Промышленная аналитика на новом уровне: интеграция Modbus/TCP (PLC, RTU) с AI-агентом ASI Biont

Введение

Промышленные контроллеры (PLC) и удалённые терминалы (RTU) на базе протокола Modbus/TCP — основа современной автоматизации. Они управляют станками, насосами, конвейерами, климатическими системами, собирая терабайты данных ежедневно. Однако эти данные часто остаются «сырыми»: инженеры вручную анализируют тренды, настраивают пороги срабатывания и пишут скрипты для каждого нового датчика. AI-агент ASI Biont меняет подход: он подключается к PLC напрямую через Modbus/TCP, читает регистры и катушки, анализирует историю и предсказывает отказы до того, как они произойдут. В этой статье мы разберём, как ASI Biont интегрируется с PLC/RTU, какие сценарии автоматизации открываются и почему это выгоднее традиционного программирования.

Что такое Modbus/TCP и зачем подключать его к AI?

Modbus/TCP — открытый промышленный протокол, работающий поверх TCP/IP. Он позволяет читать и записывать данные в регистры (holding registers, input registers) и катушки (coils, discrete inputs) контроллера. Большинство современных PLC (Siemens S7-1200, Schneider M221, Mitsubishi FX5U, WAGO, Beckhoff) поддерживают Modbus/TCP «из коробки» или через шлюз. RTU (Remote Terminal Unit) в нефтегазовой и энергетической отраслях также используют этот протокол для передачи телеметрии.

Подключение AI-агента к PLC даёт возможность:
- Автоматически анализировать тренды температуры, давления, вибрации, тока.
- Предсказывать выход параметров за пределы нормы (predictive maintenance).
- Управлять выходами (включение/выключение насосов, клапанов) по заданным условиям.
- Создавать сложные сценарии, которые невозможно реализовать внутри самого PLC (например, интеграция с погодными API, Telegram-уведомления, машинное обучение).

Как ASI Biont подключается к Modbus/TCP (PLC, RTU)

ASI Biont использует встроенный инструмент industrial_command для работы с Modbus/TCP. Никаких панелей управления или кнопок «добавить устройство» — пользователь просто описывает в чате задачу, и AI-агент сам пишет код на Python с библиотекой pymodbus, выполняет его в защищённом sandbox-окружении на сервере (Railway) и возвращает результат.

Поддерживаемые команды industrial_command для Modbus/TCP

Пример: чтение температуры с PLC и отправка в Telegram

Пользователь пишет в чате:

«Подключись к PLC по Modbus/TCP на IP 192.168.1.100, порт 502. Прочитай регистры с адреса 40001 по 40010 (температура датчиков). Если какой-то выше 85°C, отправь мне уведомление в Telegram. Мой chat_id: 123456789, токен бота: 123:ABC»

AI-агент выполняет следующий сценарий:
1. Вызывает industrial_command(protocol='modbus', command='read_registers', ip='192.168.1.100', port=502, address=40001, count=10).
2. Получает массив значений.
3. Проверяет каждое значение на превышение порога 85.
4. Если есть превышение — пишет Python-скрипт с requests.post к Telegram Bot API и выполняет его через execute_python.

Пример кода, который генерирует AI (выполняется в sandbox):

import requests

# Данные от PLC (получены через industrial_command ранее)
temperatures = [82.3, 87.1, 79.5, 91.2, 76.8]
threshold = 85.0
chat_id = "123456789"
token = "123:ABC"

alerts = []
for idx, temp in enumerate(temperatures):
    if temp > threshold:
        alerts.append(f"Датчик {40001 + idx}: {temp}°C — превышение!")

if alerts:
    message = "\n".join(alerts)
    url = f"https://api.telegram.org/bot{token}/sendMessage"
    payload = {"chat_id": chat_id, "text": message}
    requests.post(url, json=payload)

Результат: AI сам написал код, отправил его на выполнение, и Telegram-уведомления работают без единой строки кода со стороны пользователя.

Альтернативные способы: execute_python с pymodbus

Если нужно выполнить более сложный анализ (например, построить график тренда или обучить модель), AI может использовать execute_python напрямую с библиотекой pymodbus:

from pymodbus.client import ModbusTcpClient

client = ModbusTcpClient('192.168.1.100', port=502)
client.connect()

# Чтение 20 holding registers начиная с адреса 40001
response = client.read_holding_registers(address=0, count=20, unit=1)
if not response.isError():
    values = response.registers
    print("Сырые данные:", values)
    # Здесь можно запустить numpy/scipy анализ, построить график matplotlib и сохранить в PDF
client.close()

Важно: execute_python выполняется в облаке (не на устройстве пользователя), поэтому для работы с COM-портами или локальными ресурсами используется Hardware Bridge. Для Modbus/TCP это не требуется — PLC доступен по сети.

Конкретный сценарий: предиктивное обслуживание насосной станции

Рассмотрим реальный кейс. На предприятии есть PLC (WAGO 750-881), который управляет тремя насосами и собирает данные:
- Holding Register 40001: давление на входе (бар)
- Holding Register 40002: давление на выходе (бар)
- Holding Register 40003: ток двигателя насоса #1 (А)
- Holding Register 40004: ток двигателя насоса #2 (А)
- Coil 00001: состояние насоса #1 (1 — включён)
- Coil 00002: состояние насоса #2 (1 — включён)

Задача: предсказать износ подшипников насоса по току

Пользователь даёт команду AI:

«Каждый час читай ток насоса #1 (register 40003). Строй скользящее среднее за 8 часов. Если среднее отклонение от базового значения (10 А) превышает 15%, отправляй предупреждение в Telegram и записывай событие в локальный CSV-файл»

AI-агент:
1. Первым вызовом industrial_command читает текущее значение регистра 40003.
2. Сохраняет его в историю (в sandbox-памяти, но можно записать в CSV через execute_python).
3. Вызывает industrial_command снова через час (по расписанию, которое задаёт пользователь в чате).
4. После 8 замеров вычисляет скользящее среднее с помощью numpy.
5. Сравнивает с базой, генерирует уведомление.

Пример скрипта для расчёта (выполняется в sandbox):

import numpy as np
import csv
from io import StringIO

# Гипотетические данные (в реальности берутся из industrial_command)
history = [10.2, 10.5, 11.0, 11.8, 12.3, 13.1, 14.0, 15.2]
base_current = 10.0
threshold = 0.15  # 15%

moving_avg = np.mean(history[-8:])
deviation = (moving_avg - base_current) / base_current

if deviation > threshold:
    print(f"Тревога: отклонение {deviation*100:.1f}% превышает порог")
    # Отправка в Telegram (через requests.post)
    # Запись в CSV (через openpyxl или csv)
    csv_buffer = StringIO()
    writer = csv.writer(csv_buffer)
    writer.writerow(["timestamp", "current", "deviation"])
    writer.writerow(["2026-07-13 14:00", moving_avg, deviation])
    # Далее можно сохранить файл в sandbox и отдать пользователю

Почему ASI Biont выгоднее традиционного подхода?

Заключение

Интеграция промышленных контроллеров (PLC, RTU) с AI-агентом ASI Biont через Modbus/TCP открывает новые возможности для автоматизации: от простого мониторинга до сложного предиктивного обслуживания. Вам не нужно писать код вручную — просто опишите задачу в чате, и AI-агент сам подключится к устройству, прочитает регистры, проанализирует данные и выполнит нужные действия. Это сокращает время внедрения с дней до минут и делает промышленную аналитику доступной каждому инженеру.

Попробуйте сами: подключите ваш PLC к ASI Biont на asibiont.com и начните получать прогнозы и уведомления уже сегодня.