УДК 004.89
DOI: 10.36871/26189976.2026.04-5.002

Авторы

Алиса Тахировна Гафурова,
Федеральное государственное образовательное бюджетное учреждение высшего образования «Финансовый университет при Правительстве Российской Федерации», Москва, Россия

Аннотация

Рассматривается задача прогнозирования отказов технических систем методами машинного обучения, ориентированная на повышение эксплуатационной надежности, снижение внеплановых простоев и рационализацию технического обслуживания. Предложен подход к обработке многомерных диагностических данных, включающий фильтрацию выбросов, восстановление пропусков, нормирование, построение признакового пространства и оценивание остаточного ресурса. Математическая основа включает вероятностную модель деградации, функцию риска, классификационный критерий отказа и регрессионную оценку времени до предельного состояния. Показано, что сочетание ансамблевых алгоритмов и рекуррентных нейросетевых структур позволяет выявлять предаварийные закономерности при шумах, нестационарности и неполноте наблюдениях.

Ключевые слова

прогнозирование отказов,
техническая диагностика,
машинное обучение,
остаточный ресурс,
предиктивное обслуживание.

Список литературы

[1] Абдуракипов С. С., Бутаков Е. Б. Сравнительный анализ алгоритмов машинного обучения для определения предотказных и аварийных состояний авиадвигателей // Автометрия. 2020. Т. 56. № 6. С. 34–48. DOI: 10.36871/26189976.2026.04-5.002

[2] Ахмаров А. В. Модели софинансирования социальных страховых программ: сравнительный анализ и перспективы для России / А. В. Ахмаров, А. М. Мамаева, К. Д. Шахдуллаев // Экономика и управление: проблемы, решения. – 2025. – Т. 11, № 3(156). – С. 211-217. – DOI 10.36871/ek.up.p.r.2025.03.11.022. – EDN AYUZOK.

[3] Гоголевский А. С., Романов А. В., Трепков Р. Е., Соколова В. А. Методика обнаружения отказов сложных технических систем на основе алгоритмов машинного обучения // Системы. Методы. Технологии. 2019. № 4 (44). С. 54–60.

[4] Горячев А. С. Обзор алгоритмов машинного обучения в задачах предиктивного анализа работы технологического оборудования // Инновационная наука. 2024. № 10-1. С. 14–19.

[5] Гришин И. А., Великанов В. С., Назаров О. В., Дёрина Н. В. О возможности использования метода локальной аппроксимации для прогноза нерегулярных временных рядов отказов горнотранспортных машин // Уголь. 2022. № 3. С. 84–89. DOI: 10.18796/0041- 5790-2022-3-84-89.

[6] Ефанов В. Н., Иванова Н. С., Разумов В. Г. Интеллектуальная технология оценки остаточного ресурса сложных технических систем // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2024. Т. 24. № 3. С. 54–66.

[7] Задиран К. С. Новый метод прогнозирования остаточного ресурса оборудования для высокочастотных данных с неоднородной длительностью рабочих циклов // Известия Южного федерального университета. Технические науки. 2023. № 4. С. 65–74.

[8] Клячкин В. Н., Жуков Д. А. Прогнозирование состояния технического объекта с применением методов машинного обучения // Программные продукты и системы. 2019. Т. 32. № 2. С. 244–250. DOI: 10.15827/0236-235X.126.244-250.

[9] Королев В. И. Методы прогнозного мониторинга технического состояния электрических машин // Электротехнические и информационные комплексы и системы. 2023. Т. 19. № 2. С. 62–72. DOI: 10.17122/1999-5458-2023-19-2-62-72.

[10] Кузьменко В. П., Солёный С. В. Модель предиктивного обслуживания для управления качеством сетей светодиодного освещения // Вестник Магнитогорского государственного технического университета им. Г. И. Носова. 2023. Т. 21. № 3. С. 155–169. DOI: 10.18503/1995-2732-2023-21-3-155-169.

[11] Сай Ван Квонг, Щербаков М. В. Прогнозирование отказов сложных многообъектных систем на основе комбинации нейросетей: пути повышения точности прогнозирования // Прикаспийский журнал: управление и высокие технологии. 2020. № 1 (49). С. 49–60. DOI: 10.21672/2074-1707.2020.49.4.049-060.

[12] 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.