HVAC AI — ИИ-мониторинг микроклимата цеха нитроаммофоски

Задача

Производственный цех нитроаммофоски (NPK) — категория IIб (повышенная опасность) по СанПиН 1.2.3685-21. Основное оборудование: чиллер KULTEK CTK CH SL34M Ex (холодопроизводительность 1000 кВт, хладагент R22, 2200 кг, маркировка взрывозащиты 1 Ex d IIB T4). Хладоноситель — 20% водный раствор аммиака.

Оператор следит за параметрами вручную: температура, влажность, CO2, давления компрессора, расход хладоносителя. При 15+ параметрах и жёстких нормативных порогах человек неизбежно пропустит критическое отклонение — особенно ночью или в выходные. Нужна полностью автоматическая система: сбор данных, анализ через AI, мгновенные алерты в Telegram, управляющие команды на оборудование.

Решение

MQTT + сбор данных с датчиков

Mosquitto Broker принимает JSON-снимки каждые 30 секунд на топик hvac/snapshot. В каждом снимке — 15+ параметров, сгруппированных по зонам:

Микроклимат цеха — температура (°C), влажность (%), CO2 (ppm), скорость воздуха (м/с)
Чиллер R22 — T испарителя, P всасывания/нагнетания (бар абс.), перегрев (K), T нагнетания, T масла, ΔP масла
Хладоноситель NH3 20% — T вход/выход, расход (м³/ч), давление (МПа)
Конденсатор — T вход/выход охлаждающей воды

n8n Workflow — 14 нодов

MQTT Trigger слушает hvac/* и запускает цепочку обработки:

Разбор MQTT + пороги — Code Node (500+ строк). Функция evaluateRuleSeverity() проверяет каждый параметр против порогов из СанПиН 1.2.3685-21, ГОСТ 30494-2011 и паспорта оборудования KULTEK. Возвращает: ruleSeverity (normal / warning / critical), массив ruleIssues[] и текстовую сводку ruleSummary.

Примеры порогов:

Параметр	Warning	Critical	Источник
T помещения	<16 или >26 °C	<14 или >30 °C	СанПиН IIб
CO2	>1400 ppm	>2000 ppm	ГОСТ 30494
P нагнетания	>20 бар	>25 бар	Паспорт KULTEK
T нагнетания	>120 °C	>135 °C	Паспорт KULTEK
T масла	>65 °C	>75 °C	Паспорт KULTEK

Далее поток разделяется на две параллельные ветки:

Ветка 1 — запись в БД: развернуть сенсоры в строки → PostgreSQL sensor_readings (каждый датчик — отдельная запись с sensor_id, value, unit, equipment).

Ветка 2 — AI-анализ: Gate (пропускает только warning/critical) → Throttle (окно 120 секунд — экономия API) → AI Agent HVAC.

AI Agent HVAC (LangChain + GPT-4o-mini)

AI Agent реализован через n8n LangChain integration:

System prompt — контроллер ОВК цеха NPK, категория IIб. Знает номиналы оборудования KULTEK, пороги по СанПиН и ГОСТ, типичные аварийные сценарии
Input — текущий снимок всех датчиков + таблица порогов + meta оборудования + pre-оценка правилами (ruleSeverity + ruleSummary)
Output JSON — {status, severity, problem, details, action, message}
Temperature 0.2 — детерминированность критична для промышленного применения

Поле action содержит целевое оборудование (chiller, ventilation, alarm) и команду (reduce_compressor_load, increase_airflow, shutdown), которая отправляется обратно через MQTT.

Rate limiting: Gate пропускает ~20% снимков (только отклонения), Throttle разрешает 1 вызов AI каждые 120 секунд. Результат: ~12 вызовов/день вместо 2880 — экономия ~99% на API.

Маршрутизация severity

Switch Node направляет ответ AI по трём веткам:

critical → Telegram CRITICAL (со звуком, красная метка) + MQTT команда + PostgreSQL ai_decisions
warning → Telegram WARNING (со звуком, оранжевая метка) + MQTT команда + PostgreSQL ai_decisions
info (fallback) → Telegram INFO (silent, зелёная метка) + MQTT команда

Telegram-сообщения в HTML: проблема, детали, ссылка на Grafana-дашборд.

MQTT output публикует на hvac/control/command — JSON с полем action для PLC или другого контроллера.

TimescaleDB + Grafana

TimescaleDB (PostgreSQL 16 + расширение):

sensor_readings — hypertable с chunk interval 1 день, retention policy 90 дней. Автоудаление старых данных
ai_decisions — история всех решений AI (input_data, ai_response, status, model, latency)
control_commands — журнал управляющих команд
alerts — хроника алертов

Grafana (auto-provisioning через YAML):

Dashboard UID: hvac, refresh каждые 5 секунд
15+ панелей в 4 группах: Микроклимат цеха, Чиллер KULTEK / R22, Хладоноситель NH3 20%, Конденсатор
SQL-запросы к TimescaleDB через datasource tsdb-hvac
Dashboard JSON генерируется скриптом generate_grafana_hvac_dashboard.py (346 строк)

Docker + HTTPS

Docker Compose — 6 сервисов:

timescaledb — PostgreSQL 16 + TimescaleDB, инициализация из sql/init.sql
mosquitto — MQTT Broker (anonymous access, persistent storage)
n8n — workflow engine с LangChain и OpenAI integration
grafana — auto-provisioning datasources + dashboards
caddy — reverse proxy + Let’s Encrypt HTTPS
simulator — Python-скрипт, генерирует синтетические данные с аномалиями (20% вероятность, 11 типов аномалий)

Caddy обеспечивает HTTPS:

n8n.petushkevich.ru → n8n:5678
grafana.petushkevich.ru → grafana:3000

Запуск — одна команда: docker compose up -d.

Тестирование

pytest без Docker: валидация пороговой логики (6 мутаций), структура workflow JSON (14 ассертов), docker-compose.yml, Grafana dashboard.

Три зеркала пороговой логики (n8n JS, Python, JS-патчер) синхронизированы — тесты гарантируют паритет.

Результат

Показатель	До	После
Мониторинг 15+ датчиков	Вручную, оператор	Автоматически (MQTT → n8n → AI)
Время реакции на отклонение	Минуты–часы	Секунды (Telegram-алерт)
Анализ ситуации	На глаз оператора	AI Agent + нормативные пороги (СанПиН, ГОСТ)
Визуализация	Нет	Grafana (15+ панелей, 5 сек refresh)
API-экономия	—	~99% (Gate + Throttle: 12 вызовов/день)
Развёртывание	—	`docker compose up -d` (6 сервисов, HTTPS)

Нужна автоматизация мониторинга, IoT или HVAC? Напишите — спроектируем систему.