Сравнительный анализ алгоритмов машинного обучения в задаче прогнозирования отказов строительной и дорожной техники

Аннотация

Одна из актуальных задач в эксплуатации строительной и дорожной техники – вовремя предсказать отказ агрегата, не дожидаясь аварийной остановки. В статье сравниваются три алгоритма машинного обучения – случайный лес (Random Forest), градиентный бустинг (Gradient Boosting) и метод опорных векторов (SVM с ядром RBF) – для решения задачи бинарной классификации технического состояния оборудования. Эксперимент проводился на открытом датасете AI4I 2020 Predictive Maintenance Dataset (UCI ML Repository), который содержит 10 000 рабочих записей с параметрами датчиков: температурой воздуха и рабочего процесса, скоростью вращения, крутящим моментом и показателем износа. Доля отказов в выборке составляет всего 3,4% – типичная картина для реальных систем мониторинга. Модели оценивались по метрикам Accuracy, F1-Score и ROC-AUC. Лучшее значение ROC-AUC = 0,972 показал случайный лес; по F1-Score лидирует градиентный бустинг (0,768), а анализ важности признаков показал, что главными показателями скорого отказа служат крутящий момент (вклад 0,327) и скорость вращения (0,293). Полученные результаты подтверждают перспективность ансамблевых методов для систем предиктивного обслуживания строительной техники.