
- Для небольших беспроводных устройств: Zigbee, Thread, Bluetooth Low Energy, Wi‑Fi, LoRaWAN и другие LPWAN-технологии.
- Для промышленного оборудования: Ethernet, Modbus, CAN, PROFINET, EtherNet/IP, OPC UA и другие промышленные интерфейсы.
- Для обмена событиями и телеметрией между системами часто используется MQTT.
OPC UA особенно важен для взаимодействия с PLC, SCADA и промышленным оборудованием, а MQTT удобен как лёгкий publish/subscribe-механизм передачи телеметрии и событий.
3. Gateway — мост между физическим и цифровым миром
Если на объекте одновременно работают датчики, PLC, камеры, Modbus-оборудование и беспроводные устройства, отправлять каждый источник непосредственно в облако не всегда удобно или возможно. Поэтому используется IoT Gateway.
- Сбор данных от разных устройств.
- Конвертация протоколов, например Modbus → MQTT, OPC UA → MQTT или Zigbee → MQTT.
- Нормализация данных в общую модель.
- Фильтрация ненужного потока.
- Буферизация при потере внешней связи.
- Разделение OT- и IT-инфраструктуры и реализация механизмов безопасности.
4. Что такое Edge Computing
Edge Computing означает обработку данных максимально близко к месту их возникновения.
Вместо длинной цепочки «датчик → Интернет → облако → обработка → Интернет → оборудование» критические вычисления выполняются локально: «датчик → Edge → обработка → решение». В облако передаются только необходимые результаты и данные.
Зачем переносить вычисления на Edge
Низкая задержка.
Для контроля производственной линии или машинного зрения решение иногда должно приниматься практически сразу. Локальный Edge AI позволяет обнаружить дефект и передать команду на отбраковку без ожидания ответа удалённого дата-центра.
Экономия трафика.
Камеры создают огромный поток данных. Edge AI может локально определить человека, дефект, номер автомобиля или опасное событие и передать в центральную систему результат анализа вместо непрерывного видеопотока.
Автономность.
Производственная линия или инженерная система здания не должна становиться неработоспособной только из-за потери интернет-соединения. Edge позволяет выполнять критическую логику локально и синхронизировать данные после восстановления связи.
Что представляет собой Edge-устройство
- промышленный компьютер;
- Panel PC;
- IoT Gateway;
- компактный ARM- или x86-компьютер;
- GPU-система;
- устройство с NPU;
- интеллектуальная камера;
- специализированный AI Box.
Отдельно формируется класс Edge AI Computer — компьютеров, рассчитанных на запуск AI-моделей непосредственно рядом с источником данных.
CPU, GPU и NPU
CPU — универсальный процессор. Он подходит для логики, обработки данных, управления системой и относительно небольших моделей.
GPU хорошо подходит для параллельных вычислений, Computer Vision, нейронных сетей, обработки видео и некоторых задач Generative AI.
NPU (Neural Processing Unit) — специализированный ускоритель нейросетевых вычислений. Такие блоки всё чаще встречаются в Edge-компьютерах, камерах, терминалах и промышленных устройствах.
Поэтому показатель AI performance, выражаемый в TOPS, становится одним из параметров при сравнении Edge AI-оборудования. Однако TOPS нельзя использовать как единственный критерий: важны архитектура ускорителя, поддерживаемые модели, память, программный стек и реальная производительность конкретной задачи.
5. Где появляется искусственный интеллект
После получения и предварительной обработки данных начинается AI inference — применение уже обученной модели.
Важно различать Training и Inference. Training — обучение модели, обычно требующее значительных вычислительных ресурсов. Inference — использование готовой модели для обработки новых данных. Именно inference всё чаще переносится на Edge.
Типовая схема: Cloud / Data Center → обучение модели → готовая модель → Edge → inference → результат → автоматизация.
Что AI может делать с данными IoT
- Anomaly Detection — обнаружение отклонений от нормального режима.
- Predictive Maintenance — прогнозирование неисправностей и технического обслуживания.
- Computer Vision — обнаружение дефектов, людей, транспорта, СИЗ, дыма, огня и других объектов или событий.
- Classification — классификация объектов и состояний.
- Forecasting — прогнозирование нагрузки, энергопотребления, температуры, спроса и других параметров.
6. AI должен не только анализировать, но и действовать
Если AI только показывает график, система остаётся аналитической. Следующий уровень — AI → Decision → Action.
Например: вибрация → AI → обнаружена аномалия → контроллер → снижение оборотов. Или: камера → Computer Vision → человек в опасной зоне → сигнализация.
Так аналитическая система превращается в замкнутый контур управления.
Где заканчивается AI и начинается автоматизация
AI отвечает на вопрос: «Что происходит или что, вероятно, произойдёт?» Система автоматизации отвечает: «Что с этим делать?»
Типовая цепочка: Sensor → Edge → AI inference → Decision Engine / Rules → PLC / Controller → Actuator.
Для критических процессов автоматическое воздействие должно проектироваться с учётом функциональной безопасности, допустимых режимов, отказоустойчивости и возможности участия оператора.
7. Исполнительные устройства
Последнее звено физической AIoT-цепочки — Actuator, то есть устройство, которое реально изменяет состояние объекта.
- реле;
- двигатель;
- клапан;
- электропривод;
- замок;
- освещение;
- вентиляция и HVAC;
- робот или промышленный манипулятор.
Полный цикл можно описать как Sense → Understand → Decide → Act, или «измерить → понять → решить → выполнить».
Где здесь облако
Edge и Cloud обычно выполняют разные задачи, поэтому современная архитектура чаще является Hybrid Edge + Cloud, а не Edge вместо Cloud.
|
Edge |
Cloud / Data Center |
|
Быстрое локальное решение |
Глубокая аналитика |
|
Низкая задержка |
Большие вычислительные ресурсы |
|
Локальная автономность |
Централизованное управление |
|
AI inference |
Training |
|
Фильтрация данных |
Data Lake и история |
|
Локальная автоматизация |
Fleet Management |
Пример №1. Предиктивное обслуживание двигателя
На электродвигатель устанавливаются вибродатчик, датчик температуры и датчик тока. Данные поступают на Edge-компьютер.
Архитектура: двигатель → датчики → OPC UA / MQTT → Edge Computer → ML-модель → Anomaly Detection → предупреждение о вероятной неисправности → заявка на обслуживание.
В более развитой системе можно автоматически изменить режим работы оборудования, если это допустимо технологическим процессом.
Пример №2. AI-контроль качества
Архитектура: камера → Edge GPU / NPU → Computer Vision → Good / Defect → PLC → механизм отбраковки.
В облако при этом могут передаваться статистика, информация о дефектах, отдельные изображения и данные для последующего переобучения модели, а не весь исходный видеопоток.
Пример №3. Умное здание
В офисе или коммерческом здании используются датчики присутствия, температуры, влажности, CO₂, освещённости и счётчики энергии.
AI анализирует присутствие людей, время суток, климатические параметры, погоду и исторические данные, после чего система может управлять освещением, вентиляцией, кондиционированием и отоплением.
Цель — поддерживать комфортные условия при более рациональном энергопотреблении.
Пример №4. Ритейл
В магазине AIoT может объединять камеры, Edge AI, датчики оборудования, POS и системы аналитики.
- анализ очередей и посещаемости;
- контроль заполненности зон;
- мониторинг холодильного оборудования;
- анализ наличия товара;
- контроль энергопотребления.
Пример №5. Умный дом
Умный дом также постепенно становится AIoT-системой. Датчики присутствия, камеры, температура и освещённость формируют контекст, локальная аналитика определяет ситуацию, а Matter, Zigbee, Thread и другие технологии обеспечивают взаимодействие с освещением, климатом, шторами и системами безопасности.
Matter, Zigbee и Thread в такой архитектуре являются не альтернативой AIoT, а отдельными коммуникационными компонентами более широкой системы.
AIoT и сенсорные устройства
Сенсорные дисплеи, HMI и интерактивные панели становятся интерфейсом между человеком и интеллектуальной системой.
Архитектура может выглядеть так: Sensors → Edge AI → HMI. Оператор видит состояние оборудования, обнаруженные аномалии, прогноз и рекомендации AI, а через сенсорный интерфейс подтверждает действие, изменяет режим или запрашивает диагностику.
Таким образом, классический промышленный HMI постепенно может превращаться в AI-enabled HMI.
AIoT Gateway как отдельная категория оборудования
Обычный IoT Gateway в основном собирает, преобразует и передаёт данные. AIoT Gateway может дополнительно анализировать данные и выполнять локальную логику.
Для такой категории оборудования особенно важны следующие характеристики:
- CPU, GPU и NPU;
- AI-производительность и поддерживаемые ускорители;
- RAM и накопитель;
- Ethernet, Wi‑Fi, 4G/5G;
- RS-232/485, CAN, GPIO;
- Modbus, OPC UA, MQTT;
- рабочая температура;
- степень защиты IP;
- DIN Rail и другие варианты монтажа;
- поддерживаемые AI frameworks и программный стек.
Нужны ли для AIoT большие языковые модели
Не обязательно. AIoT не означает использование большой языковой модели в каждом датчике. Большинство прикладных задач решается более компактными моделями: anomaly detection, object detection, classification, forecasting и Computer Vision.
Но развивается и Edge Generative AI. Компактная языковая или мультимодальная модель может работать на локальном промышленном компьютере и взаимодействовать с документацией, историей датчиков и текущими данными оборудования.
Например, оператор может спросить: «Почему за последние два часа выросла температура линии №3?» Локальный AI-agent получает телеметрию и документацию и формирует объяснение или рекомендации.
Безопасность AIoT
Чем больше физического оборудования подключается к сети, тем важнее кибербезопасность. Особенно критичен сценарий AI → автоматизация → физическое действие.
- сегментация OT/IT;
- идентификация и аутентификация устройств;
- шифрование каналов;
- сертификаты и управление ключами;
- контроль доступа и принцип минимальных прав;
- Secure Boot и подписанные прошивки;
- журналирование и мониторинг;
- контролируемое обновление программного обеспечения и моделей.
Для критических объектов необходимо дополнительно учитывать отраслевые требования к промышленной безопасности и кибербезопасности.
Как начать AIoT-проект
Самая большая ошибка — начинать с покупки AI-сервера. Рациональная последовательность обратная:
- 1. Определить бизнес-задачу: что необходимо улучшить?
- 2. Определить событие: что система должна обнаружить?
- 3. Определить данные: какие датчики, камеры и источники нужны?
- 4. Определить допустимую задержку реакции.
- 5. Определить требования к Edge и вычислительной мощности.
- 6. Выбрать AI-модель и способ её развёртывания.
- 7. Определить действие после решения AI.
- 8. Только после этого выбирать конкретное оборудование.
Типовая архитектура AIoT
PHYSICAL WORLD → Sensors / Cameras / Machines → Zigbee / Thread / BLE / Wi‑Fi / LoRaWAN / Modbus / OPC UA → IoT Gateway → EDGE (обработка, фильтрация, нормализация) → EDGE AI (Computer Vision / Anomaly Detection / Prediction / Classification) → DECISION ENGINE → PLC / Controller → ACTUATORS.
Параллельно Edge может взаимодействовать с Cloud / Data Center: Data Lake → Analytics → Model Training → Fleet Management → Model Update.
Какие продукты формируют рынок AIoT
- Sensors — датчики и измерительное оборудование.
- Smart Cameras — камеры с локальной аналитикой.
- IoT Gateways — шлюзы и преобразователи.
- Edge Computers — промышленные компьютеры.
- Edge AI Computers — компьютеры с GPU/NPU.
- HMI / Panel PC — интерфейсы оператора.
- Industrial Networking — коммутаторы, routers, 4G/5G gateways.
- Controllers — PLC и другие контроллеры.
- Actuators — исполнительное оборудование.
AIoT правильнее рассматривать не как один продукт, а как технологическую экосистему.
Что AIoT меняет на рынке оборудования
Раньше для промышленного компьютера было достаточно указать процессор, объём RAM и накопитель. Теперь покупателю всё чаще нужно знать, можно ли запускать конкретные AI-модели, есть ли GPU или NPU, сколько камер можно подключить, поддерживаются ли CUDA, ONNX, OpenVINO или другие программные стеки, есть ли OPC UA и MQTT, а также в каком температурном диапазоне работает оборудование.
Классические технические характеристики дополняются AI- и IoT-характеристиками. Это важно учитывать при построении современных каталогов оборудования.
AIoT — следующий этап развития IoT
IoT дал машинам возможность передавать данные. Edge Computing позволил обрабатывать данные рядом с источником. AI позволил понимать данные. Автоматизация позволяет действовать.
Вместе получается: Sense → Connect → Compute → Understand → Decide → Act.
Или: датчик → IoT → Edge → AI → решение → автоматизация.
Эта архитектура становится фундаментом умных домов, интеллектуальных зданий, Smart Retail, Smart City, промышленного IoT, робототехники, интеллектуального транспорта, энергетики и нового поколения HMI.
Главное изменение заключается в том, что устройство перестаёт быть просто источником телеметрии. Оно становится частью системы, способной видеть → понимать → прогнозировать → принимать решение → воздействовать на физический мир.
Именно на пересечении сенсоров, Edge Computing, AI, IoT и человеко-машинных интерфейсов формируется один из наиболее интересных рынков интеллектуальных устройств.
