УДК 330:004
DOI: 10.36871/ek.up.p.r.2026.05.06.025

Авторы

Хамзат Хайзырович Мальцагов,
Мансур Абдул-Муслимович Айбуев,
ФГБОЦ ВО «ГГНТУ им. акад. Миллионщикова», Грозный, Российская Федераци

Аннотация

В статье исследуются методы машинного обучения, применяемые для прогнозирования простоев оборудования на промышленном предприятии. Обоснована экономическая значимость перехода от регламентного и аварийного ремонта к упреждающему обслуживанию, основанному на анализе производственных данных. Рассмотрены этапы сбора, очистки и нормирования показателей, построения признакового пространства, обучения классификационных и регрессионных моделей. Особое внимание уделено оценке потерь от простоев, расчёту экономического эффекта, снижению эксплуатационных затрат и повышению устойчивости производственной системы.

Ключевые слова

машинное обучение, простои оборудования, промышленное предприятие, прогнозирование отказов

Список литературы

  1. Бухтояров В. В., Некрасов И. С., Тынченко В. С. и др. Применение прогнозирующих алгоритмов машинного обучения к процессам нефтепереработки в рамках интеллектуальной автоматизации // Научные труды НИПИ Нефтегаз ГНКАР. 2022. № S1. С. 12–20. DOI: 10.5510/OGP2022SI100665.
  2. Горячев А. С. Обзор алгоритмов машинного обучения в задачах предиктивного анализа работы технологического оборудования // Инновационная наука. 2024. № 10-1. С. 14–19. EDN: KLNQBK.
  3. Каракулов И. В., Клюев А. В., Столбов В. Ю. Прогнозирование технического состояния электроцентробежного насоса на основе нейросетевого моделирования // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2020. Т. 20. № 4. С. 37–46. DOI: 10.14529/ctcr200404.
  4. Кожевников А. В., Илатовский И. С., Соловьева О. И. Применение методов машинного обучения в рамках прогнозирования состояния электромеханических систем прокатного производства // Вестник Череповецкого государственного университета. 2017. № 1. С. 33–39.
  5. Козьяков И. Д., Лозовская Я. Н. Прогнозирование отказов оборудования нефтегазовых предприятий с помощью машинного обучения // Академический исследовательский журнал. 2025. Т. 3. № 9. С. 85–95. DOI: 10.25726/y6312-6362-0892-t.
  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. 70–77. EDN: FDWPBA.
  7. Панин Е. П. Прогнозирование технического состояния оборудования на основе ансамблевых методов машинного обучения // Вестник науки. 2025. № 6 (87). Т. 5. Ч. 1. С. 683–689.
  8. Салихов М. Р., Юрьева Р. А. Алгоритм прогнозирования состояния оборудования на основе машинного обучения // Известия высших учебных заведений. Приборостроение. 2022. Т. 65. № 9. С. 648–655. DOI: 10.17586/0021-3454-2022-65-9-648-655.
  9. Скворцов А. А., Анурьева М. С., Солодовников А. Н. Применение алгоритмов машинного обучения для прогнозирования отказов и адаптивного управления производственными системами // Инженерный вестник Дона. 2025. № 5 (125). С. 175–192.
  10. Чернухин А. В., Богданова Е. А., Савицкая Т. В. Построение модели предиктивной аналитики неисправностей промышленного оборудования // Программные продукты и системы. 2024. Т. 37. № 2. С. 254–261. DOI: 10.15827/0236-235X.146.254-261.
  11. Шаханов Н. И., Варфоломеев И. А., Ершов Е. В., Юдина О. В. Прогнозирование отказов оборудования в условиях малого количества поломок // Вестник Череповецкого государственного университета. 2016. № 6 (75). С. 36–41.
  12. Яковлева М. В., Шалина А. И. Алгоритм принятия решений о внедрении предиктивного обслуживания оборудования на высокотехнологичных предприятиях // Вопросы инновационной экономики. 2023. Т. 13. № 1. С. 159–172. DOI: 10.18334/vinec.13.1.117426. EDN: MUQTUK.