студент с 01.01.2023 по настоящее время
студент
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.
искусственный интеллект, машинное обучение, обслуживание по фактическому состоянию, CBM, прогнозирование остаточного ресурса, техническое обслуживание и ремонт, промышленная эксплуатация, нейронные сети, градиентный бустинг, цифровизация производства
1. Федотова Г. А. Современные проблемы стандартизации надежности в технике / Г. А. Федотова, И. А. Шер // Вестник Иркутского государственного технического университета. – 2018. – Т. 22, № 2(133). – С. 142-152.
2. Оксак И. В. Оптимизация процессов ТОИР, стратегические подходы и методы повышения эффективности / И. В. Оксак // Устойчивое развитие России - 2025 : Сборник статей IV Всероссийской научно-практической конференции, Петрозаводск, 28 августа 2025 года. – Петрозаводск: Международный центр научного партнерства "Новая Наука" (ИП Ивановская И.И.), 2025. – С. 80-99
3. Гришин А. А. Исследование эффективности алгоритмов классификации, использующих деревья решений, для экономического прогнозирования на основе апостериорных данных / А. А. Гришин, С. П. Строев // Вестник Технологического университета. – 2018. – Т. 21, № 9. – С. 180-186
4. Кораблев Ю. А. Прогнозирование остаточного срока полезного использования технологического оборудования методом глубокого обучения LSTM / Ю. А. Кораблев // Известия ЮФУ. Технические науки. – 2025. – № 5(247). – С. 277-288
5. Современное состояние методов машинного обучения в приложениях обработки одномерных сигналов / Б. И. Валеев, А. И. Садыкова, А. Н. Салахутдинова [и др.] // Электроника, фотоника и киберфизические системы. – 2022. – Т. 2, № 3. – С. 86-95
