Аналитическая компания Gartner несколько лет назад ввела в оборот новый класс программного обеспечения для управления активами. Наряду со ставшими классикой системами EAM (Enterprise Asset Management), в отчетах Gartner появились продукты класса APM (Asset Performance Management).

Существуют различные представления о том, какой функциональностью должна обладать EAM-система. Чтобы ответить на поставленный в заголовке вопрос будем опираться на представление Gartner. 
Функциональность системы класса EAM включает в себя следующие функциональные блоки:

• Идентификация активов, ведение реестра активов. 
• Идентификация типовых работ и ведение справочников.
• Отслеживание состояния активов и их компонентов.
• Профилактическое (регламентированное) обслуживание.
• Обслуживание по техническому состоянию (CbM).
• Поддержка процессов сервисного обслуживания. 
• Управление заявками на обслуживание и графиками работ.
• Управление спецификациями на запчасти и материалы.
• Планирование потребностей в запчастях и материалах для технического обслуживания.
• Калькуляция затрат на выполнение работ.
• Управление заказами на закупки.
• Управление запасами.
• Обеспечение работ материалами и запчастями.
• Учет затрат, трудоемкости, расходования запчастей и материалов.
• Бюджетирование и финансовая аналитика.
• Управление персоналом, включая управление требованиями, допусками, переподготовкой и квалификацией.

EAM-система поддерживает весь жизненный цикл актива с охватом территориально распределенной структуры предприятия (несколько промышленных площадок). 

Источник: Software Market Research Methodology and Definitions, 2003-2004. Gartner Dataquest Guide.

APM-система обеспечивает риск-ориентированное управление активами и содержит следующие функциональные блоки:

• Сбор и агрегация данных из EAM-системы.
• Различные методы и инструменты анализа для расчета риска и оценки критичности.
• Обеспечение механической целостности активов посредством управления проектированием, монтажом и эксплуатацией.
• Анализ конфигурации активов на уровень полноты безопасности (Safety Integrity Level, SIL).
• Создание и ведение библиотек видов отказов и рекомендуемых практик.
• Надежностно-ориентированное техническое обслуживание (RCM).
• Анализ коренных причин отказов (RCA).
• Предиктивное техническое обслуживание (PdM).

Для решения своих задач система класса APM может использовать промышленный интернет вещей (IIoT) и цифровой двойник (Digital twin).

Источник: Market Guide for Asset Performance Management Software. Gartner, 2019.

Чего нет в APM-системе?

В ней нет оперативного планирования и выдачи заданий, которое реализуется в EAM-системе. Поэтому APM работает в связке с EAM, при этом APM поддерживает принятие решений, а EAM — исполнение этих решений.

На иллюстрации представлено соотношение между EAM-системой и APM-системой в части поддержки различных стратегий (политик) технического обслуживания. 

В первом номере журнала "Надежность" за 2026 год опубликована статья известного специалиста в области надежности, доктора технических наук Виктора Александровича Нетеса "Применение искусственного интеллекта для обеспечения надежности". В статье дан анализ современного состояния работ в России в области применения методов искусственного интеллекта (ИИ) для обеспечения надежности в технике, а также предложены новые перспективные направления исследований и разработок в этой области.

Последние годы ознаменовались все более широким распространением разнообразных технологических решений с использованием ИИ. Важнейшая область применения ИИ - решение задач обеспечения надежности различных технических объектов. В своем развитии методы ИИ прошли две стадии:

1. Применение экспертных систем (ЭС) для диагностирования и поиска неисправностей. Важнейшей частью экспертной системы является база знаний как модель поведения экспертов в определённой области с использованием процедур логического вывода и принятия решений, иными словами, база знаний — это совокупность фактов и правил логического вывода в выбранной предметной области деятельности. 
2. Применение машинного обучения (МО), благодаря которому информационные системы самостоятельно формируют правила и находят решение на основе анализа зависимостей, используя исходные наборы данных (без предварительного составления человеком перечня возможных решений). Выделяют классические методы МО (метод главных компонент, решающие деревья, случайный лес, метод опорных векторов и др.) и методы глубокого МО на основе искусственных нейронных сетей (ИНС).

В обзоре литературы представлены примеры использования ИИ в решении задач обеспечения надежности:

1. Опыт внедрения в 2015–2016 гг. на Павлодарском нефтехимическом заводе (Казахстан) системы КОМПАКС® (разработчик НПЦ «Динамика», Россия), включающей автоматическую ЭС выявления дефектов и неисправностей оборудования в реальном времени
2. Комплекс математических моделей и методов МО, апробированных на статистике, собранной на Куйбышевской железной дороге в 2014‑2019 гг.
3. Применение ИНС для оценки и прогнозирования показателей надежности городской водопроводной сети на основе данных российского города Камышлова (Свердловская обл.).
4. Опыт внедрения в 2022 г. информационно-аналитической системы «Нейропоиск» на основе ИНС в ПАО «Транснефть» для автоматического поиска, классификации и определения параметров дефектов на трубопроводах.
5. Применение технологии «Виртуальный эксперт» в ПАО «ВымпелКом» (бренд «Билайн») с 2023 г., которая контролирует более 30 параметров более чем 150 тысяч базовых станций по всей России, что помогает предотвращать возможные перебои мобильной связи.

Нынешний этап развития методов ИИ характеризуется следующими особенностями:

1. Готовых «коробочных» продуктов нет, а разработку решений «под себя» могут позволить себе только крупные компании, в которых масштаб применения окупит затраты.
2. Круг задач, решаемых ИИ, пока не слишком широк. По сути, здесь можно выделить две задачи: А) выявление предотказных состояний с целью недопущения возникновения отказов путем предупредительного обслуживания; Б) быстрое обнаружение уже происшедших отказов и их локализация. Первая направлена на улучшение безотказности, вторая – ремонтопригодности.
3. Нехватка данных для обучения ИИ в силу того, что отказы предупреждаются действующими системами профилактического обслуживания. Здесь более выгодное положение у крупных компаний, имеющих большие парки однотипного оборудования.
4. Разработка путей решения проблемы нехватки данных: А) сбор статистики не с реальных объектов, а с их компьютерных моделей (цифровых двойников), Б) искусственное внесение неисправности в реальные объекты, В) обучение на данных, соответствующих нормальному режиму, когда всякое отклонение от него будет рассматриваться как аномалия и сигнал о возможном отказе.
5. Актуальным для изучения является вопрос, насколько велики должны быть изменения условий эксплуатации, чтобы требовалось переобучение модели прогнозирования отказов, а также влияние параметров окружающей среды на точность прогноза.