кандидат технических наук;
candidate of technical sciences;
Материал статьи завязан на поиске экономического обоснования для отказа от устаревших графиков техобслуживания в пользу подхода CBM на базе AI и ML. Почему это важно? Традиционные стратегии обслуживания давно критикуют за то, что колоссальные средства (около 30–40% бюджета) попросту выбрасываются на ветер из-за ремонтов «по расписанию», в то время как каждый пятый внеплановый отказ добавляет предприятию головной боли и незапланированных расходов. Чтобы минимизировать эти потери, предложено использовать связку нейросети LSTM и градиентного бустинга XGBoost. Испытания доказали состоятельность подхода: затраты на техобслуживание удалось сократить на 24%, простои оборудования - на 31%, а предсказуемость аварий довести до уровня 0,89 (Precision). В довершение ко всему даны практические ориентиры для внедрения умных систем CBM с целью реального удешевления эксплуатации.
The article focuses on finding an economic justification for abandoning outdated maintenance schedules in favor of an AI and ML-based CBM approach. Why is this important? Traditional maintenance strategies have long been criticized for the fact that huge amounts of money (about 30-40% of the budget) are simply wasted due to "scheduled" repairs, while every fifth unplanned failure adds headaches and unplanned expenses to the enterprise. To minimize these losses, it is proposed to use a combination of the LSTM neural network and XGBoost gradient boosting. The tests proved the viability of the approach: maintenance costs were reduced by 24%, equipment downtime by 31%, and the predictability of accidents was increased to the level of 0.89 (Precision). To top it all off, practical guidelines are given for the implementation of smart CBM systems in order to really reduce the cost of operation.