УДК 004.8 Искусственный интеллект
В условиях перехода к парадигме Индустрии 4.0 традиционные подходы к техническому обслуживанию конвейерных систем, основанные на реактивных или планово-предупредительных стратегиях, демонстрируют низкую экономическую эффективность. Целью исследования является разработка архитектуры системы предиктивного обслуживания подшипниковых узлов на основе анализа телеметрических данных и алгоритмов машинного обучения. В работе предложен многоуровневый технологический стек, объединяющий edge-аналитику для первичной фильтрации сигналов и серверную инфраструктуру для обучения прогностических моделей. В качестве ключевых признаков состояния использованы спектры вибрации, температурные градиенты и параметры электрической нагрузки. Экспериментальная валидация на репрезентативном датасете промышленных конвейеров показала точность прогнозирования остаточного ресурса на уровне 94,2%. Внедрение разработанной методологии позволило снизить долю незапланированных простоев на 31,5% и сократить операционные затраты на техническое обслуживание на 24%. Полученные результаты подтверждают целесообразность интеграции IIoT-решений в контур управления непрерывным производством.
телеметрия, предиктивное обслуживание, подшипники качения, машинное обучение, вибрационный анализ, IIoT
1. Терентьев, А. В. Предиктивная аналитика в промышленности: методы и технологии / А. В. Терентьев, В. А. Смирнов. – Москва : Технологии, 2023. – 248 с. – URL: https://tech-industry.ru/predictive-analytics (дата обращения: 15.03.2026).
2. Chen, T. XGBoost: A Scalable Tree Boosting System / T. Chen, C. Guestrin // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2016. – P. 785–794. – doi:https://doi.org/10.1145/2939672.2939785. – URL: https://dl.acm.org/doi/10.1145/2939672.2939785 (дата обращения: 20.03.2026).
3. IoT Analytics. Industrial IoT Protocols in Manufacturing: MQTT vs OPC UA vs Modbus / IoT Analytics GmbH, 2024. – URL: https://iot-analytics.com/iiot-protocols-2024/ (дата обращения: 18.03.2026).
4. Deep Learning and Its Applications to Machine Health Monitoring: A Survey / R. Zhao, R. Yan, Z. Chen, K. Mao, P. Wang, R.X. Gao // Mechanical Systems and Signal Processing. – 2019. – Vol. 115. – P. 213–237. – doi:https://doi.org/10.1016/j.ymssp.2018.05.050. – URL: https://www.sciencedirect.com/science/article/pii/S0888327018302676 (дата обращения: 22.03.2026).
5. Jardine, A. K. S. A Review on Machinery Diagnostics and Prognostics Implementing Condition-Based Maintenance / A. K. S. Jardine, D. Lin, D. Banjevic // Mechanical Systems and Signal Processing. – 2006. – Vol. 20, No. 7. – P. 1483-1510. URL: https://www.researchgate.net/publication/222661820 (дата обращения: 10.03.2026).
6. IEEE Standards Association. IEEE 1451-2023: Standard for a Smart Transducer Interface for Sensors and Actuators / IEEE, 2023. – URL: https://standards.ieee.org/ieee/1451/10312/ (дата обращения: 12.03.2026).
