УДК 04.896:621.039
DOI: 10.36871/26189976.2026.05-4.012

Авторы

Сергей Юрьевич Ситников,
ФБГОУ ВО Казанский государственный энергетический университет, Казань, Россия
Тимур Гаджиевич Айгумов,
ФГБОУ ВО Дагестанский государственный технический университет, Махачкала, Россия
Залина Мусаевна Муцурова,
ФГБОУ ВО Чеченский государственный университет им. А. А. Кадырова, Грозный, Россия

Аннотация

В статье рассматривается метод объединения физико-математических уравнений и нейросетевого прогноза для мониторинга технического состояния промышленного оборудования. Обоснована необходимость перехода от изолированных эмпирических моделей к гибридным вычислительным схемам, в которых уравнения динамики, теплопереноса, износа и вибрационного отклика используются как регуляризирующие ограничения. Предложена структура модели, объединяющей измерительные данные, остаточные невязки физической модели и прогнозный контур нейронной сети. Показано, что такой подход повышает устойчивость диагностики при шуме, неполноте наблюдений и изменении режимов эксплуатации.

Ключевые слова

мониторинг оборудования,
физико-математическая модель,
остаточный ресурс,
гибридное моделирование.

Список литературы

[1] Грачев А. В. Применение нейросетевых технологий для прогнозирования состояния работы объектов предприятий АПК // Техника и технология пищевых производств. 2023. Т. 53. № 4. С. 816–823. DOI: 10.36871/26189976.2026.05-4.012

[2] Дзюба Ю. В., Чернецкий М. Ю. Прогнозирование технического состояния энергетического оборудования: проблемы и решения // Автоматизация в промышленности. 2023. № 6. С. 45–48. DOI: 10.25728/avtprom.2023.06.10.

[3] Забайкин Ю. В., Лютягин Д. В. Использование цифровых двойников для мониторинга и управления техническим состоянием оборудования на газоперерабатывающих заводах // Экономика строительства. 2023. № 10. С. 156–163. DOI: 10.25726/v1064-3614-5462-o.

[4] Земенкова М. Ю., Чижевская Е. Л., Земенков Ю. Д. Интеллектуальный мониторинг состояний объектов трубопроводного транспорта углеводородов с применением нейросетевых технологий // Записки Горного института. 2022. Т. 258. С. 933–944. DOI: 10.31897/PMI.2022.105.

[5] Зрелова Д. П., Тятюшкина О. Ю., Ульянов С. В. Введение в глубокое машинное обучение на физически определенных данных – гамильтоновы / лагранжевы физически информированные нейронные сети // Системный анализ в науке и образовании. 2023. № 4. С. 45–90.

[6] 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.

[7] Карманов А. А. Физически-информированная нейронная сеть на трансформерной архитектуре для прогноза временных рядов в инженерных системах // Инженерный вестник Дона. 2025. № 9. Ст. 10380.

[8] Кочеганов Д. М., Серебряков А. В., Стеклов А. С. Имитационная модель солнечно-ветряной электростанции с нейро-нечеткой системой прогнозирования технического состояния // Электротехнические системы и комплексы. 2021. № 2(51). С. 68–75. DOI: 10.18503/2311-8318-2021-2(51)-68-75.

[9] Мустафина С. И., Жиляков С. А. Применение нейронных сетей для диагностики и прогнозирования технического состояния оборудования // Автоматизация и информатизация ТЭК. 2023. № 7(600). С. 13–21. DOI: 10.33285/2782-604X-2023- 7(600)-13-21.

[10] Сулавко А. Е., Васильев В. И., Клиновенко С. А. и др. Обзор нейросетевых моделей для решения задач прогнозирования аварийных ситуаций и обеспечения безопасности функционирования нефтегазовых скважин // Моделирование, оптимизация и информационные технологии. 2024. Т. 12. № 1. DOI: 10.26102/2310- 6018/2024.44.1.017.

[11] Ченцова А. Ю., Шапошникова Н. Ю., Микшин И. А., Воробьёв Е. В. Автоматизация диагностики оборудования АС с помощью искусственных нейронных сетей // Глобальная ядерная безопасность. 2025. Т. 15. № 3. С. 36–42. DOI: 10.26583/gns2025-03-04.

[12] Чупров И. А., Гао Ц., Ефременко Д. С. и др. Оптимизация физико-информированных нейронных сетей для решения нелинейного уравнения Шредингера // Доклады Российской академии наук. Математика, информатика, процессы управления. 2023. Т. 514. № 2. С. 28–38. DOI: 10.31857/S2686954323601586.