Облачная платформа ИИ-контроля мостовых кранов: 5 функций SaaS
Запущена облачная платформа ИИ-визуального контроля для мостовых кранов: пять ключевых функций доступны по модели SaaS. Технология ИИ-визуального контроля для кранов переходит от локального развертывания к облачному сервису.
Технология ИИ-визуального контроля для мостовых кранов эволюционирует от локального развертывания к облачной модели обслуживания. Компания «Келуде Тяжёлая Промышленность» официально представила облачную платформу визуального контроля для мостовых кранов, объединив пять ключевых функций — мониторинг безопасности, позиционирование груза, дефектоскопию каната, контроль сварных швов и построение карт на основе визуального SLAM — в единое SaaS-решение. Заказчику не требуется приобретать оборудование для граничных вычислений или разворачивать собственный сервер логического вывода: достаточно установить на кран промышленные камеры и коммуникационный терминал, после чего результаты обнаружения в реальном времени поступают через облачный движок логического вывода. В ходе закрытого бета-тестирования платформа была развернута и проверена на 12 промышленных объектах заказчиков; суммарно обработано более 500 000 кадров изображений, среднее время отклика ИИ-логического вывода составило менее 200 мс.
В настоящей статье техническое решение облачной платформы визуального контроля для мостовых кранов рассматривается в четырех аспектах: архитектура платформы, техническая реализация пяти ключевых функций обнаружения, модель развертывания SaaS и результаты внедрения на объектах.
Архитектура облачной платформы визуального контроля
Облачная платформа визуального контроля для мостовых кранов построена на трёхуровневой архитектуре «устройство — граница — облако». Вычислительные мощности ИИ сосредоточены в облаке, тогда как на стороне устройства выполняются только захват и передача изображений, что позволяет минимизировать аппаратные затраты и сложность эксплуатации на стороне крана.
Уровень устройств (уровень сбора данных): на каждом мостовом кране устанавливается от 1 до 4 промышленных ИИ-камер (в зависимости от сценария контроля; разрешение от 5 до 20 Мпикс, глобальный затвор CMOS), подключенных через гигабитный Ethernet к коммуникационному терминалу крана (5G-промышленный шлюз или 4G-DTU). Терминал выполняет JPEG-сжатие исходных изображений (коэффициент сжатия около 15:1, потеря качества изображения пренебрежимо мала), добавляет временную метку и водяной знак с идентификатором устройства, после чего передает данные в облачную платформу логического вывода по сети 5G/4G. Типичная скорость передачи одной камеры составляет 2–4 Мбит/с (после сжатия 1080P@15fps); в сети 5G поддерживается одновременная передача до 8 видеопотоков.
Облачный уровень (уровень ИИ-логического вывода): развернут на GPU-кластере Alibaba Cloud (NVIDIA A10, производительность одной карты около 31 TFLOPS FP16) и работает под управлением движков логического вывода YOLOv8s, YOLOv8s-weld, EfficientNet-B4 и ORB-SLAM3. Облачный движок логического вывода использует стратегии параллелизма моделей и пакетной обработки запросов (dynamic batching, максимальный batch size = 32): один GPU одновременно обрабатывает запросы обнаружения в реальном времени для 4 видеопотоков, задержка вывода на одном кадре на стороне GPU составляет 8–15 мс (включая распаковку и предварительную обработку изображения). Результаты обнаружения передаются в формате JSON по протоколу MQTT в реальном времени на пользовательские устройства (веб-интерфейс, мобильное приложение или система MES заказчика); медианная задержка доставки составляет 45 мс.
Прикладной уровень (пользовательское взаимодействие и управление): предоставляет веб-интерфейс администратора (поддерживаются Chrome/Edge/Firefox) и мобильное приложение (iOS/Android). Основные функции: панель результатов обнаружения в реальном времени (наложение рамок обнаружения на видеопоток, хронология исторических событий, статистические графики), управление устройствами (регистрация кранов, конфигурация камер, калибровка зон контроля), настройка политик оповещения (задание пороговых значений, выбор системы доступа для оповещений — WeChat/SMS/email), экспорт данных обнаружения (форматы CSV/PDF, фильтрация по устройству и временному интервалу) и управление API (генерация API-токенов для интеграции с системами MES/ERP).
Поток данных в трёхуровневой архитектуре выглядит следующим образом: захват изображения камерой на стороне устройства → сжатие и кодирование терминалом → передача по сети 5G/4G → обработка на GPU в облаке → передача результатов по MQTT → отображение на пользовательском устройстве. Сквозная задержка полного контура (от захвата изображения до отображения результата у пользователя) составляет 300–600 мс в сети 4G и 120–250 мс в сети 5G. Передача данных на всех этапах защищена шифрованием TLS 1.3; хранение данных в облаке соответствует требованиям второго класса защиты согласно ГОСТ Р 56545-2015 (аналог GB/T 22239-2019 «Информационная безопасность. Многоуровневая защита информационной безопасности. Основные требования»).
| уровень | Компонент | базовое аппаратное обеспечение/программное обеспечение | критическийПоказатель |
|---|---|---|---|
| конечная сторона | захват изображенийи передача | промышленная камера+5G/4Gтерминал связи | степень сжатия15:1,скорость передачи вверх2~4Mbps/канал |
| облако | AIдвижок логического вывода | Alibaba CloudA10 GPU + YOLOv8серия | одиночныйGPUобработка4видеоканал,инференс8~15ms/кадр |
| прикладной уровень | пользовательский интерфейс и управление | Webбэкенд+мобильное устройствоAPP+MQTTpush-уведомление | push-уведомлениезадержкамедиана45ms,сквозной<600ms |
Пять функциональных модулей системы визуального контроля
Облачная платформа визуального контроля на основе ИИ включает пять функциональных модулей. Пользователь может подключать их выборочно в зависимости от производственных задач и не платить за неиспользуемый функционал.
Модуль 1: мониторинг безопасности (обнаружение вторжения персонала). Обнаружение людей в зоне подъёма и транспортировки груза мостовым краном на основе модели YOLOv8s. Три промышленные камеры обеспечивают резервирование покрытия: две — по сторонам концевых балок, одна — под тележкой. Трёхуровневая стратегия сигнализации: жёлтая зона предупреждения (5–8 м) — звуковая и световая сигнализация; оранжевая зона (3–5 м) — замедление; красная опасная зона (<3 м) — остановка STO. Точность обнаружения mAP ≥ 95% при нормальном освещении, ≥ 90% при низкой освещённости с ИК-подсветкой. Соответствует требованиям ГОСТ 34434-2018 «Краны грузоподъёмные. Системы безопасности. Требования к системе мониторинга безопасности». Стоимость подписки — около 9 900 ₽ в месяц за кран.
Модуль 2: позиционирование груза (визуальное сопровождение и наведение). Модель YOLOv8s распознаёт четыре типа грузов: стальной рулон, стальной лист, оборудование и штамп. Модуль преобразования координат переводит пиксельные координаты в миллиметровые координаты на плоскости пола. Точность позиционирования — ±5 мм. Поддерживается интеграция с ПЛК Siemens S7-1200/1500 через шлюз PROFINET с автоматической генерацией команд движения моста, тележки и подъёма. Стоимость подписки — около 14 800 ₽ в месяц за кран.
Модуль 3: дефектоскопия каната на основе ИИ. Многокамерный сбор данных (верхняя, боковая и нижняя съёмка), модель YOLOv8s обнаруживает три типа дефектов: обрыв проволоки, износ и коррозию. Модель EfficientNet-B4 выполняет вторичную тонкую классификацию по 11 подтипам. Совокупный показатель mAP ≥ 0,93. Сигнал тревоги передаётся на платформу PHM; среднее время отклика от обнаружения до формирования заявки — не более 30 секунд. Стоимость подписки — около 7 400 ₽ в месяц за кран.
Модуль 4: контроль сварных швов на основе ИИ. Модель YOLOv8s-weld (с дополнительным слоем для обнаружения мелких объектов) выявляет пять типов дефектов: трещину, непровар, пористость, шлаковое включение и подрез. Совокупный показатель mAP ≥ 0,94. Оценочный модуль автоматически классифицирует качество шва по ГОСТ Р ИСО 5817-2019 (степени I–IV). Поддерживаются три варианта развёртывания: на AGV-роботе для осмотра, на ручном приборе контроля и на стационарной монтажной раме. Стоимость подписки — около 6 200 ₽ в месяц за кран.
Модуль 5: построение карты и позиционирование на основе визуального SLAM. Объединение фреймворков ORB-SLAM3 и VINS-Mono с монокулярной/стереокамерой и 6-осевым IMU в качестве датчиков. Обеспечивается оценка положения с шестью степенями свободы и построение разреженной карты в условиях заводского здания. Точность позиционирования — ±10 см. Плотная связка IMU-предынтеграции снижает частоту потери трекинга при вибрации с 8% до 0,5%. Стоимость подписки — около 12 300 ₽ в месяц за кран.
Модули можно подключать по отдельности или в любой комбинации. Пакетная подписка на все пять модулей — 34 500 ₽ в месяц за кран (экономия около 32% по сравнению с раздельной подпиской на сумму 50 600 ₽). Доступны два тарифа: помесячный и годовой (скидка 10%).
Модель SaaS: преимущества развёртывания и технологии
По сравнению с традиционной локальной схемой внедрения облачная платформа визуального контроля на основе ИИ в модели SaaS выигрывает по трём ключевым параметрам: скорость развёртывания, масштабируемость вычислительных мощностей и стоимость эксплуатации.
Скорость развёртывания: локальное внедрение требует закупки устройств периферийных вычислений Jetson Orin NX/AGX (стоимость одного устройства — около 62 000–185 000 ₽), настройки среды инференса (TensorRT, CUDA, экспорт моделей — обычно 1–2 рабочих дня) и дальнейшего обслуживания сервиса (обновление ПО, модернизация моделей, устранение неисправностей оборудования). В модели SaaS на объекте достаточно установить промышленные камеры и коммуникационный терминал (можно использовать существующие камеры видеонаблюдения с поддержкой протокола RTSP). Терминал автоматически регистрируется в облаке после включения; калибровка камер и настройка зон обнаружения выполняются через веб-интерфейс. Типичный срок развёртывания сокращается с 3–5 дней до 2–4 часов.
Масштабируемость вычислений: производительность Jetson Orin NX в локальной конфигурации фиксирована на уровне 100 TOPS и не адаптируется к фактической нагрузке. В периоды простоя (например, ночью) вычислительные ресурсы простаивают; в пиковые нагрузки (одновременная работа нескольких кранов) мощности может не хватать. Облачный GPU-кластер SaaS обеспечивает эластичное масштабирование: при росте числа параллельных запросов автоматически добавляются GPU-инстансы (расширение с 4 до 8 видеопотоков на GPU за ~2 минуты), при снижении нагрузки ресурсы высвобождаются. По результатам испытаний, облачный инференс при одновременной работе 20 кранов (60 видеопотоков) достигает пропускной способности 900 кадров/с — в 4,5 раза выше, чем у локального решения на Jetson (оценочно ~200 кадров/с при том же масштабе).
Стоимость эксплуатации: при локальном развёртывании системы визуального контроля на основе ИИ требуется 1–2 модуля Jetson на кран; для парка из 5 кранов общие инвестиции в оборудование составляют около 370 000–1 230 000 ₽. Дополнительно необходим инженер по ИИ для обслуживания и модернизации моделей и устранения неисправностей — годовые затраты на персонал около 1 850 000–3 080 000 ₽. В модели SaaS плата взимается по факту использования, без начальных капиталовложений; обновление моделей (например, переход с YOLOv8s на YOLOv11 или добавление новых классов обнаружения) выполняется централизованно на платформе, от пользователя не требуется никаких действий. Годовая подписка на все пять модулей для 5 кранов — около 2 070 000 ₽ (включая облачные вычисления, хранение данных и обслуживание моделей). Совокупная стоимость владения за три года в SaaS на 40–55% ниже, чем в локальной схеме (амортизация оборудования + персонал + эксплуатация).
Результаты пилотного тестирования и фактические данные
С октября 2025 года платформа проходит пилотную эксплуатацию на 12 промышленных объектах в четырёх отраслях: металлургия (5 предприятий), судостроение (3), тяжёлое машиностроение (3) и новые источники энергии (1). В рамках пилота использовалась модель бесплатного доступа со сбором обратной связи; на каждом кране было подключено от 1 до 3 модулей обнаружения. Суммарная наработка — 180 дней. Ключевые фактические данные:
В ходе тестирования модуля мониторинга безопасности на 12 объектах зафиксировано 142 случая вторжения персонала. Система ИИ-визуального контроля успешно обнаружила 136 случаев; 6 пропущены (все — при низкой освещённости в сочетании с сильным перекрытием обзора). Полнота (recall) обнаружения — 95,8%, частота ложных срабатываний — 0,3 раза в день на кран. Модуль дефектоскопии каната на 3 металлургических объектах проверил стальной канат суммарной длиной более 12 000 м; выявлено 38 дефектных сварных швов класса Grade 2 и выше. Совпадение с результатами ручного повторного контроля при остановке оборудования — 93,2%. Модуль контроля сварных швов на судостроительном объекте прошёл сравнительную проверку методом UT на стыковых швах главной балки: расхождение по позиционированию дефекта между ИИ-контролем и UT-контролем — менее 3 мм.
Индекс удовлетворённости клиентов (NPS) составил 62 балла — выше среднего отраслевого показателя для SaaS-решений (около 40 баллов). Наиболее высоко клиенты оценили три характеристики: быстрое развёртывание без закупки оборудования (средняя оценка 4,7/5), автоматическое обновление моделей без участия пользователя (4,5/5) и гибкую помодульную подписку (4,3/5). Основные рекомендации по улучшению касаются кэширования результатов и возможности автономного обнаружения при нестабильном сетевом соединении — эта функция включена в план релиза Q3 2026 года.
Часто задаваемые вопросы (FAQ)
В: Обеспечивает ли облачная платформа достаточную оперативность для безопасного управления краном?
О: Сквозная задержка облачной платформы ИИ-визуального контроля Kelude для мостовых кранов составляет 120–250 мс в сети 5G и 300–600 мс в сети 4G. Для сценариев мониторинга безопасности рекомендуется использовать результаты детекции как вспомогательную информацию, а не как прямой сигнал управления цепью безопасности. Согласно требованиям GB/T 28264-2017 «Система мониторинга и управления безопасностью для грузоподъёмных машин», задержка сигнала прямого управления цепью безопасности должна быть менее 100 мс. Текущая схема облачной платформы применима для предупреждений и вспомогательного мониторинга; для прямой предохранительной блокировки рекомендуется локальное решение на базе Jetson (сквозная задержка < 100 мс). Облачная платформа поддерживает гибридное развёртывание с локальным решением: на периферии выполняется контроль безопасности в реальном времени, в облаке — хранение данных и удалённый мониторинг.
В: Можно ли использовать систему при плохих условиях сети в цехе (отсутствие 5G-покрытия, нестабильный 4G-сигнал)?
О: Да. Коммуникационный терминал поддерживает резервирование двух SIM-карт и двух модулей, а также функцию локального кэширования: при стабильной сети изображения передаются в реальном времени и результаты инференса принимаются; при обрыве сети происходит автоматическое переключение на резервного оператора (время переключения < 15 секунд), а изображения за период обрыва кэшируются в локальном хранилище терминала (максимальный объём кэша 256 ГБ, что позволяет хранить около 72 часов сжатого видео 1080P@15fps). После восстановления сети кэшированные изображения автоматически передаются и обрабатываются, что гарантирует отсутствие потери данных. Для цехов с постоянно нестабильной сетью рекомендуется гибридное развёртывание: на периферии запускается облегчённая модель для детекции в реальном времени, в облаке выполняется обновление модели и резервное копирование данных.
В: Могут ли данные детекции, хранящиеся в облаке, привести к утечке производственной информации цеха?
О: Платформа спроектирована по принципу минимального сбора данных: в облаке хранятся только результаты ИИ-детекции (класс объекта, координаты ограничивающей рамки, оценка уверенности и временная метка) и ключевые кадры, вызвавшие тревогу. Полный видеопоток не сохраняется. Клиент может самостоятельно настроить период хранения данных в веб-интерфейсе (7 / 30 / 90 дней), по истечении которого данные автоматически удаляются. Хранение данных реализовано по многоарендной архитектуре с физической изоляцией (для каждого клиента — отдельный экземпляр базы данных), шифрование при передаче (TLS 1.3) и при хранении (AES-256). Платформа прошла сертификацию по второму уровню защиты информации (уровень защиты 2 (класс 2 защиты информации)) и сертификацию ISO 27001 (система управления безопасностью информации). Согласно требованиям GB/T 22239-2019, второй уровень защиты применим к обычным системам промышленного интернета и удовлетворяет требованиям безопасности данных для сценария удалённой эксплуатации и обслуживания мостовых кранов.
В: Как обновляются версии моделей при SaaS-подписке? Может ли клиент использовать собственную модель?
О: Модель детекции единообразно обслуживается и обновляется облачной платформой. В настоящее время используется семейство моделей YOLOv8s. Платформа проводит итерацию модели ежеквартально (инкрементальное обучение на новых данных и оценка точности). Новая версия модели проходит регрессионное тестирование (точность на стандартном тестовом наборе не должна снижаться) и затем публикуется методом канареечного развёртывания. Для клиентов с индивидуальными требованиями к детекции (например, обнаружение специфических типов деталей) платформа поддерживает загрузку собственного обучающего набора данных клиентом; инженеры платформы выполняют тонкую настройку (fine-tuning) модели и развёртывают её на выделенном для данного клиента инференс-экземпляре. Услуга тонкой настройки оплачивается отдельно (около 3000–8000 руб. за раз, срок — 5–10 рабочих дней). Обновление и тонкая настройка моделей не влияют на работу других клиентов.
