ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ АВАРИЙНЫХ ОСТАНОВОК ОБОРУДОВАНИЯ НА ПРЕДПРИЯТИЯХ

УДК 004
DOI: 10.36871/26189976.2026.06.022

Авторы

София Григорьевна Касько,
Студент 2 курса, институт педагогики и психологии, Орловский государственный университет имени И.С. Тургенева, Орел, Россия
Али Анварович Халидов,
Кандидат технических наук, доцент кафедры «Цифровые системы и модели», Казанский государственный энергетический университет, Казань, Россия
Владислав Евгеньевич Вилков,
Преподаватель, Северо-Западный институт управления РАНХиГС, Санкт-Петербург, Россия

Аннотация

В статье рассматривается применение нейросетевых моделей для прогнозирования аварийных остановок оборудования на промышленных предприятиях. Обоснована необходимость перехода от регламентного обслуживания к предиктивной диагностике, основанной на обработке многомерных временных рядов, вибрационных, температурных и технологических параметров. Раскрыты возможности сверточных, рекуррентных и гибридных нейросетевых архитектур для выявления предаварийных состояний, расчета вероятности отказа и оценки остаточного ресурса. Показано, что внедрение таких моделей позволяет снизить внеплановые простои, повысить надежность оборудования и оптимизировать ремонтные воздействия.

Ключевые слова

нейросетевые модели
аварийные остановки
промышленное оборудование
предиктивная диагностика

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: 10.15372/AUT20200605.

[2] Бабокин Г.И., Шпрехер Д.М. Применение нейронных сетей для диагностики электромеханических систем // Горный информационно-аналитический бюллетень. – 2011. – № S4. – С. 132–139.

[3] Долгов О.С., Сафоклов Б.Б. Проектирование модели технического обслуживания и ремонта воздушных судов с использованием искусственных нейронных сетей // Вестник Московского авиационного института. – 2022. – Т. 29, № 1. – С. 19–26. DOI: 10.34759/vst-2022-1-19-26.

[4] Жиляков С.А., Карасев Е.М., Левочкин С.Б., Плешивцева Т.А. Ранняя диагностика и прогнозирование надежности промышленного оборудования на основе «цифрового двойника» // Деловой журнал Neftegaz.RU. – 2021. – № 5(113). – С. 60–66.

[5] 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(234). – С. 65–74.

[6] Задиран К.С., Волкова Д.А., Щербаков М.В. Фреймворк для автоматизации прогнозирования остаточного ресурса оборудования при построении проактивных систем поддержки принятия решений // Программные продукты и системы. – 2025. – Т. 38, № 1. – С. 100–107. DOI: 10.15827/0236-235X.149.100-107.

[7] Задиран К.С., Щербаков М.В., Сай Ван Квонг. Прогнозирование остаточного ресурса оборудования в условиях малой выборки данных // Управление большими системами. – 2023. – № 102. – С. 99–113. DOI: 10.25728/ubs.2023.102.6.

[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] Коршикова А.А., Трофимов А.Г. Модель раннего обнаружения аварийных ситуаций на оборудовании электростанций на основе методов машинного обучения // Теплоэнергетика. – 2019. – № 3. – С. 49–56. DOI: 10.1134/S0040363619030044.

[10] 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.

[11] Сай Ван Квонг. Глубокие нейронные сети для предсказательного технического обслуживания // Моделирование, оптимизация и информационные технологии. – 2019. – Т. 7, № 4(27). – 11 с. DOI: 10.26102/2310-6018/2019.27.4.011.

[12] Сулавко А.Е., Васильев В.И., Клиновенко С.А., Ложников П.С., Сувырин Г.А., Гузаиров М.Б. Обзор нейросетевых моделей для решения задач прогнозирования аварийных ситуаций и обеспечения безопасности функционирования нефтегазовых скважин // Моделирование, оптимизация и информационные технологии. – 2024. – Т. 12, № 1. – 17 с. DOI: 10.26102/2310-6018/2024.44.1.017.