Первая в мире система на базе ИИ и цифровых двойников от «Норникеля» прогнозирует выбросы за сутки, позволяя не просто фиксировать нарушения, а предотвращать их. Сегодня эксперты призывают закрепить использование ИИ законодательно, открывая новую эру экологического мониторинга. Часть компаний уже внедряет похожие решения. Тренды, проблемы и основные кейсы ИИ-решений – в нашем материале.

В России начинается новая эра промышленного экологического контроля: искусственный интеллект (ИИ) перестает быть экспериментальной диковинкой и активно внедряется в повседневную практику. Прорывной технологией, которая выводит мониторинг на принципиально новый уровень, стала система Axioma, разработанная ведущей компанией «Норникель». Система прогнозирует состав и распространение загрязнений с учетом метеоусловий, рельефа и застройки, помогая предприятиям корректировать процессы и избегать попадания выбросов в жилые зоны. Решение на базе ИИ уже прошло испытания в Норильске и готово к тиражированию в разных отраслях. Инициативу поддержали на госуровне. Готовится законопроект для масштабирования технологии в рамках проекта
«Чистый воздух».

В настоящее время для контроля за состоянием воздуха отечественные компании применяют сочетание аппаратных датчиков, беспилотных платформ, облачных платформ с обработкой данных и моделей ИИ (нейросети, цифровые двойники, предиктивная аналитика) для мониторинга и прогнозирования состояния воздуха на производстве.

Применение этих и других инструментов позволяет компаниям оперативно обнаруживать утечки и аномалии, снижает риски штрафов за выбросы, помогает оптимизировать работу оборудования для снижения выбросов при сохранении производительности и дает возможность формировать экологическую отчетность, контактировать с регуляторами и соседними сообществами с помощью верифицируемых данных в реальном времени.

Что изменилось

На промпредприятиях меняется не сам факт измерения воздуха – датчики и раньше были, – а логика работы. Раньше предприятие чаще фиксировало уже случившееся превышение, тогда как теперь задача – заранее понять, где и при каких условиях оно может возникнуть, утверждает директор программ центра «Цифровая школа госуправления» ВШГУ Президентской академии Иван ЛАПШИН.

Он рассказал, как работает современная система мониторинга. На трубе стоит газоанализатор, рядом – пылемер, по периметру размещаются посты контроля. Дополнительно учитываются погодные параметры: направление ветра, влажность, давление, а также режим работы оборудования. При этом ИИ в этой схеме не заменяет прибор, а объединяет данные в единую картину.

«Например, если вечером меняется ветер, линия работает на высокой нагрузке, а фильтр давно не обслуживался, система может заранее указать на риск в конкретной зоне. У „Технониколь“, например, заявлены четыре поста мониторинга воздуха в Рязани с замерами примерно каждые 20 минут и последующим анализом данных с помощью искусственного интеллекта – это уже не лаборатория „раз в месяц“, а постоянное наблюдение за площадкой», – разъясняет эксперт.

Хватит ли данных

По мнению большинства опрошенных экспертов отрасли, открытых данных в России достаточно, чтобы делать исследования и опытные проекты. Есть отчетность, данные Росстата, данные государственного мониторинга, развивается ФГИС «Экомониторинг».

Но, во‑первых, их недостаточно, чтобы обучить сильную модель под конкретный завод, считает эксперт по ИИ центра «Цифровая школа госуправления» ВШГУ Президентской академии Артем ЧАЛЕНКО.

«Для ИИ нужна не годовая таблица по региону, а поминутная или хотя бы почасовая история: что показывал датчик, какая была погода, какой режим был на установке, какое сырье использовали, был ли ремонт, кто подтвердил превышение лабораторно», – говорит он.

Во-вторых, полезные данные, как правило, рассредоточены: производство отдельно, экологи отдельно, метеорология отдельно, лаборатория отдельно.

«По неорганизованным выбросам всё еще сложнее. Утечка через фланец, испарение с открытой поверхности  – это не труба с датчиком», – уточняет Чаленко.

Системный пробел в развитии открытых данных обозначила научный сотрудник лаборатории анализа лучших международных практик Института Гайдара Ольга СОЛДАТКИНА. По ее словам, обязательства по сбору данных, в том числе промышленных, на нормативном уровне устанавливаются, а вот раскрытия аккумулированных данных не происходит.

Проблема в несовершенстве регуляторики. Так, № 7‑ФЗ «Об окружающей среде» предусматривает обязательства промышленных объектов по экологическому контролю. Согласно п. 3 ст. 67 программа производственного экологического контроля включает в том числе инвентаризацию выбросов загрязняющих веществ в атмосферу.

Эксперт отметила, что требования распространяются на промышленные объекты, относящиеся к 1–3 категориям по характеру воздействия на окружающую среду (в соответствии со ст. 4.2 ФЗ «Об окружающей среде»), а не любые объекты в сегменте промышленности. То есть ограничен круг учитываемых субъектов.

«Также ограничен круг учитываемых выбросов: инвентаризации подлежат стационарные источники загрязняющих веществ, и по ним считается суммарная масса выбросов. Это значит, что учет  „неорганизованных выбросов“ не закладывается в методологию расчета выбросов в отрасли. Поэтому можно предположить, что промышленные выбросы в атмосферу учитываются не в полном объеме элементарно в силу методологических ограничений», – говорит она.

Промышленные предприятия несут обязательства собирать и раскрывать данные по выбросам госорганам, но такие данные не становятся публично доступными. Так, Росприроднадзор ведет реестр объектов, осуществляющих негативное воздействие на окружающую среду, но данные о фактической деятельности таких объектов не публикуются.

«При этом предприятия со стационарными источниками загрязнения предоставляют те же сведения для статистических исследований в Росстат. Но эти данные публикуются в агрегированном виде, то есть низкий уровень детализации данных накладывает ограничения на возможности использования таких данных для обучения ИИ», – сетует Солдаткина.

Но и это не панацея: самого по себе раскрытия данных от предприятий может быть недостаточно для обучения ИИ по техническим причинам. Чтобы обрабатывать большие массивы данных, такие данные должны быть сначала структурированы по единой методике, публиковаться в едином формате.

Проблема унификации

Обязательной универсальной сертификации ИИ-решений для экологического контроля в России сейчас нет. Обязательные требования возникают там, где ИИ входит в состав измерительной системы или влияет на юридически значимые данные.

При этом с 2025 года в России появились важные стандарты в сфере ИИ. Например, ГОСТ Р ИСО / МЭК 42001–2024, российская версия стандарта ISO / IEC 42001:2023, посвящен системам управления ИИ. Он применим к организациям, которые разрабатывают, предоставляют или используют ИИ-продукты и услуги. Также с 2025 года введены ГОСТы о средствах измерений на основе ИИ, то есть стандарты по тем же системам управления измерениями в России уже есть, но они по умолчанию рекомендательные.

Если смотреть международные стандарты, то есть также ISO / IEC 23894:2023, который содержит рекомендации по управлению рисками ИИ. В экологической части стандарт ISO 14001:2015 задает требования к системе экологического менеджмента, а ISO 14031:2021 описывает оценку экологического воздействия организаций.

Важные стандарты (первые международные стандарты в сфере ИИ, на которых базируется практически всё современное законодательство об ИИ) разработаны ОЭСР. В Рекомендации об ИИ 2019 года выделяется устойчивость и безопасность ИИ на всем жизненном цикле, прозрачность, объяснимость, защита прав, управление рисками и ответственность, утверждает Солдаткина. По ее словам, для регулирования, например, выбросов это означает, что компания должна понимать, на каких данных обучалась модель, как она ошибается, кто проверяет ее выводы, как фиксируются изменения в алгоритме и что в разных ситуациях должен делать оператор.

Кейсы компаний

На запросы о внедрении конкретных инструментов откликнулось несколько компаний.

В «ЕвроХиме» в рамках цифровой экосистемы Omnia развивается контур «Производственная безопасность», одним из ключевых элементов которого является информационная система InSight. Блок «Экология» обеспечивает централизованный сбор и анализ данных по экологической безопасности предприятий, автоматизирует расчет экологических показателей, в том числе платы за воздействия на окружающую среду, а также формирование и передачу обязательной государственной экологической отчетности в надзорные органы, сообщили в «ЕвроХиме».

С помощью системы проводится оценка значимости экологических аспектов, осуществляется контроль реализации природоохранных мероприятий.

Для экологического мониторинга компания внедряет на производстве и другие инструменты на базе ИИ, в том числе рекомендательные системы и цифровые двойники технологических процессов.

«Например, рекомендательные системы помогают операторам выбирать оптимальные режимы работы оборудования, включая процессы горения, что способствует снижению расхода природного газа и, как следствие, сокращению выбросов CO₂ и повышению экобезопасности», – добавили в «ЕвроХиме».

Сегодня в компании реализовано более 60 ИИ-проектов.

Что выбрать

Выбор типов нейросетей зависит от структуры собираемых и обрабатываемых данных. Если речь идет об одном источнике и временном ряде с датчика – концентрации вещества, температуре, давлении, скорости потока, логично использовать LSTM, то есть модели с долгой краткосрочной памятью, способные учитывать предшествующую динамику.

Другой тип – GRU – решает схожую задачу, но имеет более простую архитектуру.

Если вокруг предприятия развернута сеть постов, становятся актуальны графовые модели, учитывающие связи между точками, направление ветра и распространение загрязнений. При подключении визуальных данных – камер, дронов, тепловизоров или спутниковых снимков – применяются сверточные нейронные сети (CNN), лучше подходящие для анализа изображений.

«Однако в реальных проектах разумнее начинать не с выбора конкретной нейросети, а с архитектуры решения: на практике часто лучший результат дает ансамбль моделей, где одна анализирует технологические параметры, другая – временные ряды, третья – пространственную сеть наблюдений. Такая комбинация понятнее инженерам и проще обосновывается перед экологами и управлением», – объясняет Лапшин.

Ведущий эксперт УК «Финам Менеджмент» Дмитрий БАРАНОВ назвал ситуацию смешанной. По его словам, базовая инженерная и аналитическая часть – в основном отечественная, а вот отдельные компоненты, методики и практики часто заимствуются из других стран и адаптируются под местные нормы и правила, данные и меры регулирования. По сути, получается некая гибридная модель, сочетающая отечественную экспертизу с адаптированными зарубежными практиками.

Наиболее перспективными он назвал исследования, которые соединяют химию, сенсорику (использование физических и электронных датчиков (сенсоров) для непрерывного обнаружения и измерения концентрации различных загрязняющих веществ, аэрозолей и газов), метеорологию и ИИ в единую систему, которая позволяет не просто зафиксировать загрязнение, а объяснить его источник и прогнозировать развитие шлейфа.

«Также перспективны исследования по обнаружению аномалий и неорганизованных выбросов; валидации и очистке данных экологического мониторинга с помощью ИИ; совмещению спутниковых, наземных и промышленных данных в едином контуре», – добавляет он.

Что говорят потребители

Дорожная отрасль – крупный потребитель нефтехимической продукции. При этом ее экологичность измеряется и по составу материала, и по его поведению в реальном производственном процессе. Экологичность на сегодняшний день перестала быть отдельной опцией, а стала показателем технологичности всего производства.

По словам члена генерального совета «Деловой России» и коммерческого директора «СПК Ресурс» Дениса КАРЕЛИНА, современный асфальтобетонный завод – это закрытый управляемый комплекс. Производство не может быть абсолютно безэмиссионным. Но оно может быть герметичным, измеряемым, прогнозируемым и технологически управляемым. Именно это должно стать стандартом ответственного промышленного предприятия. Рукавные фильтры способны обеспечивать концентрацию пыли в отходящих газах не более 20 мг / Нм³, а системы аспирации и улавливания битумных паров – существенно снижать запахи и выбросы летучих органических соединений.

Следующий этап – интеллектуальное управление. Датчики и программные алгоритмы должны в реальном времени контролировать температуру, горение, разрежение, состояние фильтров и расход топлива, предупреждая отклонения до появления дыма или запаха.

При этом Карелин уверен, что сама установка фильтров еще не гарантирует результат. Перегрев, нарушение соотношения топлива и воздуха, подсосы, повреждение рукавов или неправильное разрежение быстро ухудшают показатели. Поэтому следующий логичный этап – цифровой контроль и элементы искусственного интеллекта.

«ИИ здесь – не маркетинговая надстройка, а инструмент прогнозирования. Алгоритм может заметить ухудшение тяги, рост расхода топлива, нестабильность горения или нетипичную работу фильтра и заранее предупредить оператора. Одновременно автоматика помогает поддерживать минимально необходимую температуру производства: перегрев увеличивает энергопотребление и образование паров, особенно при использовании асфальтогранулята и модифицированных вяжущих», – рассказал он.

По словам эксперта, непосредственные пользователи нефтехимической продукции ждут от нефтехимических компаний не только поставки продукта по паспорту, но и стабильность каждой партии, сведения о составе и безопасном температурном диапазоне, рекомендации по хранению и дозированию, а также материалы и добавки для выпуска теплых смесей при более низких температурах.

Насколько можно доверять ИИ-решениям

При всех преимуществах с точностью моделей искусственного интеллекта стоит быть аккуратнее, призывают опрошенные эксперты. Не существует универсальной цифры по эффективности модели в сравнении с классическими методами мониторинга. «На одном предприятии такая система даст заметный эффект в +30 %, на другом останется лишь надстройкой над некачественными данными», – подчеркнул Лапшин.

По его словам, классические модели хорошо работают там, где источник понятен: есть труба, стабильный режим, известный состав выброса и корректная метеоинформация. Но производство редко бывает таким предсказуемым: пуски, остановки, смена сырья, температурные инверсии, отклонения в работе фильтров. В этих условиях искусственный интеллект полезен тем, что учитывает не одну причину, а их комбинацию.

По словам Дмитрия Баранова, ограничениями для компаний являются качество и калибровка дешевых сенсоров, а также сложность моделирования при сложной топографии и переменных метеоусловиях. Результат сильно зависит от задачи, горизонта прогноза и качества исходных данных.

«В настоящее время ИИ уже показывает преимущество над классическими моделями и могут быть заметно точнее традиционных методов, особенно для краткосрочного прогноза выбросов и выявления аномалий. ИИ выигрывает там, где есть нелинейные зависимости, фактор сезонности, отслеживается влияние метеоусловий, повторяющиеся режимы работы оборудования и есть большой массив исторических данных», – уверен эксперт.

Преимущество таких решений не универсально и требует плотной сети измерений и регулярного переобучения.

Обычно для пилотной ИИ-системы на предприятии нужно от нескольких недель до 3–6 месяцев, а для устойчивого внедрения в реальный производственный контур – от 3–6 месяцев и дольше, подсчитали эксперты из УК «Финам Менеджмент».

«Если же задача сложная, данных мало или нужно интегрировать ИИ с автоматизированной системой управления технологическим процессом (АСУ ТП), то срок может уйти к 6–12+ месяцам», – дополнил Дмитрий Баранов.

Найти крайнего

В случае проблем и судебных разбирательств ответственность будет распределяться по цепочке, утверждает цифровой юрист, председатель Центра по интеллектуальной собственности при омбудсмене Москвы, заместитель председателя Совета по интеллектуальной собственности ТПП РФ, Евразийский и российский патентный поверенный Борис ГЕРАСИН. По его словам, разработчик ПО (подрядчик) отвечает за код и качество выборки, если в процессе будет доказан технический дефект программы или сервиса. Компанию-пользователя будут преследовать за внедрение системы без должного контроля (неправильные промты, неполные или некорректные данные), отсутствие контроля за внедрением ПО. А поставщика датчиков привлекут за искаженные измерения приборов.

Ответственность перед государством обычно будет нести компания, которая эксплуатирует источник выбросов, уточняет Ольга Солдаткина. Дальше, если ошибка вызвана дефектом системы, ошибками в обучении и т. п., то ответственность перед компанией может нести разработчик ИИ. «Если оператором ИИ является отдельное лицо (не компания – владелец источника выбросов), она может отвечать за ошибки, которые возникли из‑за того, что работа ИИ не контролировалась как следует, не перепроверялась, не выявлялись искажения в работе с данными», – полагает она.

Примут ли в суде ИИ-доказательства

Результаты ИИ-анализа могут использоваться в суде как часть доказательственной базы, полагает Ольга Солдаткина. КоАП РФ допускает в качестве доказательств любые фактические данные, на основании которых судья или орган по делу устанавливает наличие события нарушения, виновность и другие обстоятельства.

Для юридически значимого вывода о превышении ПДК нужны надежные измерительные данные. Это исходные измерения, пригодность датчиков, поверка средств измерений, методика измерений, журнал событий, условия отбора проб, квалификация лаборатории и возможность проверить путь данных от датчика до отчета. ИИ-прогноз, сигнал об аномалии или расчет риска полезны как подсказка для проверки и как дополнительный материал.

Научные работы подтверждают пользу ИИ для экологического мониторинга. «Например, машинное обучение может повышать точность данных с датчиков качества воздуха и помогать выявлять ошибки измерений. При этом исследования также показывают, что датчики, особенно недорогие, требуют регулярной проверки качества, калибровки и контроля смещения показаний. Поэтому с правовой точки зрения сильная система – это связка проверенного измерительного оборудования, прозрачной обработки данных, человеческого контроля и документирования каждого важного действия», – резюмирует Солдаткина.

Наталья Батыева