Как ИИ и телематика помогают распределять карьерные самосвалы

Представьте угольный разрез, по которому ездят более 200 самосвалов. Распределяют их работу диспетчеры по рации. Но человеку очень сложно обработать такое количество информации и не упустить, чтобы все было вовремя: заправка, пересменки и т.д. Как говорит статистика, за смену набегает более 10 000 отклонений от нормы – нереальное число, чтобы человек успел на все отреагировать.

Отсюда и возникла идея у инженеров «Операционного совершенства» (OES): над действующей системой мониторинга создать надстройку из ИИ-модулей, которая балансирует самосвалы и ловит потери и простои в реальном времени.

Ситуация

В парке более 240 единиц техники. Основа – карьерные самосвалы БелАЗ 75131 и 75306 грузоподъёмностью 130 и 220 тонн, плюс больше 25 экскаваторов. До внедрения транспортный поток балансировали вручную: диспетчер смотрел на экран и звонил водителям по рации.

Выделили основные проблемы:

• Когнитивный предел. По оценке OES, диспетчер способен обработать меньше 0,1% отклонений за смену, а классическая отчетность фиксировала лишь 10–20% реальных потерь.

• Дисбаланс потока. Экскаватор то простаивает без самосвалов, то захлебывается в очереди. В среднем экскаватор терял один рейс за смену из-за отсутствия самосвала, а диспетчер узнавал о проблеме через 10–15 минут, когда потери уже накопились.

• Пересменки. Техника уходила с линии за 30–40 минут до смены и возвращалась позже срока: до 25% ранних сходов и поздних выходов.

• Заправки. Незапланированные простои на дозаправку – в среднем 15 лишних минут на каждую, потому что никто не разводил машины по времени.

Запрос заказчика был практичным: снизить простои экскаваторов и увеличить вывозку на имеющемся парке, не меняя действующую систему мониторинга.

Решение: ИИ-слой поверх существующей инфраструктуры

OES развернул два взаимосвязанных модуля поверх действующей системы мониторинга: «железо» и диспетчерская система остаются на месте.

Модуль 1. OES Truck Balance

Это ИИ-балансировщик карьерных самосвалов. Внутри 40+ моделей разных типов:

• нейросетевой алгоритм ETA, который считает время прибытия каждой машины;

• алгоритм балансировки: каждые 3 минуты просчитывает десятки вариантов расстановки;

• text2speech и speech2text для голосового общения с операторами.

Система прогнозирует очереди на 30 минут вперед, управляет сходами на заправку (не дает уйти из одного звена двум и более машинам одновременно) и мгновенно перераспределяет парк при поломках. Директивы идут прямо на планшет в кабине.

Модуль 2. OES MAS (Multi-Agent System)

Рой из 30+ специализированных ИИ-агентов, и у каждого своя зона ответственности:

У каждого отклонения жизненный цикл: событие → предупреждение → нарушение → директива. Эскалация трехуровневая: водитель → диспетчер → начальник смены. Самое интересное: каждое отклонение оцифровывается в рублях в реальном времени, то есть потеря видна сразу в денежном виде.

Роль телеметрии

Easy Logic в проекте не использовался, и вся «умная» часть живет в облаке. Но без данных ни одна из 40+ моделей работать не будет, а данные приходят с терминалов.

Терминалы Galileosky 7x и 10 установлены на всём активном парке. Они собирают:

• GPS-позицию;

• уровень топлива;

• параметры двигателя;

• скорость;

• состояние ковша и кузова.

Данные приходят с каждой машины раз в 1-5 секунд. Датчики уровня топлива и давления дополнительно фиксируют факт погрузки и разгрузки и контролируют заправки.

Дальше путь такой: терминал → платформа OES IIoT (прием и обработка телеметрии, мультивендорная расшифровка данных БелАЗ, Komatsu и Caterpillar в единый формат) → ИИ-модули → планшет водителя и интерфейс диспетчера.

Почему это критично: нейросетевой ETA и балансировщик строят прогноз очередей только на точной телеметрии в реальном времени. Если машина «потеряется» на 30 секунд или датчик топлива даст шум, прогноз поплывет. Поэтому выбрали терминалы Galileosky за надежность: стабильно работают в карьере с вибрацией, пылью и перепадами температур.

Как внедряли: от одного звена до всего парка

Внедрение шло поэтапно в 2024–2025 годах:

Обратите внимание ^[1]: на старте это был прототип с ручной балансировкой координатором, и только потом процесс перешел на алгоритмы. Настройка заняла время: июнь ушёл на серию экспериментов с алгоритмом балансировки и точностью ETA.

Результат

Операционные метрики:

• +10% вывозки горной массы на том же парке, без дополнительных самосвалов;

• +17% производительность экскаваторов;

• -30% время самосвалов в очередях на погрузку;

• -15–25% простои экскаваторов;

• -20% отсутствие самосвала у экскаватора в течение смены;

• -60–70% нагрузка на диспетчера: теперь он занимается нестандартными ситуациями, а не ручным перенаправлением сотен машин.

Работа водителей с директивами. 95% директив балансировщика выполняются без звонка диспетчеру. Пример из мастер-смены августа 2025 года: 64 рекомендации, 61 выполнена; план 210 тыс. м³, факт 233 тыс. м³ (+11%).

Эффект модуля MAS:

• 100% потерь фиксируются в реальном времени, против не более 10–20% в классической отчетности;

• минус 15 минут незапланированного простоя на каждую заправку (агент Refuel);

• минус 25% ранних сходов и поздних выходов на пересменках;

• более 20 млн рублей экономического эффекта за первый месяц работы.

Помним, что достигнутый эффект – это совокупный результат нескольких факторов. Параллельно с ИИ менялись и организационные процессы: ручная балансировка координатором на старте, синхронизация с расстановкой техники, переход водителей на работу с директивами.  

Кто работал с диспетчеризацией в горной технике, поделитесь своим опытом ^[2] автоматизации и использования ИИ.