Телефон: 8-800-350-22-65
Напишите нам:
MAX:
WhatsApp:
Telegram:
Прием заявок круглосуточно
График работы офиса: с 9:00 до 23:00 Нск (с 5:00 до 19:00 Мск)

Статья опубликована в рамках: CLXVII Международной научно-практической конференции «Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ» (Россия, г. Новосибирск, 05 ноября 2026 г.)

Наука: Технические науки

Секция: Машиностроение

Скачать книгу(-и): Скачать книгу

Библиографическое описание:
Огневский А.В. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ПРЕДИКТИВНОМ ТЕХНИЧЕСКОМ ОБСЛУЖИВАНИИ ПРОМЫШЛЕННОГО ОБОРУДОВАНИЯ: ОБЗОР НАУЧНОЙ ЛИТЕРАТУРЫ // Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ: сб. ст. по мат. CLXVII междунар. студ. науч.-практ. конф. № 11(165). URL: https://sibac.info/archive/studconf/tech/v2/ce57467711a356f61351de6d25e1f54a/11(165).pdf (дата обращения: 19.11.2026)
Проголосовать за статью
Идет голосование
Эта статья набрала 1 голос
Дипломы участников
У данной статьи нет
дипломов

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ПРЕДИКТИВНОМ ТЕХНИЧЕСКОМ ОБСЛУЖИВАНИИ ПРОМЫШЛЕННОГО ОБОРУДОВАНИЯ: ОБЗОР НАУЧНОЙ ЛИТЕРАТУРЫ

Огневский Андрей Владимирович

магистрант, машиностроительный факультет, Карагандинский технический университет имени Абылкаса Сагинова, Республика Казахстан, г. Караганда

Тулегенова Медина Кажимкановна

научный руководитель, научный руководитель, PhD кафедры иностранных языков, Карагандинский технический университет имени Абылкаса Сагинова, Республика Казахстан, г. Караганда

ARTIFICIAL INTELLIGENCE IN PREDICTIVE MAINTENANCE OF INDUSTRIAL EQUIPMENT: A LITERATURE REVIEW

Представлен нарративный обзор применения искусственного интеллекта для предиктивного обслуживания промышленного оборудования. Сопоставлены диагностические данные, классификация неисправностей, оценка остаточного ресурса и перенос моделей между режимами эксплуатации. Проанализированы 13 научных публикаций с акцентом на качество данных, интерпретируемость и промышленную валидацию. Новые эксперименты и числовые результаты не заявляются.

This narrative literature review examines artificial intelligence for predictive maintenance of industrial equipment. It compares diagnostic data, fault classification, remaining useful life estimation and model transfer between operating conditions. Thirteen scholarly studies are synthesized with attention to data quality, interpretability and maintenance-oriented validation. No new experiments or performance claims are presented.

Введение

Промышленное оборудование, в том числе металлорежущие станки, насосы, компрессоры, работает при изменяющихся нагрузках. Внезапные отказы нарушают производственный процесс, тогда как обслуживание с фиксированной периодичностью может приводить к замене ещё работоспособных деталей. Предиктивное техническое обслуживание (Predictive Maintenance, PdM) опирается на данные о текущем и прогнозируемом состоянии оборудования для своевременного проведения необходимых работ. Vogl и соавт. [1] рассматривают практики диагностики и прогнозирования, а Tsallis и соавт. [2] показывают необходимость оценки алгоритмов с учётом конкретных условий их применения.

В статье сопоставлены подходы к предиктивному обслуживанию на основе искусственного интеллекта (ИИ) и определены условия, при которых результаты моделей могут использоваться для принятия инженерных решений. Основное внимание уделено вращающемуся и производственному оборудованию, для которого доступны данные о вибрации, температуре, токе и режимах работы. Разработка новой модели и проведение промышленного эксперимента не заявляются.

Подход к обзору и данные мониторинга

В целевом нарративном обзоре обобщены 13 рецензируемых публикаций за 2019–2026 гг. Источники отобраны по вопросам прогнозирования технического состояния промышленного оборудования, обучения с учителем, диагностики вращающихся машин, переноса моделей между режимами эксплуатации и практического внедрения. Polverino и соавт. [3] разграничивают задачи диагностики и прогнозирования, а Guidotti и соавт. [4] анализируют доступность наборов данных и воспроизводимость результатов. Исследования сопоставлены по цели, измеряемым параметрам, методу и отмеченным ограничениям; показатели точности, полученные на несопоставимых наборах данных, не объединялись.

Состав диагностических данных зависит от оборудования: акселерометры измеряют вибрацию подшипников и редукторов, а датчики тока, температуры и давления характеризуют электрическое, тепловое и гидравлическое состояния. Журналы эксплуатации дополняют измерения сведениями о режимах работы, ремонтных действиях и подтверждённых отказах. Garcia и соавт. [5] рассматривают связь методов обработки сигналов и гибридных моделей с качеством измерений. Наборы данных должны содержать временные метки, идентификаторы оборудования и историю обслуживания; иначе даже высокие показатели классификации могут иметь малую практическую ценность [6, 7].

Методы исскуственного интеллекта и инженерные задачи

Предиктивное обслуживание включает три взаимосвязанные, но различные задачи: обнаружение отклонений от нормальной работы, диагностику вероятной неисправности и прогнозирование деградации либо остаточного ресурса (Remaining Useful Life, RUL). Для этих задач различаются целевые метки, горизонты прогнозирования и метрики оценки [3, 6].

Классические алгоритмы обучения с учителем (например, деревья решений, случайный лес или метод опорных векторов) используют предварительно рассчитанные признаки: среднеквадратическое значение вибрации (RMS), спектральную энергию или температурные тренды [4]. Для N измеренных отсчётов xi величина RMS определяется формулой (1):

\begin{matrix} RMS = \sqrt{\frac{1}{N}\sum_{i = 1}^{N}x_{i}^{2}}\ \\ \end{matrix} (1)

где RMS – среднеквадратическое значение сигнала (в единицах xi);

N – число отсчётов в анализируемом окне (безразмерная величина);

i – индекс отсчёта (безразмерная величина);

xi – i-й отсчёт сигнала (например, м/с² при измерении виброускорения).

Модели глубокого обучения способны извлекать признаки непосредственно из временных сигналов и их временно-частотных представлений. Обзоры исследований вращающихся машин показывают возможности выявления сложных структур неисправностей, но подчёркивают важность качества сигналов, представительности режимов работы и независимого тестирования [7, 8]. Перенос обучения и адаптация к предметной области используются при изменении нагрузок или переходе к другому оборудованию; Zhang и соавт. [9] отмечают риски переноса модели на несовместимые условия эксплуатации.

В задачах прогнозирования модель RUL оценивает время до достижения установленного критерия отказа, тогда как классификатор определяет тип неисправности или риск отказа в заданном временном интервале. Средняя абсолютная ошибка по формуле (2) характеризует отклонение прогноза остаточного ресурса, но не экономию затрат. При оценке необходимо задать критерий отказа, отделить обучающие наблюдения от будущих тестовых данных и описать неопределённость [3].

\begin{matrix} {MAE}_{RUL} = \frac{1}{M}\sum_{j = 1}^{M}\left| {RUL}_{j} - {\widehat{RUL}}_{j} \right|\ \\ \end{matrix} (2)

где MAE_RUL – средняя абсолютная ошибка прогноза остаточного ресурса (часы или рабочие циклы);

M – число тестовых прогнозов (безразмерная величина);

j – индекс тестового прогноза (безразмерная величина);

RULj – фактический остаточный ресурс (часы или циклы);

RUL̂j – прогнозируемый остаточный ресурс (в тех же единицах, что и фактический).

Концептуальная схема «данные–решение»

На рисунке 1 приведено обобщение рассмотренных методов. Проверка достоверности показаний датчиков, синхронизация и предварительная обработка предшествуют выделению признаков или моделированию последовательностей. Предсказанные классы неисправностей, оценки аномальности либо остаточного ресурса используются при принятии решений об осмотре или ремонте с учётом достоверности прогноза и стоимости простоя. Подтверждённые результаты обслуживания следует возвращать в набор данных [1, 10].

Рисунок 1. Концептуальная архитектура системы предиктивного обслуживания на основе ИИ

Сравнительный анализ

В таблице 1 исследования сгруппированы по инженерным задачам, а не по величинам опубликованных показателей точности. Модели на основе заранее выделенных признаков могут быть полезны при недостатке размеченных отказов и наличии надёжных технологических показателей. Глубокие модели способны выявлять нелинейную структуру сигналов, однако их преимущества зависят от исходных данных и процедуры проверки [4, 6, 8]. Различия между условиями применения и предварительной обработкой сигналов дополнительно затрудняют прямое сопоставление результатов исследований [2, 5].

В обзорах по производственному оборудованию неоднократно отмечается разрыв между результатами на тестовых наборах данных и решениями в условиях предприятия. Benhanifia и соавт. [10] рассматривают внедрение и окупаемость инвестиций, а Arez и соавт. [11] – необходимость стандартизованных наборов данных и ограниченность промышленной валидации. Hamdi Alaoui и соавт. [12] также анализируют ИИ, промышленный интернет вещей и организационные барьеры. Следовательно, качество модели и эффективность технического обслуживания следует оценивать раздельно.

Таблица 1.

Сопоставление выбранных исследований

Исследования Результаты и ограничения
Carvalho [6]; Polverino [3] Классификация неисправностей и регрессия RUL; метрики оценки и различия между эталонными и реальными данными.
Das [7]; Tama [8] Диагностика вращающихся узлов по вибрации; представление сигналов и обобщающая способность моделей.
Guidotti [4]; Zhang [9] Доступность данных для обучения с учителем и перенос между условиями работы; важность независимой проверки.
Garcia [5]; Tsallis [2] Предварительная обработка сигналов, гибридные подходы и выбор диагностических моделей с учётом оборудования.
Vogl [1]; Benhanifia [10] Внедрение на производстве, решения по обслуживанию и экономическая оценка.
Arez [11]; Hamdi [12] Зависимость от эталонных наборов данных, промышленная проверка и ограничения внедрения.
Qu [13] Объяснимое прогнозирование RUL и необходимость оценки качества объяснений.

Примечание. Представлены обобщённые выводы обзорных публикаций; показатели точности на несопоставимых наборах данных не ранжируются.

Практические ограничения и направления исследований

К основным ограничениям относятся малое число размеченных отказов, изменчивость режимов работы оборудования и недостаточная интерпретируемость моделей. При дисбалансе классов наряду с общей точностью следует учитывать точность положительных предсказаний (precision), полноту (recall) и F1-меру. Изменение нагрузки, износ или замена датчика могут со временем изменять распределение данных. Qu и соавт. [13] показывают, что объяснения прогнозов RUL также требуют проверки: правдоподобные объяснения сами по себе недостаточны для решений по обслуживанию.

Для валидации следует разделять данные хронологически и, если возможно, дополнительно тестировать модель на другом оборудовании (рисунок 2). Повторные измерения одного события отказа не должны попадать в разные выборки. Помимо ошибок классификации или прогноза RUL необходимо оценивать частоту ложных тревог, время упреждающего предупреждения, предотвращённые незапланированные простои и затраты на обслуживание при явно заданных допущениях [4, 11, 13]. Эти рекомендации получены на основе литературного анализа, а не нового эксперимента.

Рисунок 2. Предлагаемая схема хронологической и межмашинной валидации

Заключение

Искусственный интеллект может применяться для обнаружения отказов, диагностики и оценки остаточного ресурса, однако его промышленная ценность определяется качеством данных датчиков, переносимостью моделей и возможностью принятия действенных решений по обслуживанию. Анализ 13 работ выявляет повторяющиеся проблемы: недостаток подтверждённых отказов, изменение условий эксплуатации, ненадёжность объяснений и дефицит независимой проверки на промышленных объектах. Поэтому инженерная оценка должна объединять ошибку прогноза, обобщающую способность модели и результаты обслуживания. Эти выводы требуют последующей экспериментальной проверки на оборудовании с документированной историей эксплуатации.

Список литературы

  1. Vogl G.W., Weiss B.A., Helu M. A review of diagnostic and prognostic capabilities and best practices for manufacturing // Journal of Intelligent Manufacturing. – 2019. – Т. 30, № 1. – P. 79⁠–⁠95. – DOI: 10.1007/s10845-016-1228-8.
  2. C. Tsallis, P. Papageorgas, D. Piromalis, R.A. Munteanu. Application-Wise Review of Machine Learning-Based Predictive Maintenance: Trends, Challenges, and Future Directions // Applied Sciences. – 2025. – Т. 15, № 9. – Art. 4898. – DOI: 10.3390/app15094898.
  3. L. Polverino, R. Abbate, P. Manco, D. Perfetto, F. Caputo, R. Macchiaroli, M. Caterino. Machine learning for prognostics and health management of industrial mechanical systems and equipment: A systematic literature review // International Journal of Engineering Business Management. – 2023. – Т. 15. – DOI: 10.1177/18479790231186848.
  4. Guidotti D., Pandolfo L., Pulina L. A Systematic Literature Review of Supervised Machine Learning Techniques for Predictive Maintenance in Industry 4.0 // IEEE Access. – 2025. – Т. 13. – P. 102479⁠–⁠102504. – DOI: 10.1109/ACCESS.2025.3578686.
  5. J. Garcia, L. Rios-Colque, A. Peña, L. Rojas. Condition Monitoring and Predictive Maintenance in Industrial Equipment: An NLP-Assisted Review of Signal Processing, Hybrid Models, and Implementation Challenges // Applied Sciences. – 2025. – Т. 15, № 10. – Art. 5465. – DOI: 10.3390/app15105465.
  6. T.P. Carvalho. A systematic literature review of machine learning methods applied to predictive maintenance // Computers & Industrial Engineering. – 2019. – Т. 137. – Art. 106024. – DOI: 10.1016/j.cie.2019.106024.
  7. Das O., Das D.B., Birant D. Machine learning for fault analysis in rotating machinery: A comprehensive review // Heliyon. – 2023. – Т. 9, № 6. – DOI: 10.1016/j.heliyon.2023.e17584.
  8. B.A. Tama, M. Vania, S. Lee, S. Lim. Recent advances in the application of deep learning for fault diagnosis of rotating machinery using vibration signals // Artificial Intelligence Review. – 2023. – Т. 56. – P. 4667⁠–⁠4709. – DOI: 10.1007/s10462-022-10293-3.
  9. S. Zhang, L. Su, J. Gu, K. Li, L. Zhou, M. Pecht. Rotating machinery fault detection and diagnosis based on deep domain adaptation: A survey // Chinese Journal of Aeronautics. – 2023. – Т. 36, № 1. – P. 45⁠–⁠74. – DOI: 10.1016/j.cja.2021.10.006.
  10. A. Benhanifia, Z. Ben. Systematic review of predictive maintenance practices in the manufacturing sector // Intelligent Systems with Applications. – 2025. – Т. 26. – Art. 200501. – DOI: 10.1016/j.iswa.2025.200501.
  11. Arez D., Navas H.V.G., Gaspar P. The Bridge Between Artificial Intelligence and Predictive Maintenance in Industry 4.0: A Systematic Review // Applied Sciences. – 2026. – Т. 16, № 10. – Art. 4882. – DOI: 10.3390/app16104882.
  12. Hamdi Alaoui A., Meddaoui A., Hain M. AI-driven predictive maintenance for industry 4.0: a systematic review of models, methods, and challenges // The International Journal of Advanced Manufacturing Technology. – 2026. – Т. 143. – P. 4861⁠–⁠4876. – DOI: 10.1007/s00170-026-17531-w.
  13. Qu Q., Zhang L., Zheng Y. Explainable AI for remaining useful life prediction in industrial systems: a survey // Measurement Science and Technology. – 2026. – Т. 37, № 4. – Art. 042002. – DOI: 10.1088/1361⁠–⁠6501/ae319f.
Проголосовать за статью
Идет голосование
Эта статья набрала 1 голос
Дипломы участников
У данной статьи нет
дипломов