ГБУ "Автоматгормаш им. В.А. Антипова"

Пятница. План был другой

План на пятницу: досмотреть графики, которые накопились за неделю. Спокойно, без аврала.

Реальность: модель за ночь нашла три аномалии, и теперь я их разбираю.

Не то чтобы я жаловался. Хорошо, что нашла. Просто иногда хочется прийти утром и увидеть ровную линию. Без красных надписей.

Но у модели своё мнение на этот счёт.

«MSE 0,0327. Аномалия». И всё. Ни тебе «доброе утро», ни «как спалось».

Просто работает. Пока я сплю.

Нейросеть врёт? Проверим
 
Обучить модель – это половина дела. Вторая половина –  это доказать, что она работает.
 
Мы тестируем каждую модель по нескольким метрикам. Без этого результаты публиковать нельзя.
 
Смотрим на кривую ошибки. Синяя линия – обучение. Оранжевая – проверка. Если они сходятся, модель не переобучилась. Значит, работает не на память, а на понимание.
 
Строим матрицу ошибок. Четыре квадрата. Видно, где модель путается, где норму принимает за аномалию или наоборот. Если цифры по диагонали большие, а по краям маленькие, модель точная.
 
ROC-кривая показывает, насколько хорошо модель разделяет классы. Чем ближе линия к верхнему левому углу, тем лучше. У наших моделей AUC доходит до 0,991.
 
PCA-проекция позволяет увидеть, как данные ложатся в пространство. Если кластеры разделились, модель видит разницу между нормой и отклонением. Если смешались, значит ещё есть над чем работать.
 
Зачем всё это. Ошибка в модели – это пропущенная авария или ложная тревога. Поэтому мы не верим цифрам на слово. Проверяем каждую.
 
Без этих проверок ни один результат не выходит за пределы института

9 миллисекунд. За это время в шахте решается, будет взрыв или нет
 
В шахте авария не приходит с предупреждением. Повреждение кабеля, утечка тока, искра. Дальше электрическая дуга. А дуга там, где метан и угольная пыль, это взрыв. Времени на реакцию почти нет.
 
Мы сделали устройство, которое успевает раньше.
 
Оно фиксирует короткое замыкание и утечку тока на землю в шахтных сетях до 3,3 кВ. Короткое замыкание ловит за 9 миллисекунд. Утечку за 25. Существующая аппаратура срабатывает за 40-70 и 70-200. Разница в 4-8 раз.
 
Что это значит на практике. Устройство успевает отключить поврежденный участок до того, как возникнет дуга. Успевает защитить человека при прикосновении к токоведущим частям. Специалисты МакНИИ подтвердили: при срабатывании до 80 миллисекунд защита работает. У нас 9 и 25, запас большой.
 
Испытания провели институты Автоматгормаш и МАКНИИ в лабораторных условиях. Собрали специальный стенд, имитирующий реальные аварийные режимы. Cпособ обнаружения определен, экспериментальный образец изготовлен, испытания пройдены, вся работа направлена на освоение нового напряжения питания на шахтах Донбасса.
 
В угольной отрасли такие вещи не про экономию. Они про людей. Чем быстрее отключается аварийный участок, тем меньше риск, что кто-то не вернется домой.
 
Работа выполнена под научным руководством доктора технических наук, профессора Курносова Вячеслава Григорьевича. Руководитель работы Дмитрий Лисицын.

А вы знали, что маршрут можно предсказать?
 
Не построить, а именно предсказать. Заранее понять, где он оборвется.
 
Мы сделали нейросеть, которая оценивает надежность каждого участка сети. Если станция закрыта, маршрут идет в обход. Если перегон перегружен, система это учитывает. Модель проверили на 500 сценариях сбоев. Не для галочки. Чтобы убедиться, что она не подведет в реальных условиях.
 
Это не навигатор для машины. Это инструмент для систем, где сбой на одном участке останавливает всё. Метро, шахтные транспортные сети, логистика, промышленные объекты с несколькими путями.
 
На экране видно, где можно ехать, а где лучше объехать. Зеленый участок надежен. Оранжевый под вопросом. Красный лучше не трогать. Просто и понятно даже без подготовки.
 
Мы в Автоматгормаше работаем с такими задачами не первый год. И это только один из результатов нашей НИР по глубокому обучению. Графовые нейросети, анализ данных, обнаружение аномалий. Всё это уже применяется в наших разработках.

Шесть решений против огня. Итоги работы в в Ростове-на-Дону.

Чем завершилось мероприятие-спутник VI Конгресса молодых ученых, спросите вы?

Отвечаем:
В ходе работы над повышением эффективности методов борьбы с пожарами молодыми учеными предложены следующие решения:
👍 масштабировать дейтвующую систему видеомониторинга лесных территорий,
✌️ усилить взаимодействие по прогнозному анализу на основе индекса горимости,
🤟 обеспечить обработку потоковых данных от подсистем (видеонаблюдения, ГИС, оперативных служб, др. источников) с применением ИИ для быстрого реагирования на возникшее горение,
✌️✌️ организовать автономные режимы управления дружественными БпЛА для локального обнаружения и тушения пожаров в условиях РЭП,
🖐 внедрить противопожарные экраны из кремнезёмной ткани для локализации пожаров,
🤚☝️ после ликвидации пожара применить смесь удобрений на основе органических веществ, глины, сидератов и мульчи для быстрого возобновления нарушенной территории.

Ростовская область выбрана в качестве площадки для реализации предложенных технологий, которые после апробации будут масштабированы на подведомственные органы Минприроды во всех регионах Приазовья.

Продолжение работы экспертных групп пройдет на площадке VI Конгресса молодых ученых в г. Санкт-Петербург с 2 по 4 декабря 2026 г.

Из Донецка в Ростов на Конгресс молодых учёных

Представитель Автоматгормаша участвует в мероприятии-спутнике VI Конгресса молодых учёных в Ростове-на-Дону.

Задача от администрации Ростовской области : обеспечить сохранность и рациональное использование особо охраняемых природных территорий Приазовья. В том числе через противопожарный мониторинг.

Что это значит на практике. Нужно вовремя замечать возгорания на больших территориях. Там, где человек не успевает обойти всё пешком. Здесь пригодятся те же подходы, что мы применяем в своих разработках: машинное зрение, анализ данных, автоматическое обнаружение аномалий.

Среди участников лучшие молодые учёные со всей страны, от Калининграда до Владивостока. Рабочие группы уже вникают в суть проблемы.

Задача интересная. Будем решать.

Ремонт по факту, а не по взгляду

Подали заявку на грант РНФ.
С темой машинное зрение для расчета нагрузки на дороги.

Сегодня нагрузку считают вручную. Выходят, смотрят, записывают, классифицируют. Долго и с ошибками. Хотим автоматизировать. Камера сама будет определяет тип машины, габариты, считает поток. По ГОСТ 32960-2014 и ОДМ 218.2.062-2015.

Что получит регион. Ремонты там, где реально нужно. Покрытие служит дольше. Затраты ниже.

РНФ это возможность встроиться в российскую систему финансирования науки. Соглашение с ДНР подписано в 2024 году, первые проекты уже получили поддержку.

Аварию можно предотвратить. Если успеть её увидеть

В шахте, на производстве, на любом опасном объекте авария почти никогда не случается внезапно. Ей предшествуют отклонения — в сигналах, в температуре, в токах. Проблема в том, что человек их не замечает. А система — может.

Мы научили нейросеть видеть эти отклонения.

Что это значит на практике.
Модель анализирует сигналы и говорит: «Здесь норма. А здесь — нет». Без разметки, без участия оператора, без человеческого фактора.

Что мы уже умеем.
— Ловить аномалии в сигналах с точностью 96,8% (это уровень, при котором модель почти не ошибается).
— Работать с данными, где нет готовой разметки — а это 90% реальных задач на производстве.
— Встраивать модель в существующие системы — через стандартные форматы, без переписывания всего с нуля.

Почему это ценно.
Один пропущенный сигнал — это простой, ремонт, травма, иногда жизнь. Система, которая ловит отклонения раньше человека, окупается с первого предотвращённого случая.

Кому это нужно:
— предприятиям с шахтным и промышленным оборудованием;
— службам диагностики и технического контроля;
— разработчикам систем автоматики, которым нужен готовый модуль анализа.

Если у вас есть задача, где нужно вовремя замечать отклонения — приходите. Обсудим, как это применить у вас.

Руководитель работы — И.Н. Батырева. Научный руководитель — докт. техн. наук, профессор В.Г. Курносов.

Разработанный интерфейс приложения объединяет количественные метрики и наглядную визуализацию, позволяя оператору быстро оценивать результаты работы нейросетевой модели. Цветовое кодирование, полупрозрачная заливка зоны расхождения и PCA‑диаграмма обеспечивают интерпретируемость предсказаний и локализацию аномальных участков сигнала. Благодаря компоновке элементов и визуальным подсказкам в таблице, просмотр данных удобен для анализа.

Нейросеть ищет аномалии: промежуточные результаты НИР
по глубокому обучению.
В рамках научно-исследовательской работы решается задача поиска аномалий в сигналах с помощью комбинации автоэнкодера и графовых методов. Такой подход особенно ценен, поскольку аномальные данные важно выявлять на ранних этапах.
Реализованы гибридные модели, состоящие из последовательности разных типов нейросетей: сверточного (САЕ) и вариационного (VAE) автоэнкодера, графового GNN-энкодера, полносвязных слоев для кластеризации. Экспорт моделей в формат ONNX позволил использовать их вне Pythonокружения.
Проведена подготовка наборов данных.
Обучение свёрточного автоэнкодера (САЕ). Модель свёрточного автоэнкодера учится восстанавливать нормальные сигналы. Если на вход поступает аномалия, ошибка восстановления будет выше. Эта ошибка и является мерой аномальности.
Пороговая детекция аномалий по MSE ошибки восстановления. Порог выбирается по 95му перцентилю ошибки на нормальных примерах из обучающей выборки. Это даёт понятный критерий: если ошибка выше порога — считаем сигнал аномальным.
Обучение вариационного автоэнкодера (VAE). Вариационный автоэнкодер учится моделировать распределение нормальных сигналов. Аномальные сигналы не вписываются в распределение и дают большую ошибку реконструкции или вылетают из плотного кластера в латентное пространство. Для вариационного автоэнкодера логика пороговой детекции оценивается не только по ошибке реконструкции, но и по тому, насколько латентный вектор сигнала отличен от нормального распределения
Графовое уточнение эмбеддингов. Латентные представления, полученные из автоэнкодера, подаются на вход графовой нейросети (GNN), которая учитывает локальные связи между похожими сигналами. Графовые слои усредняют признаки узла с его соседями, похожие сигналы становятся ближе, выбросы подтягиваются к кластерам.
После этого выполняется кластеризация KMeans для выделения разных типов аномалий. Кластер с наименьшей долей MSE считается нормальным, остальные считаются разными типами аномалий.
Экспорт модели в ONNX. Обученная модель конвертируется в формат ONNX и проверяется на совпадение результатов с Keras. Максимальная разница между предсказаниями определяет корректность конвертации и возможность модели к интеграции в другие системы.
На тестовой выборке получены следующие метрики: Accuracy 0,97; Precision 0,95; Recall 0,97; F1score 0,96; ROCAUC: 0,988. Это означает, что модель уверенно отделяет аномальные сигналы от нормальных, при этом не слишком часто ошибается в сторону ложных срабатываний.
Кластеризация по графовоуточнённым эмбеддингам показала, что среди аномалий можно выделить группы с разной долей аномальных примеров: в одном кластере аномалий почти нет (3 %), в другом их подавляющее большинство (87 %). Это намекает на возможность дальнейшей типологизации аномалий — например, для разных клинических сценариев.
Для визуализации результатов работы модели реализован модуль отображения, который строит график исходного сигнала и его реконструкции, а также выделяет область расхождения цветом.

Разработанное WinForms‑приложение интегрирует ONNX‑модель и предоставляет оператору наглядный интерфейс для анализа результатов. Ключевые элементы UI включают: график сравнения оригинала и реконструкции, цветовую индикацию статуса (аномалия/норма), числовые метрики MSE.
Полупрозрачная заливка полигона между линиями соответствует величине среднеквадратичной ошибки (MSE) на каждом сегменте сигнала. Такой способ представления позволяет локализовать участки, в которых модель фиксирует наибольшее отклонение, и сопоставить их с другими признаками аномалий.

Интерфейс оператора включает таблицу результатов с визуальными подсказками, позволяющими быстро локализовать аномальные сигналы и оценить степень отклонения по метрике MSE. В таблице результатов аномальные записи выделены цветом и жирным начертанием шрифта. Визуализация в пространстве главных компонент четко оценивает кластеризацию нормы и 4 классов аномалии.

Там, где ошибка стоит дорого

Специалисты Автоматгормаш побывали в НИИВЭ на открытой лекции по взрывозащищённому оборудованию.

Разбирали базу: взрывонепроницаемая оболочка, искробезопасная цепь, защита вида «е», изоляция и ограничение энергии. И то, что отличает сегодняшнюю взрывозащиту от вчерашней — моделирование, полупроводники, микропроцессорные системы защиты.

Читал Руденко Сергей Анатольевич. Не по слайдам, а по опыту. Разбирал реальные случаи, отвечал на вопросы.

Отдельно отметим, что среди слушателей были студенты, которые весной проходили практику в НИИВЭ. Пришли все, и те, кто уже работает, и те, кто ещё учится.

Значит, тема цепляет.

Хорошая лекция — это когда после неё есть о чём подумать. Здесь именно так.

Породные отвалы Донбасса: проблема, которую нельзя откладывать

22.09.2026 прошёл всероссийский воркшоп по трансформации исторических регионов РФ. Организатор ГБУ «Донгипрошахт».

Главная тема породные отвалы ДНР: загрязнение воздуха, почв, воды.
Представители власти, городов и научного сообщества подтвердили: решать надо.

Автоматгормаш вместе с ГБУ «ДонУГИ», ГБУ «ПКТИ», ГБУ «ИЭИ» предложил:

мониторинг отвалов; безопасный пробоотбор; классификацию;
технологии переработки; сценарное моделирование эффектов.

По итогам готовится резолюция в Правительство ДНР по формированию программных ориентиров комплексного использования породных отвалов.

Мы в деле

Дорогие коллеги!
От всей души поздравляем вас с Днём города Донецка и Днём шахтёра — 2026!
Эти два праздника особенно дороги всем, кто любит наш город: они символизируют трудолюбие, стойкость и характер, закаленный годами. Донецк и шахтёрский труд — понятия, которые невозможно разделить: в истории города каждая страница написана руками тех, кто спускался в забой, кто строил и восстанавливал, кто не жалел сил ради общего будущего.
Особые слова благодарности — всем, кто связан с угольной отраслью: действующим шахтёрам, ветеранам, чьи трудовые подвиги стали фундаментом нашего промышленного наследия, и молодым специалистам, которые только начинают свой путь в этой непростой, но благородной профессии.
Отдельная признательность тем, кто трудится над автоматизацией горных машин и внедрением современных систем управления: именно ваши разработки делают добычу безопаснее, повышают эффективность работы и открывают новые горизонты для отрасли. Спасибо за вашу силу, за верность профессии, за то, что держите на плечах целую отрасль и помогаете ей развиваться, становясь современнее и надёжнее. Благодаря вашему труду сочетаются вековые традиции шахтёрского дела и передовые технологии — и это по-настоящему ценно.
Желаем всем жителям Донецка мира, благополучия и уверенности в завтрашнем дне. Пусть с каждым днем город становится только красивее, пусть в домах царит тепло, а в сердцах — гордость за родной край. Пусть все планы воплотятся в жизнь, а впереди нас ждет только движение вперед — к новым свершениям и светлой, мирной жизни.
С праздниками! 🎉

⭐️С Днём государственного флага Российской Федерации!

18.08.2026 в актовом зале института прошла лекция от Российского общества Знание в ДНР


Тема: Трудовой кодекс: права, о которых молчит отдел кадров

Этот День призван привлечь внимание общества к проблемам, с которыми сталкиваются левши в праворуком мире.

Праздник учредили в 1992 году по инициативе Британского клуба левшей в честь тех самых десяти процентов человечества, для которых ножницы, консервные ножи и штопоры являются ежедневным испытанием на прочность. Мир проектировали правши, а левши столетиями вежливо подстраивались: переучивались, размазывали чернила по тетради и открывали двери «не той» рукой.
Международный день левшей
Сегодня у них официальный выходной от адаптации. 

🖐Количество левшей в мире со временем уменьшилось: если в древности их было около 50%, то сейчас — примерно 10%.

🖐Существует много теорий и предположений о причинах леворукости, но точный ответ до сих пор не найден.

🖐Интересные факты:

— Человек, одинаково владеющий обеими руками, называется амбидекстром — это редкость, и учёные до конца не понимают, как возникает этот талант.
Амбидекстром был Лев Толстой.

— В Японии в прошлом леворукость считалась достаточно серьёзным недостатком, и по этой причине с женщинами разводились.

— Во многих странах левшей связывали с негативными суевериями, а на Руси их порой считали лжецами и не давали слово в суде.

— Автор знаменитого сказа «‌Левша» Николай Лесков сам был леворуким.

🖐Самые знаменитые левши:
Александр Македонский, Альберт Эйнштейн, Исаак Ньютон, Иван Павлов, Никола Тесла, Леонардо да Винчи, Пол Маккартни, Чарли Чаплин, Владимир Даль, Александр Блок, Михаил Лермонтов, Илья Ильф и Евгений Петров, Иван Тургенев, Николай Гоголь, Сергей Есенин,  Герберт Уэллс, Марк Твен и многие другие.

Как я провел практику ГБУ «Автоматгормаш им. В.А.Антипова»
📚 Изучение программного обеспечения. В ходе практики я познакомился с программой, предназначенной для построения трёхмерной модели помещения по двумерному изображению. Программа разработана на языке Python с использованием библиотек OpenCV, TensorFlow, NumPy, OpenGL и других инструментов компьютерного зрения. Я изучил структуру проекта, назначение его основных модулей и алгоритмы обработки изображений, начиная от получения кадра с камеры и заканчивая визуализацией облака точек в формате 3D.
📷 Работа со стереокамерой Intel RealSense D435i. Одной из основных задач стало изучение возможностей камеры Intel RealSense D435i, позволяющей получать как цветное изображение, так и карту глубины. Я ознакомился с принципом работы стереозрения, процессом формирования облака точек и особенностями применения подобных устройств в робототехнике, промышленности и системах технического зрения.
⚙️ Оптимизация программы. Во время работы был проведён анализ производительности приложения при обработке видеопотока с веб-камеры. Были исследованы причины низкой частоты кадров, изучены этапы обработки изображения и рассмотрены способы повышения производительности программы. Особое внимание уделялось возможностям использования графического процессора (GPU) для ускорения обработки данных и построения трёхмерной модели в режиме реального времени.
🏆 Итоги. Практика дала возможность применить теоретические знания на практике, познакомиться с современными технологиями машинного зрения и получить ценный опыт разработки программ для обработки изображений и построения 3D-моделей. Полученные навыки будут полезны при дальнейшем изучении искусственного интеллекта, робототехники и интеллектуальных систем. 🚀
Бартов Дмитрий Александрович
Группа: СУА-23
Факультет: ФКИТА
Руководитель практики: Александр Иванович Пурис

Как я провел практику в ГБУ «Автоматгормаш им. В.А.Антипова»
🖥Изучение программного обеспечения. В ходе практики я занимался изучением программного комплекса для распознавания динамических жестов на основе видеопотока. Программа реализована на языке Python с использованием библиотек MediaPipe, PyTorch, scikit-learn и OpenCV для предварительной обработки изображений. Мной была проанализирована архитектура проекта, изучены принципы работы детектора ключевых точек в реальном времени.
📷 Работа со стереокамерой. Ключевой задачей стала настройка взаимодействия программного обеспечения с различными источниками видеоданных: от стандартных веб-камер до стереокамер Intel RealSense. Я изучил методы синхронизации цветового кадра с картой глубины, что позволило повысить устойчивость распознавания при сложном фоне и изменяющемся освещении. Также я ознакомился с методами фильтрации шумов и нормализации входных данных перед подачей в нейронную сеть.
⚙️ Оптимизация вычислительных процессов. В процессе работы был проведен детальный анализ задержек при обработке видеопотока. Мной были исследованы узкие места алгоритма, связанные с постобработкой результатов нейросети и отрисовкой скелетной модели. Для повышения производительности я экспериментировал переносом вычислений на GPU, что позволило увеличить частоту обработки кадров.
🏆 Итоги. Прохождение практики позволило мне не только закрепить навыки программирования на Python, но и глубоко погрузиться в область компьютерного зрения и машинного обучения. Я получил практический опыт оптимизации высоконагруженных систем реального времени, настройки сложного периферийного оборудования и интеграции нейросетевых моделей в готовый продукт.