Od fizyki degradacji po autonomiczne systemy decyzyjne — raport 2026
sekcja a
Fizyka degradacji aktywów
Transformatory ($3–5M, 80–210 tyg. dostawy), turbiny wiatrowe, panele PV, linie przesyłowe. Mechanizmy awarii od kinetyki Arrheniusa po analizę DGA. 70% transformatorów w USA przekroczyło projektową żywotność.
sekcja b
Architektura danych i ML/DL
Pipeline: sensor → edge → data lake → feature engineering → ML → alert → CMMS. CNN-LSTM multimodalny: F1=0,97 na DGA transformatorów. 60–80% czasu projektu to inżynieria danych, nie modelowanie.
sekcja c
Platformy vendorów
8 vendorów w porównaniu: GE Vernova, Hitachi Lumada, Siemens, ABB Genix, Schneider, IBM Maximo, C3.ai, SparkCognition. Matryca decyzyjna: enterprise vs plug-and-play, multi-asset vs specjalista.
sekcja d
Prescriptive i Autonomous
Od predykcji do autonomii: workflow 8 kroków, digital twin + reinforcement learning, drony inspekcyjne. Mniej niż 10% utility jest na tym poziomie — największa luka między technologią a organizacją.
sekcja e
Ekonomika
Naprawa planowa kosztuje 10–30× mniej niż awaryjna. ROI jednego trafionego alarmu na turbinie: 25–120:1. TCO platformy PdM dla 200 aktywów: model 5-letni ze zwrotem w 14–24 miesiące.
sekcja f
Bariery i kontekst polski
65% budżetu AI idzie na dane. 58% kadry nie ufa AI. EU AI Act od VIII 2026. Polska: Faza 0 adopcji PdM AI — Tauron z 310 mln zł z KPO to pierwszy sygnał. Okno: 2026–2028.
wnioski
Co się zmienia najszybciej
Foundation models (Chronos-2, Granite) demokratyzują predykcję. Prescriptive gotowe technicznie, nie organizacyjnie. Fosa danych OEM-ów się pogłębia. Inwestuj w data-ready organization, nie kolejny upgrade ML.
Wizualizacje z raportu
Rys. 1 — Degradacja izolacji papierowej (DP vs czas)Rys. 2 — Pipeline danych: od sensora do decyzjiRys. 3 — Dobór algorytmu ML per typ aktywaRys. 4 — Mapa vendorów PdM w energetyce 2026