C появлением цифровых счётчиков электроэнергии, развитием телекоммуникаций и элементов интеллектуальных электрических сетей вынуждают энергосистемы в мире идти к «цифровому переходу» (к цифровизации) – принципиальной смене внутренней архитектуры и управления.

В России преобразование энергетической инфраструктуры посредством внедрения цифровых технологий и решений осуществляется в рамках Указа Президента России от 07.05.2018 № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года».

Под термином «цифровизация» понимается большой набор технологий и решений, которые в итоге должны привести к созданию цифровых электрических сетей. Все эти решения объединяют в потоковом режиме автоматизированные бизнес и технологические процессы, тем самым исключая человека из принятия рутинных решений. Задачей цифровизации является не только переход на новую программно-аппаратную базу, но также объединение технологических и бизнес-процессов, что приводит к снижению количества ошибок, а также значительно повышает скорость и точность принятия решений [1].

Рисунок 1. Структурная схема цифрового двойника

Сегодня в условиях цифровизации, автоматизации и интеллектуализации традиционная энергетика трансформируется, появляются новые технологии, такие, как, например, «цифровой двойник», способные на основе анализа больших данных об объекте, системе или процессе не просто выявлять скрытые закономерности в данных, но и определять отклонения параметров функционирования объекта/ системы или протекания физического процесса с высокой чувствительностью еще на стадии, когда такие отклонения не влияют на их состояние и не фиксируются традиционными системами управления и мониторинга [2].

Цифровой двойник (ЦД) электрической сети, который представляет собой единую базу данных, содержащую необходимую информацию об электрической сети, интегрированную с другими подсистемами компании. Он автоматически обеспечивает синхронизацию данных, полученных из разных источников таким образом, что единая цифровая модель соответствует физической электрической сети (рис. 1).

Для объектов электроэнергетического комплекса важными также являются вопросы интеграции цифровых двойников в контур управления и последующая экспериментальная проверка работоспособности предлагаемых решений с оценкой их эффективности.

Технологии цифровых двойников все активнее применяются в различных технических областях, в том числе и в электроэнергетике как в России, так и за рубежом. Стоит отметить, что в настоящее время применение цифровых двойников в электроэнергетике находится на начальной стадии, в отличие от областей автоматизированного проектирования/конструирования [3].

Цифровой двойник является актуальной темой для

современных энергокомпаний, так как в обычной компании существует только одна физическая электрическая сеть, но у нее есть десятки представлений в различных подразделениях. Каждая модель используется для разных целей и с разным программным обеспечением (например, для проведения расчетов сети, диспетчеризации, управления активами, в системе учета и т.д.). Несоответствия данных модели в разных подразделениях могут приводить к неточностям в представлении сети, неоптимальной производительности системы и чрезмерному ручному труду по актуализации данных моделей.

Выделяют три типа ЦД [4]:

1. Двойник-прототип (Digital Twin Prototype). Это виртуальный аналог реально существующего элемента. Он содержит информацию, которая описывает определенный элемент на всех стадиях жизненного цикла – начиная от требований к производству и технологических процессов при эксплуатации, заканчивая требованиями к утилизации элемента. Наиболее характерными решениями в рамках данного направления являются созданные в САПР высокого уровня и максимально полно задокументированные 3D-модели изделий, необходимые для их производства.
   
2. Двойник-экземпляр (Digital Twin Instance). Содержит в себе информацию по описанию элемента (оборудования), то есть данные о материалах, комплектующих, информацию от системы мониторинга оборудования. Этот тип чаще всего основан на математической модели системы.
   
3. Агрегированный двойник (Digital Twin Aggregate). Объединяет прототип и экземпляр, то есть собирает всю доступную информацию об оборудовании или системе.

Основными преимуществами цифрового двойника являются [1]:

1. Повышение точности и согласованности модели (единого источника информации) для проведения расчетов и эксплуатации, включая:
   

   – снижение вероятности серьезных эксплуатационных / плановых ошибок, вызванных некорректными данными в модели;
   

   – отслеживание изменений модели с возможностью воссоздания случаев после изменений («контрольный журнал»);
   

   – возможность взаимодействия с ключевыми источниками данных и функциями, например, системой управления активами, геоинформационной системой (ГИС).

2. Повышение эффективности и оптимизация процессов в планировании и эксплуатации, включая:
   

   – устранение существующих дублирующих процессов (совместное использование модели сети при планировании и эксплуатации);
   

   – автоматизация процессов (например, автоматическое построение модели распределительной сети);
   

   – сокращение сроков технологического присоединения к электрической сети;
   

   – унифицированный процесс моделирования и управления данными для различных функций.

3. Обеспечение более простой интеграции подсистем в будущем и увеличение общей цифровизации компании, включая:
   

   – более эффективное использование ресурсов сети (эксплуатация ближе к возможным предельным значениям);
   

   – использование адаптивных установок релейной защиты;
   

   – избежание / отсрочка необходимости усиления сети;
   

   – моделирование в режиме реального времени, например, предотвращение отключения электроэнергии посредством динамической оценки и оценки безопасности защиты, прогноз на день вперед.
   

Стоит отметить, что специфика компаний-операторов магистральных сетей отличается от компаний-операторов распределительных сетей, хотя функции у них схожие — передача электроэнергии и техническое обслуживание активов. Цифровым двойником для магистральных сетей может выступать база данных, в которой модель сети хранится в формате CIM (например, с использованием ПО Siemens PSS®ODMS). Для распределительных сетей в качестве единого источника информации подходит база данных на основе расчетного ПО для электрических сетей (например, PSS®SINCAL) и ГИС-системы. Такое отличие связано с тем, что распределительные сети обладают гораздо большим количеством элементов, и вкупе с большой частотой изменений это создает огромные массивы данных, которые достаточно трудно обрабатывать [1].

Независимо от точности цифрового двойника небольшие ошибки модели или данных останутся из-за ограничений в моделировании и сборе данных, что можно устранить в будущем с помощью методов машинного обучения с подкреплением и искусственного интеллекта.

Преимуществом метода машинного обучения с подкреплением является то, что созданная виртуальная среда может проходить через бесконечное количество повторений и сценариев с целью обучения агентов, которые запоминают все сложившиеся ситуации и выходы из них давшие максимальное вознаграждение. Такой подход позволяет учесть специфику распределительных сетей, когда имеет место большее количество элементов, которое может только возрастать с учётом её преобразования в активную сеть (например, появление источников возобновляемой энергии, накопителей, активных нагрузок). Целевая функция агента, в этом случае, может быть, как простой (минимизация затрат, сохранение требуемого уровня надёжности, снижение потерь электроэнергии), так и многоцелевой (минимизация затрат и сглаживание пика потребления).

Обучение с подкреплением построено в соответствии с тем, как обучаются различным навыкам люди и животные. Этот метод подразумевают обучение агента тому, что надо делать, как следует отображать ситуации в действии, чтобы максимизировать некоторый сигнал

вознаграждения, принимающий числовые значения (рис. 2) [5, 7].

Рисунок 2. Архитектура алгоритма обучения с подкреплением

Примером создания цифрового двойника для магистральных сетей может служить проект ELVIS (ELectricity Verkko Information System), реализованный компанией Fingrid в 2016 г. Fingrid является акционерной компанией открытого типа с ограниченной ответственностью и на 67,7 % принадлежит государству. Компания отвечает за планирование и развитие энергосистемы Финляндии, предоставление доступа к сетям – участникам рынка, управление электроэнергетическим рынком, обеспечение безопасности энергосистемы и прозрачности информации о деятельности рынка.

Энергосистема Финляндии состоит из 116 подстанций, 4600 км линий мощностью 400 кВ, 2200 км линий мощностью 220 кВ и 7600 км линий мощностью 110 кВ.

Проект ELVIS решает некоторые из наиболее важных проблем в управлении активами и операциями в сети: функциональная совместимость, прозрачность и консолидация информации, которая обычно содержится в нескольких разнородных системах. ELVIS связывает воедино данные об активах из восьми различных

продуктов (включая Siemens PSS®ODMS и PSS®E), объединяя нескольких поставщиков в целостную систему, обеспечивающую свободный обмен информацией между продуктами. Эти продукты охватывают основные функции: расчет сети (PSS®E), расчет защиты, управление данными уставок релейной защиты, моделирование сети и управление данными (ODMS PSS®), управление портфелем / проектом, инструменты геопространственного анализа и системы управления производством работ [3].

В результате внедрения проекта ELVIS, сердцем цифрового двойника которого является ПО PSS®ODMS, удалось решить некоторые из наиболее серьезных проблем в управлении активами, обеспечить бесперебойный обмен информацией между несколькими продуктами на каждом этапе рабочих процессов управления активами и планирования работы энергосистемы, повысить эффективность бизнес-процессов, производительность, снизить затраты, повысить надежность и более эффективное и действенное принятие решений.

Примером создания цифрового двойника для распределительных сетей является проект интеграции геоинформационной системы (ГИС) и ПО PSS SINCAL, реализованный в словацкой компании VSE Group (часть European RWE Group). Ежегодно энергокомпания передает 3800 ГВт∙ч электроэнергии в географическом районе, эквивалентном одной трети восточной Словакии, или около 16 200 кв. км.

Распределительная сеть обслуживает более 610 000 домашних хозяйств с помощью 34 подстанций 110 / 22 кВ и 6000 подстанций 22 / 0,4 кВ. Общая протяженность ВЛ 110 кВ, 22 кВ и 0,4 кВ и кабельных сетей составляет 21 тыс. км.

К 2009 г. компания установила большое количество IT-систем (SCADA, ГИС, SAP), для эффективной работы которых требовалась актуальная модель электрической сети.

Внедрение расчетного комплекса для электрических сетей было завершающим этапом создания цифрового двойника электрической сети.

На тот момент модель создавалась вручную, что занимало много времени (на разработку модели всей электрической сети уходило около 500 ч), модель была не точной и не гибкой (любые изменения в сети требовали внесения обновлений в модель).

Данную проблему решил адаптер, представляющий из себя интерфейс между двумя стандартизированными программными продуктами. Адаптер считывает данные в ГИС и переводит их в формат, считываемый ПО PSS®SINCAL.

Благодаря автоматическому преобразованию данных пользователь может создать точную модель распределительной сети за короткое время. Решение, внедренное в VSE Group, значительно улучшило качество анализа распределительной сети и используются в качестве одного из критериев приоритизации обслуживания оборудования [1].

Примером применения цифрового двойника электростанции – проект АО “НБИ”, программно-аппаратный комплекс на «Ново-Салаватской ТЭЦ».

В программном продукте реализован механизм моделирования тепловой и технологической схемы объекта автоматизации. Для упрощения создания, настройки и редактирования цифровой модели объекта автоматизации используется визуальное представление всех связей и объектов моделирования в виде топологической схемы.

Поскольку цифровая модель является основой для проведения оптимизационных расчетов по критерию максимизации маржинальной прибыли, в ней содержится не только техническая информация о тепловой и технологической схемах станции, но и ряд параметров, позволяющих производить сведение балансов и калибровку модели с использованием фактических данных с различных систем сбора производственно-технической информации.

Основные цели внедрения программно-аппаратного комплекса [6]:

- оптимизация режимов работы оборудования НСТЭЦ;

- оптимизация нагрузки на функционирующее оборудование в соответствии с заданным диспетчерским графиком загрузки по критерию увеличения маржинального дохода;

- выбор оптимального состава генерирующего оборудования;

- расчёт упущенную прибыли в связи с проведением неотложных и аварийных ремонтов;

- расчёт прироста затрат на топливо с учетом изменения структуры топлива;

- определение оптимального режима, при обеспечении отпуска тепловой энергии и покрытия диспетчерского графика электрической нагрузки;

- обеспечение в процессе эксплуатации системы возможности коррекции энергетических характеристик;

- планирование и оптимизация расходов топлива;

- формирование отчетов на заданный пользователем временной период в соответствии со списком и заданными формами;

Пример реализации цифрового двойника в атомной энергетике – принятый в промышленную эксплуатацию программно-технический комплекс «Виртуально-цифровая атомная электростанция с реактором ВВЭР», разработанный АО «ВНИИАЭС» (дочернее общество Концерна «Росэнергоатом») (рис.4).

Рисунок 3. Виртуально-цифровая АЭС

В основе комплекса лежит цифровой двойник атомной станции, который позволяет производить комплексные расчеты самых разных процессов от нейтронно-физических, тепло- и гидродинамических характеристик реакторов (рис.5) до экономического эффекта при использовании различных систем и материалов. В такой модели можно рассчитывать поведение и вновь устанавливаемого оборудования еще до его установки на реальных энергоблоках, его совместимость и влияние на другие системы; моделировать самые сложные технические ситуации, в том числе отказы оборудования, внешнее воздействие и неправильные действия персонала [2].

Рисунок 4. Цифровая модель работы реактора

В настоящее время Харбинский генераторный завод (ХГЗ) работает над адаптацией своей Интеллектуальной системы диагностики и технического обслуживания с использованием технологии цифрового двойника для внедрения на модернизируемых турбогенераторов (ТГ) Российского производства.

Цифровой двойник ТГ интегрирован в интеллектуальную систему удаленной диагностики и технического обслуживания, разработанную специалистами ХГЗ, которая является одной из составляющих системы долгосрочного сервисного (технического) обслуживания турбогенераторов производства ХГЗ (рис. 6).

Рисунок 5. Цифровой двойник ТГ ХГЗ

Применение системы дистанционной диагностики и ТО с использованием технологии цифрового двойника ТГ позволяет:

1. Осуществлять контроль рабочего состояния турбогенератора в реальном масштабе времени, производить диагностику уже возникших неисправностей и вырабатывать варианты устранения неисправностей;
   
2. Проводить оценку текущего состояния турбогенератора, предсказывать возможные неисправности, оптимизировать объемы и сроки ремонтов, снизить расходы на ремонт, повысить надежность агрегата, продлить срок службы агрегата, снизить количество дежурного персонала.
   
3. Вырабатывать рекомендации по оптимизации работы агрегата в реальном времени, с целью повышения экономической эффективности.
   

Применение системы диагностики с использованием технологии ЦД ТГ обеспечивает: снижение количества аварийных остановов оборудования, сокращение времени планового и внепланового технического обслуживания, проведение более целенаправленных и эффективных технических проверок, получение предварительной информации о необходимых запчастях, инструментах, специалистах для проведения техобслуживании / ремонтов.

Система диагностики позволяет не только вовремя обнаружить неисправности генераторного оборудования, но и делать прогноз, основываясь на анализ трендов.

Моделирование процессов в турбогенераторе с использованием технологий цифрового двойника позволяет:

- определять и прогнозировать ключевые показатели генератора;

- выявлять проблемные места и неисправности в системах генератора;

- запускать как подробные, так и экспресс сценарии «что-если», оказывая тем самым содействие процессу принятия решений [8].

Еще одно применение цифровых двойников – обучение персонала. Компания «КРУГ» разработала компьютерный тренажерный комплекс для персонала, обслуживающего автоматику и средства измерений электростанции, выполненный с применением комплекса «ТРОПА».

Цифровой двойник реальной АСУ ТП предоставляет интерфейс взаимодействия оперативного персонала с объектом управления, который построен на реальной АСУ ТП ГРЭС, и выстраивает работу средств автоматизации и их алгоритмов на основе математической модели. Цифровое моделирование технологического процесса обеспечивает возможность задания возмущающих и управляющих воздействий и отображает текущее состояние объекта.

Использование компьютерных тренажерных комплексов на базе ЦД позволяет получить и закрепить знания и навыки надежной и эффективной эксплуатации оборудования, не подвергая опасности персонал и само оборудование предприятия в процессе обучения [9].

В последние годы с появлением интеллектуальных счетчиков электроэнергии, развитием телекоммуникаций и элементов интеллектуальных электрических сетей возникла возможность оптимизации электропотребления, снижения потерь энергии в городских электрических сетях посредством применения различных адаптивных режимных решений, таких как целенаправленное воздействие на оборудование потребителя и/или изменение режима электрической сети в реальном времени, когда это необходимою/

Создание цифровых двойников как для магистральных, так и для распределительных сетей позволяют создавать единый источник информации о состоянии сети; собирать данные из различных подсистем для создания модели сети, отражающей поведение реальной системы; снижать издержки на создание модели и использовать их для анализа сети; улучшать качество информации об электрической сети; упрощать процесс выдачи заявок на технологическое присоединение; более точно рассчитывать технические потери в сети.

Эффективность применения технологий цифровых двойников повлияет на сокращение времени выполнения задач дежурным электромонтером, повышения достоверности данных о текущем состоянии и остаточном ресурсе оборудования.

Применение технологии цифрового двойника в составе Интеллектуальной системы диагностики и технического обслуживания способствует снижению эксплуатационных расходов за счёт уменьшения времени простоя из-за неплановых ремонтов оборудования, оптимизации процессов планирования и выполнения ремонтов.

Отображение электрооборудования (генератора) в виде цифрового двойника дает отличные возможности для анализа и прогнозирования. Технология позволяет моделировать самые разные ситуации, которые могут возникать в процессе эксплуатации оборудования.

Введение

Сердечно-сосудистые заболевания (ССЗ) представляют собой одну из главных угроз здоровью населения, оставаясь основной причиной смертности во многих странах. Несмотря на развитие медицины, высокая распространенность этих заболеваний обусловлена множеством факторов, включая генетическую предрасположенность, образ жизни и экологические условия. Эффективная диагностика и прогнозирование ССЗ имеют решающее значение для своевременного лечения и снижения летальности. В последние годы цифровые технологии, в частности методы анализа больших данных, открывают новые возможности для повышения точности диагностики и персонализированного подхода к лечению.

Актуальность

Традиционные методы диагностики ССЗ, такие как электрокардиография, эхокардиография и биохимические исследования крови, имеют ряд ограничений, связанных с их чувствительностью и необходимостью экспертной интерпретации. При этом рост заболеваемости, особенно среди молодых людей, требует новых решений для своевременного выявления патологий. Использование технологий больших данных позволяет анализировать разнородные медицинские сведения, включая данные носимых устройств и электронных карт, что открывает перспективы для создания более точных и автоматизированных методов диагностики. Интеграция таких подходов может повысить эффективность выявления заболеваний на ранних стадиях, снизить нагрузку на систему здравоохранения и улучшить прогнозирование индивидуальных рисков развития ССЗ.

Цель и задачи исследования

Цель – обоснование новых подходов к диагностике и прогнозированию ССЗ с применением технологий больших данных. Для этого анализируется актуальность проблемы, исследуются возможности ИИ, предлагаются алгоритмы обработки медицинских данных и оцениваются их преимущества.

Научная новизна

Исследование предлагает новый подход к диагностике и прогнозированию сердечно-сосудистых заболеваний, основанный на использовании технологий больших данных и цифровых двойников пациентов. В работе рассматриваются методы интеграции разнородных медицинских данных, включая физиологические показатели, результаты лабораторных исследований и данные носимых устройств, для построения индивидуализированных моделей диагностики. Разработка алгоритмов обработки и анализа таких данных позволяет выявлять ранние признаки заболеваний, повышать точность прогнозирования и разрабатывать персонализированные стратегии профилактики и лечения.

Традиционные методы диагностики и прогнозирования сердечно-сосудистых заболеваний предполагают собой  инструментальные исследования, лабораторные анализы и клинические данные, которые обеспечивают комплексный подход к диагностике.

Электрокардиография (ЭКГ) является одним из наиболее распространённых методов диагностики сердечных патологий. Она позволяет регистрировать электрическую активность сердца и выявлять отклонения в ритме, проводимости, ишемии и гипертрофии миокарда. Несмотря на доступность и низкую стоимость, ЭКГ часто требует дополнительной интерпретации опытным специалистом, особенно при анализе сложных случаев [2].

Ультразвуковое исследование сердца (УЗИ, эхокардиография) сердца используется для визуализации структуры и функции сердца. Оно позволяет оценить размеры камер, толщину стенок, движение клапанов, а также выявить аномалии, такие как пороки сердца или наличие тромбов. Эхокардиография особенно эффективна для диагностики сердечной недостаточности, клапанных заболеваний и кардиомиопатий.

Биохимические исследования крови играют важную роль в диагностике и прогнозировании ССЗ. Анализ уровня тропонинов, липидного профиля (холестерин, ЛПНП, ЛПВП), С-реактивного белка и маркеров воспаления позволяет оценить риск развития инфаркта миокарда, атеросклероза и других ССЗ [2].

Клинический анамнез и физикальное обследование остаются важными компонентами диагностики. Врач анализирует жалобы пациента, историю болезни, наличие факторов риска (гипертония, диабет, ожирение, курение), а также проводит измерение артериального давления, частоты пульса и аускультацию сердца.

Однако традиционные методы имеют ряд ограничений, таких как недостаточная чувствительность на ранних стадиях заболеваний и сложность обработки больших объёмов данных. Это создаёт предпосылки для поиска и внедрения новых технологий, включая методы анализа больших данных, которые могут значительно расширить возможности современной кардиологии.

Современные методы диагностики сердечно-сосудистых заболеваний продвинулись благодаря достижениям в области анализа больших данных и искусственного интеллекта. Несмотря на достигнутый прогресс, необходимость повышения точности моделей, снижения влияния шумов и учета индивидуальных особенностей пациентов остается актуальной.

Одним из наиболее эффективных решений могут стать цифровые двойники пациентов.  Иначе говоря, это виртуальный пациент, точно копирующий настоящего пациента. Эта модель сочетает в себе физиологические данные (ЭКГ, артериальное давление, частоту сердечных сокращений), лабораторные анализы и историю болезни. Технология поможет врачу лучше изучить болезнь, прогнозировать развитие и течение заболевания. С его помощью врачу будет проще подобрать индивидуальное и наиболее эффективное лечение.

Все это увеличит шансы пациентов на успешное выздоровление, снизит смертность от заболеваний, повысит качество и продолжительность жизни людей [2].

Для реализации цифровых двойников могут использоваться носимые устройства, такие как умные часы или фитнес-трекеры, которые собирают данные в реальном времени, и платформы анализа больших данных, позволяющие динамически обновлять модель и обеспечивать быстрое вмешательство при ухудшении состояния пациента.

Традиционные методы машинного обучения, такие как нейронные сети, могут применяться для глубокого обучения на совокупных физиологических, демографических и генетических данных пациента для создания более точных моделей диагностики. Сверточные нейронные сети позволят проводить анализ изображений УЗИ или МРТ сердца. Для анализа колебания артериального давления или сердечных ритмов применяются рекуррентные нейронные сети.

Для более точного прогнозирования сердечно-сосудистых заболеваний может использоваться комбинация сверточных и рекуррентных нейронных сетей, а также автокодировщики – специальная архитектура искусственных нейронных сетей, позволяющая применять обучение без учителя при использовании метода с обратного распространения ошибки для выявления скрытых закономерностей в данных и их последующего использования в диагностике [3].

Как упоминалось ранее, сбор данных для анализа физиологических показателей пациентов производится при помощи носимых устройств, умных сенсеров. Программы мониторинга собирают широкий спектр данных о состоянии здоровья: частоту и вариабельность сердечного ритма, вес, артериальное давление, уровень сахара в крови (например, через неинвазивный датчик FreeStyle Libre), уровень кислорода в крови (датчик сатурации SpO2), электрокардиограмму (на основе компактных гаджетов для кардиоанализа) [4].

Благодаря интернету вещей врачи могут получать данные о состоянии пациента, находящегося дома, и принимать решения о необходимости вмешательства. За счет постоянного потока данных улучшается точность моделей диагностики и прогнозирования сердечно-сосудистых заболеваний.

Для обозрения в данной работе был выбран метод создания цифрового двойника пациента для диагностики ССЗ, как наиболее перспективный.

Для реализации инновационных методов диагностики ССЗ потребуется использование современных технологий, инструментов и устройств, которые обеспечивают сбор, обработку и анализ данных, а также моделирование индивидуальных характеристик пациента.

Для реализации цифровых двойников пациентов первоначально производится обработка данных, таких как ЭКГ (представляющие временные ряды сигналов), данные артериального давления, частоту сердечных сокращений и т. д.

Производится фильтрация шумов из ЭКГ и других временных рядов при помощи алгоритма цифровой фильтрации, например, фильтр Буттерворта, как это описано в статье [6].

Произвести обработку текстовых данных истории болезни. Одна из самых известных библиотек для обработки текстовых данных на Python – NLTK (Natural Language Toolkit). Она включает в себя несколько разных токенизаторов, которые используются для разделения текста на токены (отдельные слова или другие единицы текста) с помощью регулярных выражений, правил разметки и пробелов в тексте [7].

Данные физиологических показателей вводятся в рекуррентную нейронную сеть, чтобы моделировать динамические изменения состояния пациента. И производится интеграция всех источников данных с использованием Transformer (архитектура нейронных сетей, позволяющая параллельно обрабатывать информацию из разных частей последовательности) [8]. Данные, поступающие в реальном времени, автоматически обновляют цифровой двойник через облачные платформы.

В результате диагностика основывается на анализе отклонений в моделируемых показателях пациента, таких как изменения интервалов QT на ЭКГ или скачки артериального давления.

Заключение

Ожидаемые результаты внедрения цифровых двойников пациентов и связанных с ними технологий для диагностики сердечно-сосудистых заболеваний отражают значительный потенциал для улучшения качества медицинской помощи. Прежде всего, предполагается, что использование цифровых двойников обеспечит повышение точности диагностики за счет интеграции физиологических, демографических и генетических данных и использования мультимодальной архитектуры. Такой подход позволит учитывать индивидуальные особенности пациента.

Реализация моделей, основанных на современных методах машинного обучения, включая рекуррентные нейронные сети и архитектуру Transformer, создаст условия для более глубокого анализа и прогнозирования состояния пациента. Обработка потока данных в режиме реального времени на облачных платформах будут способствовать своевременному выявлению отклонений, таких как изменения в сердечном ритме, интервалах QT на ЭКГ или скачках артериального давления.

Немаловажным результатом станет улучшение оперативности медицинского вмешательства. Постоянный мониторинг и автоматическое обновление данных о состоянии пациента позволят медицинским специалистам быстрее реагировать на ухудшение состояния.

Современная промышленность сталкивается с необходимостью одновременного повышения энергоэффективности и сокращения углеродного следа, что обусловлено глобальными климатическими обязательствами, ростом стоимости энергоресурсов и ужесточением экологических стандартов. Ускоряющаяся цифровизация производственных процессов, внедрение интеллектуальных систем мониторинга и переход к замкнутым циклам ресурсопотребления формируют новые требования к технологической модернизации отраслей. В этих условиях инновационные подходы к снижению выбросов CO₂ приобретают ключевое значение для устойчивого развития и повышения конкурентоспособности промышленных предприятий. Актуальность исследования определяется необходимостью переосмысления традиционных методов контроля выбросов и энергорасхода, которые уже не обеспечивают требуемой степени эффективности в условиях возрастающей технологической сложности производственных систем. Появление высокоточных методов анализа данных, развитие предиктивных алгоритмов и интеграция низкоуглеродных технологий создают условия для перехода к моделям производства, основанным на постоянной адаптации и оптимизации параметров энергопотребления. Вместе с тем эмпирическая база по результативности таких решений остаётся фрагментированной, требуя систематизации.

Целью настоящей статьи является анализ инновационных технологических и организационных подходов, направленных на сокращение выбросов углекислого газа и снижение энергопотребления в промышленности, а также оценка их практической значимости с точки зрения эффективности, масштабируемости и интеграционной совместимости с существующими производственными цепочками. Исследование опирается на современные научные данные и демонстрирует возможности комплексного применения цифровых, инженерных и управленческих решений для формирования низкоуглеродных промышленных экосистем.

Интеллектуальные системы мониторинга и управления энергопотреблением

Современные промышленные предприятия всё чаще переходят к архитектурам, основанным на непрерывном мониторинге технологических процессов, что позволяет добиться устойчивого снижения энергопотребления и сопутствующих выбросов CO₂ [1]. Внедрение интеллектуальных систем управления, интегрированных с датчиками высокой точности, позволяет формировать поток данных о реальном состоянии оборудования, тепловых и электрических нагрузках, производственной динамике и качестве сырья. Эти данные используются алгоритмами машинного обучения, которые выявляют отклонения от оптимальных режимов и прогнозируют потенциальные энергетические пики. Использование адаптивных моделей управления уменьшает потребление энергии за счёт коррекции параметров работы оборудования и своевременного предотвращения неэффективных режимов, что обеспечивает повышение энергоэффективности без снижения производительности [2].

Рисунок 1. Архитектура интеллектуальной системы мониторинга энергопотребления в промышленности

Представленная блок-схема демонстрирует замкнутый контур интеллектуальной системы мониторинга энергопотребления, в котором сенсорные данные последовательно проходят через IoT-шлюз, систему сбора данных и модуль машинного обучения, формируя основу для автоматизированного принятия управляющих воздействий [3]. Визуализированная архитектура отражает принципиальную структуру современных решений промышленной энергоэффективности, показывая, что снижение энергетических потерь достигается благодаря непрерывной аналитике и адаптивному управлению оборудованием в режиме реального времени.

Внедрение низкоуглеродных технологий и модернизация оборудования

Переход к низкоуглеродным моделям промышленного производства требует сочетания технологических и организационных решений, направленных на снижение удельного энергопотребления и объёма прямых выбросов CO₂. Наиболее значимый эффект достигается при модернизации техногенных систем – замене энергоёмких агрегатов, установке высокоэффективных электродвигателей с частотным регулированием, внедрении рекуперационных теплообменников и оптимизации систем сжатого воздуха [4]. Дополнение производственной инфраструктуры низкоуглеродными технологиями, такими как высокотемпературные тепловые насосы, гибридные газоэлектрические системы и установки улавливания углекислого газа, формирует более устойчивый профиль работы предприятия, снижая зависимость от ископаемых ресурсов [5].

Значимую роль играет и переход к «умным» схемам распределения энергетических нагрузок, в которых оборудование функционирует в соответствии с динамически оптимизированным графиком потребления энергии. Интеграция интеллектуальных контроллеров в технологические линии позволяет минимизировать пики нагрузки, улучшить коэффициент мощности и сократить периоды работы в неэффективных режимах. Эти меры создают основу для постепенного формирования низкоуглеродной промышленной инфраструктуры, устойчивой к изменяющимся требованиям энергетической и климатической политики.

Цифровые двойники для оптимизации энергопотребления и снижения выбросов

Использование цифровых двойников в промышленности открывает возможность комплексного анализа энергоёмких процессов и прогнозирования последствий изменений технологического режима ещё до их реализации на реальном оборудовании [6]. Виртуальные модели формируются на основе детализированных данных о состоянии физических объектов, параметрах их работы и динамике энергопотребления, что позволяет выявлять скрытые неэффективности и оценивать потенциал внедрения низкоуглеродных решений [7]. Цифровой двойник функционирует как постоянно обновляемая симуляционная среда, в которой алгоритмы оптимизации тестируют альтернативные режимы работы оборудования и определяют конфигурации, минимизирующие выбросы CO₂.

Интеграция цифровых двойников в производственные контуры обеспечивает переход от реактивного к прогнозному управлению энергопотреблением [8]. На реальном предприятии это проявляется в снижении аварийности за счёт раннего выявления отклонений, повышении точности планирования нагрузок и сокращении времени, в течение которого оборудование работает в избыточных режимах. Таким образом, цифровой двойник становится ключевым инструментом формирования устойчивой архитектуры энергоэффективного производства. Схематическая структура функционирования цифрового двойника представлена на рисунке 2.

Рисунок 2. Цифровые двойники для моделирования и оптимизации процессов

Рисунок отражает двусторонний обмен данными между физической системой и её цифровым двойником, формирующий динамический контур моделирования и оптимизации. Физическое оборудование поставляет фактические эксплуатационные параметры, на основе которых виртуальная модель воспроизводит техническое состояние системы и анализирует эффективность альтернативных стратегий. Полученные в цифровой среде оптимизационные решения возвращаются в производственный контур и позволяют корректировать режимы работы оборудования. Такая архитектура демонстрирует, что цифровой двойник функционирует как непрерывный механизм обратной связи, обеспечивающий устойчивое снижение энергопотребления и уровня углеродных выбросов [9].

Заключение

Проведённый анализ показал, что инновационные подходы к сокращению выбросов углекислого газа и снижению энергопотребления в промышленности основаны на комплексной интеграции цифровых и инженерных решений. Интеллектуальные системы мониторинга обеспечивают непрерывное получение высокоточных данных и создают условия для адаптивного управления энергетическими режимами оборудования, существенно повышая точность идентификации неэффективных процессов. Модернизация технической инфраструктуры с применением низкоуглеродных технологий дополнительно снижает удельное энергопотребление и способствует формированию более устойчивых производственных контуров.

Внедрение цифровых двойников усиливает потенциал оптимизации за счёт возможности прогнозного моделирования и оценки различных энергетических сценариев без риска воздействия на реальное оборудование. В совокупности эти подходы формируют новую парадигму промышленного энергоменеджмента, в которой снижение выбросов CO₂ и энергозатрат становится результатом непрерывной аналитики, управляемой цифровыми моделями и интеллектуальными системами. Реализация данных технологий подтверждает перспективность комплексного перехода к низкоуглеродным производственным экосистемам и закладывает основу для дальнейшего повышения устойчивости промышленности в условиях ужесточения экологических требований.