Industrial IoT gateways и ASI Biont: как AI-агент управляет промышленной телеметрией через Modbus, MQTT и OPC-UA без единой строки кода

Промышленные IoT-шлюзы (Industrial IoT gateways) — это устройства, которые собирают данные с датчиков, контроллеров и станков на заводе, преобразуют их в цифровые протоколы и передают в облако или локальную систему мониторинга. Однако без умной аналитики шлюз остаётся просто «трубой» для байтов. Подключение к AI-агенту ASI Biont превращает шлюз в интеллектуальный узел: AI самостоятельно читает регистры PLC, анализирует тренды температуры и вибрации, предсказывает отказы и отправляет команды обратно — без участия программиста.

В этой статье я покажу, как AI-агент ASI Biont подключается к промышленным IoT-шлюзам через реальные протоколы (Modbus/TCP, MQTT, OPC-UA, SSH, COM-порт), приведу готовые сценарии с кодом, который генерирует AI, и объясню, почему такой подход снижает время на интеграцию с дней до минут.

Почему промышленные шлюзы — идеальные «уши и руки» для AI-агента

Industrial IoT gateways работают на стыке OT (операционных технологий) и IT. Они уже имеют:
- Сбор данных с датчиков (давление, температура, вибрация, уровень) через Modbus RTU/TCP, Profinet, EtherNet/IP
- Локальную обработку (фильтрация, агрегация, edge-аналитика)
- Два канала связи: один — в магистральную сеть завода, второй — в облако или SCADA

ASI Biont подключается к шлюзу по любому из этих каналов. AI сам выбирает протокол в зависимости от того, что поддерживает шлюз: если шлюз — это Raspberry Pi с Linux, используется SSH; если шлюз на базе ESP32 — MQTT; если промышленный ПЛК с Modbus TCP — Modbus напрямую. Пользователю достаточно описать задачу в чате: «Подключись к шлюзу 192.168.1.100 по Modbus, читай регистры 40001-40010 каждые 5 секунд и при превышении температуры 85°C отправляй команду на отключение станка».

Способы подключения ASI Biont к Industrial IoT gateways

ASI Biont не имеет фиксированных панелей управления. Всё подключение происходит через диалог. AI использует один из 14 способов интеграции, но для промышленных шлюзов наиболее актуальны:

Пример 1: Modbus/TCP — мониторинг и управление PLC

Сценарий: Промышленный шлюз (например, Siemens IOT2050) подключен к PLC Siemens S7-1200 через Modbus TCP. Нужно каждые 10 секунд считывать температуру подшипника (регистр 40001) и при превышении 90°C выключать двигатель (coil 00001).

Как это делается в ASI Biont:
Пользователь пишет в чат: «Подключись по Modbus TCP к 192.168.1.100:502, читай регистр 40001 каждые 10 секунд, если значение > 900 (что соответствует 90.0°C), запиши coil 00001 в False». AI генерирует и выполняет следующий код через industrial_command:

# AI использует industrial_command tool
industrial_command(
    protocol='modbus_tcp',
    command='read_registers',
    params={
        'host': '192.168.1.100',
        'port': 502,
        'start_address': 40001,
        'count': 1,
        'unit_id': 1
    }
)

После получения ответа AI сравнивает значение с порогом и при необходимости выполняет:

industrial_command(
    protocol='modbus_tcp',
    command='write_coil',
    params={
        'host': '192.168.1.100',
        'port': 502,
        'address': 0,
        'value': False,
        'unit_id': 1
    }
)

Всё выполняется в облаке ASI Biont. AI сам решает, когда читать, когда писать, и логирует каждое действие. Никаких cron-задач или скриптов на стороне шлюза — AI делает всё через диалог.

Пример 2: MQTT — потоковая телеметрия с датчиков

Сценарий: Промышленный шлюз (например, Advantech ICAM-520) собирает данные с 10 датчиков вибрации и публикует их в MQTT-брокер на топик factory/vibration. Нужно отслеживать среднеквадратичное значение (RMS) вибрации и при превышении 7.0 мм/с отправлять уведомление в Telegram.

Как это делается в ASI Biont:
AI пишет Python-скрипт с библиотекой paho-mqtt и запускает его через execute_python:

import paho.mqtt.client as mqtt
import json
import requests
import time

THRESHOLD = 7.0
TELEGRAM_TOKEN = 'ваш_токен'
CHAT_ID = 'ваш_chat_id'

def on_message(client, userdata, msg):
    data = json.loads(msg.payload.decode())
    rms = data.get('rms', 0)
    device_id = data.get('device_id', 'unknown')
    if rms > THRESHOLD:
        text = f'⚠️ Превышение вибрации на {device_id}: {rms} мм/с'
        requests.post(
            f'https://api.telegram.org/bot{TELEGRAM_TOKEN}/sendMessage',
            json={'chat_id': CHAT_ID, 'text': text}
        )

client = mqtt.Client()
client.on_message = on_message
client.connect('broker.hivemq.com', 1883, 60)
client.subscribe('factory/vibration')
client.loop_start()
time.sleep(30)  # sandbox имеет таймаут 30 секунд
client.loop_stop()

AI выполняет скрипт в sandbox-окружении Railway, подключается к MQTT-брокеру, получает данные и при превышении порога отправляет сообщение в Telegram. Пользователь видит результат в чате: «Подключился к MQTT. Получено 150 сообщений за 30 секунд. Обнаружено 3 превышения. Уведомления отправлены.»

Пример 3: OPC-UA — чтение тегов и предсказание отказов

Сценарий: На заводе развёрнут OPC UA-сервер на шлюзе (например, Bosch Rexroth). Сервер содержит теги: temperature, pressure, flow_rate. Нужно собирать историю за последний час и построить график тренда, чтобы выявить аномалии.

Как это делается в ASI Biont:
AI использует industrial_command с протоколом opcua:

industrial_command(
    protocol='opcua',
    command='read_variable',
    params={
        'server_url': 'opc.tcp://192.168.1.200:4840',
        'node_id': 'ns=2;s=temperature'
    }
)

AI может выполнить несколько чтений подряд, сохранить результаты в переменную и построить график с помощью matplotlib:

import matplotlib.pyplot as plt
import numpy as np

# Данные собраны AI из предыдущих вызовов
temperatures = [82.3, 84.1, 85.0, 86.7, 88.2, 90.1]
times = ['12:00', '12:10', '12:20', '12:30', '12:40', '12:50']

plt.figure(figsize=(8,4))
plt.plot(times, temperatures, marker='o')
plt.axhline(y=85, color='r', linestyle='--', label='Порог 85°C')
plt.title('Тренд температуры за 1 час')
plt.xlabel('Время')
plt.ylabel('Температура, °C')
plt.legend()
plt.grid(True)
plt.savefig('/tmp/temperature_trend.png')
print('График сохранён в /tmp/temperature_trend.png')

AI может отправить изображение пользователю в чат или сохранить в облачное хранилище.

Пример 4: SSH — управление шлюзом на Linux

Сценарий: Шлюз работает на Raspberry Pi с Raspbian. На GPIO подключены два реле для управления вентиляцией и освещением. Нужно включать вентиляцию, если температура в цеху превышает 30°C.

Как это делается в ASI Biont:
AI пишет скрипт с paramiko и выполняет его через execute_python:

import paramiko
import time

ssh = paramiko.SSHClient()
ssh.set_missing_host_key_policy(paramiko.AutoAddPolicy())
ssh.connect('192.168.1.50', username='pi', password='raspberry')

# Чтение температуры с датчика DS18B20
stdin, stdout, stderr = ssh.exec_command('cat /sys/bus/w1/devices/28-*/temperature')
temp_raw = stdout.read().decode().strip()
temperature = int(temp_raw) / 1000.0
print(f'Температура: {temperature}°C')

if temperature > 30.0:
    # Включить реле на GPIO17 (вентиляция)
    stdin, stdout, stderr = ssh.exec_command('echo "17" > /sys/class/gpio/export; echo "out" > /sys/class/gpio/gpio17/direction; echo "1" > /sys/class/gpio/gpio17/value')
    print('Вентиляция включена')
else:
    print('Температура в норме')

ssh.close()

AI сам подключается по SSH, выполняет команды и возвращает результат. Пользователь видит: «Температура: 32.5°C. Вентиляция включена.»

Пример 5: COM-порт через Hardware Bridge — старый ПЛК

Сценарий: На заводе ещё работает ПЛК Siemens S5, который общается по RS-485. Компьютер с bridge.py подключён к COM3 на 9600 baud. Нужно прочитать статус конвейера (команда STATUS) и запустить его (команда START).

Как это делается в ASI Biont:
Пользователь запускает bridge.py на своём ПК:

bridge.py --token=ваш_токен --ports=COM3 --baud=9600

Затем пишет в чат: «Подключись к COM3 через bridge, отправь команду STATUS и прочитай ответ». AI использует industrial_command с протоколом serial:

industrial_command(
    protocol='serial',
    command='write_and_read',
    params={
        'port': 'COM3',
        'baud': 9600,
        'data': '5354415455530a'  # STATUS в hex
    }
)

AI получает ответ, например, 4f4b0a (OK), интерпретирует его и сообщает пользователю: «Конвейер остановлен. Отправить START?» При подтверждении AI отправляет команду START и конвейер запускается.

Почему ASI Biont — это прорыв в интеграции промышленных шлюзов

Традиционная интеграция промышленного шлюза с AI-системой требует:
- Написания кода на C++/Python для каждого протокола
- Настройки MQTT-брокера, Modbus TCP-сервера или OPC UA-клиента
- Разработки логики принятия решений (правила, пороги, таймеры)
- Развёртывания на edge-устройстве или в облаке

ASI Biont делает всё это автоматически. AI-агент:
1. Выбирает протокол по описанию пользователя
2. Пишет код на Python с использованием доступных библиотек (pymodbus, paho-mqtt, opcua-asyncio, paramiko)
3. Выполняет код в sandbox-окружении Railway или через Hardware Bridge
4. Принимает решения на основе данных: предсказание отказов, аномалии, оптимизация
5. Действует — отправляет команды обратно в шлюз, PLC, Telegram, email

Всё это без единой строки кода, написанной пользователем. Достаточно описать задачу на естественном языке.

Заключение

Industrial IoT gateways — это основа современного «умного завода». Но их потенциал раскрывается только при подключении к интеллектуальной системе, способной анализировать данные в реальном времени и принимать решения. ASI Biont — первый AI-агент, который делает это без программирования. Modbus, MQTT, OPC-UA, SSH, COM-порт — любой протокол, любое устройство, любая логика.

Попробуйте сами: зайдите на asibiont.com, подключите свой промышленный шлюз и опишите задачу в чате. AI сделает всю интеграцию за секунды.