Предиктивные тревоги по отклонениям температуры: модель на сетпойнте и факте

Контекст задачи

На молочной ферме требовалось улучшить контроль температуры в коровниках за счёт раннего обнаружения потенциальных проблем. Существующая система выдавала тревоги только при выходе за жёсткие пороги, что не позволяло предотвращать инциденты заранее.

Сигналы и данные

• Заданная температура (сетпойнт) — из системы управления вентиляцией, Modbus
• Фактическая температура — датчики через Modbus RTU, 8 точек на корпус
• Состояние вентиляционного оборудования — дискретные сигналы
• Время суток и сезонность — для учёта внешних факторов

Решение

Архитектура

1. **Сбор данных**: Modbus → InfluxDB

2. **Обработка**: Python-скрипт с моделью анализа отклонений

3. **Модель**: Сравнение фактической температуры с сетпойнтом, расчёт тренда отклонения, пороговая логика с учётом времени реакции системы

4. **Алертинг**: Telegram-уведомления при обнаружении потенциальных проблем

Стек

• InfluxDB для хранения данных
• Python 3.10 с библиотеками pandas, numpy
• Простая модель на основе скользящего среднего и пороговых значений
• Telegram Bot API для уведомлений

Что автоматизировали

• Автоматический расчёт отклонения фактической температуры от сетпойнта
• Детекцию трендов: если отклонение нарастает, система предупреждает заранее
• Учёт инерционности системы вентиляции при расчёте порогов
• Адаптивные пороги в зависимости от времени суток и сезона
• Логирование всех предупреждений для анализа эффективности модели

Результат

• Предупреждение о потенциальных проблемах за 10–15 минут до критического отклонения
• Сокращение количества критических инцидентов за счёт раннего обнаружения
• Единая точка контроля для анализа эффективности системы управления микроклиматом
• Возможность настройки порогов на основе исторических данных
• Улучшение условий содержания животных