УДК 330.
DOI: 10.36871/ek.up.p.r.2025.12.17.023

Авторы

Хамид Шамильевич Насуров,
Абдул-Малик Саламбекович Дукузов,
ФГБОУ ВО «Грозненский государственный нефтяной технический университет им. акад. М. Д. Миллионщикова», г. Грозный, Россия

Аннотация

В статье рассматриваются современные подходы к применению нейросетевых моделей в системах предиктивной диагностики и обслуживания промышленного оборудования. Показано, что использование глубоких нейронных архитектур для анализа временных рядов сенсорных данных обеспечивает раннее выявление дефектов, прогнозирование остаточного ресурса и снижение вероятности отказов. Описаны основные принципы построения и обучения моделей, методы формирования признакового пространства, а также примеры использования сверточных, рекуррентных и гибридных сетей. Особое внимание уделено вопросам интерпретируемости, адаптации моделей к изменяющимся условиям эксплуатации и интеграции с цифровыми двойниками. Отмечены перспективы внедрения предиктивной аналитики в промышленную практику как основы интеллектуального технического обслуживания.

Ключевые слова

нейросеть, предиктивная диагностика, техническое обслуживание, остаточный ресурс, прогноз отказа

Список литературы

  1. Афанасьев Д. П., СидоровС. Н. Нейросетевые методы прогнозирования деградации электрических машин // Электротехника и электромеханика. 2022. № 4. С. 12–22.
  2. Бобров А. Л., Трофимова Е. Е.Системы мониторинга состояния ротодинамического оборудования на основе глубокого обучения // Известия высших учебных заведений. Машиностроение. 2023. № 9. С. 45–56.
  3. Жарасов Б. С., Абрамов В. И. Цифровые двойники в управлении производством: принципы создания, проблемы внедрения и перспективы развития // Современная экономика: проблемы и решения. 2024. № 6 (174). С. 80–94.
  4. Козлова В. В. Оптимизация бизнес-процессов с применением технологий искусственного интеллекта // Вестник Евразийской науки. 2025. Т. 17. № s2. С. 1–16.
  5. Ларионов О. А., Кураева М.Ю. Автоэнкодеры для обнаружения аномалий в вибрационных данных энергетического оборудования // Проблемы машиностроения и автоматизации. 2024. № 2. С. 67–78.
  6. Мухамеджанов А. И., Хабибуллин И. И. Обзор методов машинного обучения для прогнозирования технического состояния газотурбинных двигателей // Вестник КГТУ им. А. Н. Туполева. 2023. № 3. С. 70–78.
  7. Прыткова Е. А., Давыдов В. М. Применение многофакторного анализа показателей качества машиностроительной продукции для оптимизации бизнес-процессов // Вестник МГТУ им. Г. И. Носова. 2024. Т. 22. № 3. С. 152–159.
  8. Рогулин Р. С. Использование методов анализа данных и машинного обучения для прогнозирования и планирования спроса при управлении цепочками поставок // Теоретическая экономика. 2023. № 8. С. 35–53.
  9. Рубцов Ю.В. Оценка метода машинного обучения для системы автоматизированного выбора компонентной базы радиоэлектронной аппаратуры // Автоматизация и измерения в машиностроении. 2025. № 3 (31). С. 47–55.