Разработчики оценили, что внедрение системы может привести к экономии затрат на тепловую энергию до 30%.
Программная часть системы была разработана в тесном сотрудничестве с доцентом кафедры тепловых электрических станций НГТУ НЭТИ, Александром Дворцевым, и индустриальным партнером университета – компанией ООО НПК «Юнисофт плюс». Многие сотрудники этой организации являются выпускниками НГТУ НЭТИ и обладают высокими навыками в области сбора и обработки технологических данных.
Выпускник НГТУ НЭТИ, Виталий Кочев, технический директор ООО «Экотерм», ответственен за проектирование, разработку и внедрение аппаратной части системы. Благодаря его глубоким знаниям и опыту была создана качественная и надёжная аппаратная составляющая системы.
К системе удалённого мониторинга уже подключено десять работающих инженерных систем, распределённых по различным территориям Новосибирска, включая тепловые системы Инженерного Лицея НГТУ НЭТИ. На данный момент готовы к подключению к системе около 20 объектов, и в следующем году планируется добавить к системе ещё столько же.
Система удалённого мониторинга, разработанная выпускниками НГТУ НЭТИ, базируется на отечественной программно-аппаратной основе. Кроме того, она обладает горизонтальной и вертикальной масштабируемостью: способна функционировать в локальной сети предприятия даже без доступа в интернет, а также собирать данные с территориально распределенных инженерных объектов через защищённое онлайн-соединение.
Проектная группа готова внедрить систему удалённого мониторинга в Новосибирске, в первую очередь, сосредотачиваясь на социально значимых объектах, таких как школы и детские сады. Кроме того, расширить внедрение планируется и в других городах.
Система удалённого мониторинга инженерных систем также интегрирована в облачную инфраструктуру НГТУ НЭТИ и успешно внедрена в учебный процесс студентов проекта «Цифровая кафедра» и факультета энергетики университета. Студенты активно осваивают методы сбора и обработки технологических данных из распределенных систем управления, а также современные инструменты их анализа.
Команда проекта намерена разработать модули предиктивной диагностики, используя алгоритмы машинного обучения и многомерный анализ данных.
