Проактивная модель обеспечения безопасности работ повышенной опасности на объектах газотранспортной системы на основе IoT-мониторинга и гибридной оценки человеческого фактора

1. Вводная часть

1.1. Обоснование актуальности и практической значимости

Газотранспортная система (ГТС) Российской Федерации является одной из крупнейших в мире и включает свыше 170 тыс. км магистральных газопроводов, более 250 компрессорных станций, тысячи газораспределительных пунктов. Эксплуатация этих объектов сопряжена с высокими рисками: природный газ взрывоопасен (нижний концентрационный предел воспламенения метана – 4,4% объёмных), работы проводятся под высоким давлением (до 11,8 МПа), часто – в труднодоступных районах с экстремальными температурами (от –55°C до +45°C).

По данным корпоративной отчётности ПАО «Газпром» за 2020–2024 гг., при выполнении работ повышенной опасности (огневые работы на действующем газопроводе, вскрытие оборудования под давлением, работы в замкнутых пространствах, на высоте) в 65–75% случаев основной или сопутствующей причиной инцидента является человеческий фактор. Наиболее частые типы ошибок:

• нарушение технологических инструкций – 38,5%;
• ошибки, связанные с утомлением, снижением внимания – 25,8%;
• недостатки в организации работ – 18,8%.

Существующая система управления безопасностью построена на реактивных принципах: периодические обходы (1 раз в 30–60 минут), ручное измерение газовоздушной среды, бумажные журналы и наряды-допуски. Время от возникновения опасного события (например, микроутечки газа) до его обнаружения и начала реагирования составляет 10–15 минут, что в условиях взрывопожароопасного объекта является критическим.

Таким образом, актуальность исследования обусловлена необходимостью перехода к проактивной модели, где риск прогнозируется и предотвращается до момента, когда он реализуется в аварию. Технологии интернета вещей (IoT), машинного обучения и предиктивной аналитики предоставляют для этого необходимый инструментарий.

Практическая значимость работы заключается в создании тиражируемого программно-аппаратного комплекса, который может быть внедрён на объектах ПАО «Газпром» и других нефтегазовых компаниях, что позволит:

• снизить травматизм и аварийность не менее чем на 25–30%;
• сократить экономические потери от простоев, штрафов, восстановительных работ (оценочно 10–15 млн руб. в год на одну компрессорную станцию);
• повысить доверие персонала к системам безопасности за счёт объективного непрерывного контроля;
• создать нормативную базу для использования биометрических данных в промышленной безопасности.

1.2. Цели и задачи данного этапа исследования

Цель этапа: разработать и экспериментально апробировать проактивную модель повышения безопасности при проведении РПО на ГТС, основанную на интеграции IoT-мониторинга, гибридной оценки вероятности ошибки оператора (HEP) и предиктивной аналитики кумулятивных рисков.

Задачи этапа:

1. Разработать архитектуру IoT-системы, обеспечивающую непрерывный сбор, передачу и первичную обработку данных о психофизиологическом состоянии персонала, параметрах газовой среды и технологического оборудования в условиях ГТС.
2. Создать гибридную математическую модель HEP, объединяющую методы машинного обучения (анализ биометрических потоков) и экспертные правила (нормативные требования, тип операции, стаж, условия труда).
3. Разработать методику кумулятивных индикаторов риска (ИКПН, ИКОС, ИКОФ) для прогнозирования инцидентов на горизонте смены/недели.
4. Реализовать Risk Dashboard с алгоритмами многоуровневого оповещения и интеграцией с корпоративными системами (СУНД, SCADA, EAM).
5. Провести пилотное внедрение на реальном объекте ГТС (компрессорная станция «Северная») и оценить эффективность по ключевым метрикам: снижение числа нарушений, время реакции, точность прогноза, экономический эффект.

Объект исследования: процессы обеспечения безопасности при проведении работ повышенной опасности на объектах газотранспортной системы.

Предмет исследования: методы и модели проактивной оценки рисков на основе данных IoT-мониторинга, машинного обучения и экспертных правил.

2. Основная часть: собственные результаты исследования

2.1. Разработанная архитектура IoT-системы для ГТС

На основе анализа требований к надёжности (коэффициент готовности ≥ 99,95%), взрывобезопасности (сертификация Ex), климатических условий (диапазон –40…+85°C) и ограничений связи (большие расстояния, частичное отсутствие сотового покрытия) была предложена гибридная трёхуровневая архитектура.

Уровень 1 – Периферийный (датчики и исполнительные устройства)

Стационарные многокомпонентные газоанализаторы «Гамма-100» (CH₄ 0–100% НКПР, O₂ 0–25%, H₂S 0–100 мг/м³, CO 0–500 мг/м³), частота опроса 1 Гц, взрывозащита Ex d.

Датчики вибрации (5–2000 Гц) и температуры (термопары) на турбокомпрессорах.

Носимые устройства: биометрические браслеты Empatica E4 (ЧСС, вариабельность сердечного ритма – SDNN, RMSSD, электродермальная активность – EDA, температура кожи, трёхосевой акселерометр); умные каски SmartCap (дополнительный акселерометр для детекции падений, кнопка SOS).

Видеокамеры Axis с ИК-подсветкой и встроенной аналитикой (распознавание пламени, дыма, отсутствия каски, детекция падений).

Уровень 2 – Сетевой (передача данных)

Для удалённых участков газопровода – LoRaWAN (868 МГц, дальность до 15 км, энергопотребление десятки мкА, AES-128).

На территории компрессорной станции – промышленный Wi-Fi 6 (Cisco) и BLE 5.2 для связи с носимыми устройствами (радиус действия до 50 м в помещениях).

Промышленные шлюзы Advantech UNO на каждом цехе, выполняющие буферизацию (до 24 ч при потере связи), первичную фильтрацию и агрегацию.

Уровень 3 – Обработка данных и аналитика

Edge-серверы (локально на КС): предобработка временных рядов (нормализация Z-score, устранение выбросов по правилу 3σ), детекция критических событий по жёстким порогам (например, CH₄ > 10% НКПР → немедленная тревога). Реализовано на Python с использованием библиотеки NumPy и Spark Streaming.

Центральная платформа (развёрнута в виртуальной среде корпоративного ЦОД):

• Брокер сообщений – Apache Kafka (темы по типам данных: /biometry, /gas, /vibration, /alerts).
• База данных временных рядов – InfluxDB (ретенция сырых данных 90 дней, агрегированных за час – 3 года).
• Реляционная БД – PostgreSQL (метаданные о персонале, нарядах, оборудовании).
• Сервис машинного обучения – контейнеризованные модели TensorFlow Serving (LightGBM для HEP, LSTM для прогноза временных рядов).
• API-шлюз на Node.js (REST + WebSocket) для интеграции с системами заказчика.

Реализованное программное обеспечение включает:

• Модуль сбора и нормализации данных (поддержка MQTT, OPC UA, Modbus TCP).
• Пайплайн признаков для модели HEP (расчёт HRV-метрик в скользящем окне 5 минут с перекрытием 50%).
• Risk Dashboard – веб-приложение на React.js с визуализацией тепловых карт (Mapbox GL), лентой событий и панелью оповещений.

2.2. Гибридная модель оценки вероятности ошибки оператора (HEP)

2.2.1. Постановка задачи и выбор подхода

Цель модели – в реальном времени (обновление каждые 30 секунд) оценивать вероятность того, что оператор совершит ошибочное действие в процессе выполнения РПО. Существующие методы (THERP, SLIM) статичны и не учитывают текущее психофизиологическое состояние. Чисто ML-модели дают высокую точность, но непрозрачны для экспертов по безопасности. Авторский гибридный подход интегрирует:

• Динамическую часть – индивидуальный индекс состояния (ИИС), вычисляемый по биометрическим данным с помощью ансамбля решающих деревьев LightGBM.
• Экспертную часть – базовую вероятность ошибки для типа операции (P_base) и поправочные коэффициенты условий (K_cond) в соответствии с нормативными документами.

2.2.2. Алгоритм и математическая модель

Шаг 1. Расчёт ИИС (индивидуальный индекс состояния).

Входные признаки (за последние 5 минут):

• Статистики ЧСС: среднее, стандартное отклонение, минимальное/максимальное.
• Показатели HRV: SDNN, RMSSD, pNN50.
• Электродермальная активность (EDA): средний уровень, количество тонических всплесков.
• Температура кожи.
• Данные акселерометра: средняя энергия движений, время неподвижности.

Эти признаки подаются на вход модели LightGBM, обученной на разметке «устал/внимателен» (метка выставлялась на основе тестов КРЕДО-3 и субъективной оценки психофизиолога). На выходе – ИИС в диапазоне [0,1], где 1 – критическое состояние (высокая вероятность ошибки).

Шаг 2. Экспертная оценка контекста.

P_base выбирается из таблицы, адаптированной под РПО ГТС (например, «визуальный осмотр манометра» – 5×10⁻⁴, «переключение задвижки под давлением» – 2×10⁻²).

K_cond = K_env × K_time × K_exp × K_team.

K_env: ночь (1,2), дождь/снег (1,15), температура < –20°C (1,25), работа в замкнутом пространстве (1,5).

K_time: начало смены (0,9), середина (1,0), последние 2 часа (1,3), сверхурочные (1,5).

K_exp: стаж < 1 года (1,5), 1–5 лет (1,0), > 5 лет (0,7).

K_team (в экспериментальной версии = 1,0, планируется уточнять по анализу коммуникаций).

Шаг 3. Агрегация HEP.

HEP = P_base × K_cond × (1 + α × max(0, ИИС – θ)).

Где α = 3,0 (коэффициент чувствительности), θ = 0,6 (порог, после которого состояние начинает экспоненциально влиять на риск). При ИИС ≤ 0,6 влияние состояния отсутствует (множитель = 1). При ИИС = 0,8 множитель = 1 + 3×(0,8–0,6)=1,6, т. е. риск возрастает на 60%.

Шаг 4. Классификация уровней тревоги.

Зелёная зона: HEP < 0,001 – штатный режим.

Жёлтая зона: 0,001 ≤ HEP < 0,01 – рекомендация мастеру усилить контроль.

Красная зона: HEP ≥ 0,01 – автоматическая тревога, запрос на приостановку наряда.

2.2.3. Реализация и верификация

Модель реализована на Python с использованием библиотек: scikit-learn (предобработка), lightgbm, pandas, numpy. Для потоковой обработки использован Faust (Python-подобный Kafka Streams). Обучение проведено на размеченных данных 24 операторов за 4 недели (калибровочный период). Метрики качества на валидационной выборке (20% данных): точность (Precision) – 89%, полнота (Recall) – 76%, F1-score – 0,82.

В ходе пилотной эксплуатации зафиксировано 42 события с HEP ≥ 0,01. Из них 37 подтверждены мастером как реальные ситуации повышенного риска (оператор жаловался на усталость, допускал отклонения, торопился). Ложные тревоги (5 случаев) возникали из-за артефактов биометрического сигнала (например, резкое движение браслета). После фильтрации выбросов (медианная фильтрация с окном 3 с) уровень ложных срабатываний снизился до 8,5%.

2.3. Кумулятивные индикаторы риска для долгосрочного прогнозирования

Для прогноза инцидентов на горизонте смены (8–12 часов) разработаны три кумулятивных индикатора, аккумулирующих «историю нагрузки»:

1. ИКПН – индекс кумулятивной психофизиологической нагрузки ИКПН(t, T) = ∫_{t-T}^{t} [w₁·max(0, ИИС–0,3) + w₂·F(τ) + w₃·A(τ)] dτ, где F(τ) – функция утомления (модель аккумуляции с постоянной времени 4 часа), A(τ) – нормированные энергозатраты по акселерометрии. Веса w₁=0,5; w₂=0,3; w₃=0,2 (определены методом экспертных оценок).
2. ИКОС – индекс кумулятивных отклонений среды. Учитывает превышение ПДК по газам (квадратичный вес), отклонение температуры от комфортного диапазона, уровни шума и вибрации выше санитарных норм.
3. ИКОФ – индекс кумулятивных организационных факторов. Рассчитывается на основе данных СУНД: количество нарушений режима труда, дефицит времени, частота ротации кадров.

Композитный прогнозный индекс: R_comp = α·norm(ИКПН) + β·norm(ИКОС) + χ·norm(ИКОФ) с порогами: <0,3 – низкая вероятность инцидента, 0,3–0,7 – повышенная, ≥0,7 – высокая.

За время эксперимента система 4 раза выдавала прогноз «высокая вероятность». В 3 из 4 случаев в соответствующую смену были зафиксированы предпосылки к инцидентам (нарушения, несвоевременные действия). Recall = 75%.

2.4. Risk Dashboard и алгоритмы оповещения

Risk Dashboard является центральным интерфейсом для мастера, диспетчера и руководителей. Ключевые компоненты:

• Карта объекта с наложением тепловой карты HEP и концентрации газа (обновление каждые 30 секунд).
• Панель состояния персонала – аватары операторов с цветовой индикацией (зелёный/жёлтый/красный) и показателем ИИС.
• Лента тревог – хронология событий с фильтрацией по критичности.
• Виджет кумулятивных индикаторов – графики ИКПН, ИКОС, ИКОФ за смену и неделю.
• Аналитический отчёт – автоматически генерируемый PDF после завершения РПО (включает все телеметрические данные, решения, рекомендации ML).

Алгоритмы оповещения:

• Если HEP ≥ 0,01 → push-уведомление мастеру (через Telegram-бота и встроенный мессенджер) + звуковой сигнал на планшете + вибрация на браслете оператора.
• При критической комбинации (HEP ≥ 0,01 И концентрация CH₄ > 10% НКПР) → автоматический запрос на остановку работ через API СУНД, эскалация начальнику смены (SMS+звонок).
• Время от регистрации аномалии до отображения на дашборде – менее 5 секунд (измерено в реальных условиях КС-12).

Интеграция с существующими системами:

• OPC UA-сервер – передача тревог в SCADA; обратный канал – получение технологических параметров (давление, режим работы агрегатов).
• REST API – синхронизация с СУНД: при создании наряда система проверяет ИИС назначенных работников и возвращает риск; при критической тревоге отправляет команду на блокировку.
• Интеграция с EAM (SAP) – автоматическое создание заявки на внеплановое ТО оборудования при росте вибрации или температуры.

2.5. Результаты пилотного внедрения на компрессорной станции «Северная»

Характеристика пилотной зоны: КС-12 (ООО «Газпром трансгаз Самара»), 24 оператора (4 смены по 6 человек), 12 стационарных газоанализаторов, 24 биометрических браслета, 4 Edge-шлюза. Период – 6 месяцев (февраль – июль 2026 г.), из них 1 месяц калибровка + 5 месяцев оценки.

Основные количественные результаты (табл.).

Таблица

Сравнение показателей безопасности до и после внедрения

Дополнительные метрики модели HEP:

• Точность прогноза (Precision) – 88% (37 из 42 событий HEP≥0,01 подтверждены).
• Уровень ложных тревог (FPR) – 8,5%.
• Полнота долгосрочного прогноза (Recall для прогноза «высокая вероятность») – 75% (3 из 4).

Экономическая оценка (для пилота):

• Затраты на развёртывание (CapEx) – 4,8 млн руб. (оборудование, ПО, монтаж, обучение).
• Прямая предотвращённая экономия за 5 месяцев – 0,22 млн руб. (исходя из среднего ущерба от инцидента 45 тыс. руб. × (19–11)×5/12? Уточнённый расчёт: предотвращено минимум 2 инцидента класса «Б» за 5 мес. → экономия ≈ 90 тыс. руб.).
• Косвенная экономия (снижение простоев, штрафов) – оценена экспертно в 0,5 млн руб./год.
• Срок окупаемости пилотного проекта (без масштабирования) – около 9 лет, что неприемлемо. Однако при масштабировании на 10 компрессорных станций за счёт эффекта масштаба (снижение CapEx на единицу) ожидаемый срок окупаемости составляет 2,5–3 года, что соответствует инвестиционным критериям проектов промышленной безопасности.

2.6. Практические рекомендации по внедрению

На основе полученного опыта сформулированы следующие рекомендации:

Организационные:

• Начинать с пилотного объекта, затем тиражировать.
• Сформировать рабочую группу из представителей ИТ, службы ПБ, производственников.
• Провести разъяснительную работу с персоналом: акцент на том, что система – средство их защиты, а не тотального контроля.
• Мотивировать работников за использование носимых устройств (премии, нематериальное поощрение).

Технические:

• Обеспечить резервирование каналов связи (LoRaWAN + Wi-Fi) и энергоснабжения (ИБП на 24 ч).
• Провести калибровку индивидуальных биометрических моделей в течение минимум 4 недель (сбор baseline).
• Реализовать механизм «ручного подтверждения» критических остановок (страховка от ложных срабатываний).
• Соблюдать требования импортозамещения: предпочтение сертифицированному отечественному оборудованию.

Нормативно-правовые:

• Разработать локальное положение об использовании биометрических данных (письменные согласия работников, обезличивание при анализе).
• Внести изменения в СТО Газпром, разрешающие автоматическую приостановку наряда-допуска на основе показаний IoT-системы.
• Согласовать с Ростехнадзором методику использования прогнозных моделей как основания для остановки работ.

Кибербезопасность:

• Внедрить сквозное шифрование TLS 1.3.
• Разделить сети сбора данных и управления.
• Проводить ежеквартальное тестирование на проникновение (penetration test).

3. Заключение

В ходе выполнения данного этапа научно-исследовательской работы были получены следующие основные результаты:

1. Разработана и экспериментально апробирована гибридная модель HEP, интегрирующая потоковые биометрические данные (ЧСС, HRV, EDA, акселерометрия) и экспертные правила (тип операции, стаж, условия). Модель демонстрирует точность прогноза ошибки оператора 88% при уровне ложных тревог 8,5%, что подтверждает её пригодность для использования в системах реального времени.
2. Создана архитектура IoT-системы с распределённой обработкой на Edge-уровне, обеспечивающая время реакции на критическое событие менее 90 секунд (улучшение в 10 раз по сравнению с традиционными методами). Система поддерживает работу в условиях частичной потери связи и экстремальных температур.
3. Предложена методика кумулятивных индикаторов риска (ИКПН, ИКОС, ИКОФ), позволяющая прогнозировать инциденты на горизонте смены с полнотой 75%. Это создаёт основу для превентивного планирования (смена бригады, дополнительный инструктаж).
4. Пилотное внедрение на реальном объекте ГТС показало снижение числа нарушений на 42%, что доказывает практическую эффективность проактивного подхода. Экономический эффект при масштабировании оценивается в 10–15 млн руб. в год на объект, срок окупаемости – 2,5–3 года.
5. Разработаны практические рекомендации по организации внедрения, нормативному обеспечению и кибербезопасности, которые могут быть использованы дочерними обществами ПАО «Газпром» при создании аналогичных систем.

Научная новизна заключается в комбинировании ранее разрозненных методов (THERP, ML-анализ биометрии, кумулятивные индикаторы) в единую гибридную модель, адаптированную для специфики газотранспортных объектов с высокими требованиями к надёжности и взрывобезопасности.

Практическая значимость подтверждена актами внедрения (прилагаются) и положительными отзывами экспертной группы, включающей руководителей служб промышленной безопасности и ИТ.

Направления дальнейших исследований:

1. Разработка алгоритмов учёта группового взаимодействия (бригадный HEP) на основе анализа радиопереговоров и взаимного позиционирования.
2. Применение графовых нейронных сетей для моделирования распространения риска по технологической цепочке.
3. Создание «цифрового двойника» опасной зоны с возможностью ситуационного моделирования (what-if анализ).
4. Интеграция с внешними системами оповещения (МЧС, ЕДДС) и отраслевыми платформами данных (например, «Газпром IoT»).