ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Применение методов машинного обучения для автоматического прогнозирования отказов строительных и дорожных машин

Авторы

  • Никита Александрович Герасин Российский государственный университет нефти и газа им. И.М. Губкина, 119991, г. Москва, Ленинский проспект, д. 65, корп. 1

Как цитировать

ГОСТ Герасин Н. А. Применение методов машинного обучения для автоматического прогнозирования отказов строительных и дорожных машин // СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ. 2026. Т. 70. № 8. С. 306-319. DOI: 10.25726/v9257-8266-0940-t
APA Герасин, Н. А. (2026). Применение методов машинного обучения для автоматического прогнозирования отказов строительных и дорожных машин. СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ, 70(8), 306-319. https://doi.org/10.25726/v9257-8266-0940-t

Аннотация

Растягивание фактических сроков службы парка строительных и дорожных машин смещает нагрузку с обновления техники на поддержание её работоспособности, при котором межремонтные интервалы, назначенные по наработке, перестают соответствовать состоянию агрегатов. Отраслевая нормативная база – ГОСТ 27.002-2015, ГОСТ Р 53564-2009, ГОСТ Р 27.606-2013 и ГОСТ Р ИСО 13381-1-2016 – задаёт терминологию, стадии прогноза и требования к системам мониторинга, оставляя вычислительную процедуру распознавания предотказного состояния за рамками регулирования. Цель работы – количественно сопоставить семейства алгоритмов машинного обучения на едином массиве эксплуатационных наблюдений и перевести показатели качества классификации в эксплуатационные и стоимостные величины. Построена авторская модель парка из 120 машин четырёх типов с суточной регистрацией шестнадцати параметров за период с января 2022 года по май 2026 года; массив включает 191 760 записей, 991 275 мото-часов наработки и 1389 отказов. На обучающей выборке до конца 2024 года настроены логистическая регрессия, случайный лес, градиентный бустинг и многослойный перцептрон, проверка выполнена на периоде 2025 – мая 2026 года. Площадь под ROC-кривой составила от 0,8890 до 0,9041, площадь под кривой «точность – полнота» – от 0,5202 до 0,5755 при доле положительного класса 0,1360; медианная заблаговременность предупреждения находится в диапазоне 41,8-44,2 мото-часа. Наибольший вклад в распознавание дают содержание железа в масле (47,0%) и среднее квадратическое значение виброскорости (21,9%), тогда как полная наработка с начала эксплуатации оказалась практически неинформативной. Переход к предиктивной стратегии снижает число внезапных отказов на 86,9%, поднимает коэффициент технической готовности с 0,9437 до 0,9744 и уменьшает удельные затраты с 590,4 до 273,3 тыс. руб. на 1000 мото-часов. Различие между линейной моделью и ансамблями деревьев оказалось меньше различия между вариантами признакового описания, что переносит центр тяжести задачи с выбора алгоритма на состав и качество регистрируемых диагностических параметров.

Ключевые слова

прогнозирование отказов строительные и дорожные машины машинное обучение техническая диагностика предиктивное обслуживание коэффициент технической готовности эксплуатационная телеметрия трибодиагностика

Библиографические ссылки

Алушкин Т.Е., Мещеряков М.Ю., Старцев А.В. Использование нейронных сетей в технической эксплуатации самоходных машин // Агроинженерия. 2026. Т. 28. № 1. С. 36-43.

Баширов М.Г., Люсов Р.С., Акчурин Д.Ш. Прикладное применение машинного обучения для оценки технического состояния и прогнозирования ресурса нефтегазового оборудования // Южно-Сибирский научный вестник. 2023. № 3 (49). С. 131-138.

Задиран К.С. Новый метод прогнозирования остаточного ресурса оборудования для высокочастотных данных с неоднородной длительностью рабочих циклов // Известия ЮФУ. Технические науки. 2023. № 4. С. 65-74.

Зырянов И.В., Корняков М.В., Непомнящих К.А., Труфанов А.И., Храмовских В.А., Шевченко А.Н. Сетевая платформа автоматизации прогнозирования отказов карьерных самосвалов // Горная промышленность. 2024. № 3. С. 56-63.

Ибряева О.Л., Мохаммад М.Н. Диагностика неисправностей подшипников качения с использованием пиков спектра и нейронных сетей // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. 2022. Т. 11. № 2. С. 59-71.

Катаев Ю.В., Костомахин М.Н., Пестряков Е.В., Петрищев Н.А., Саяпин А.С. Дистанционный контроль частоты вращения коленчатого вала двигателя трактора с использованием алгоритма машинного обучения // Агроинженерия. 2023. Т. 25. № 5. С. 34-39.

Кораблев Ю.А. Прогнозирование остаточного срока полезного использования технологического оборудования методом глубокого обучения LSTM // Известия ЮФУ. Технические науки. 2025. № 5. С. 277-288.

Никитченко С.Л. Интеллектуальная модель управления надежностью эксплуатируемой сельскохозяйственной техники // Агроинженерия. 2026. Т. 28. № 3. С. 84-93.

Панина О.В., Завалько Н.А., Еремин С.Г., Харченко К.В., Зуденкова С.А. Разработка нейронных сетей для анализа вибрационных сигналов горного оборудования и предупреждения аварийных ситуаций // Горная промышленность. 2025. № 2. С. 97-104.

Побединский В.В., Иовлев Г.А., Ляхов С.В., Голдина И.И. Нейро-нечеткая сеть для оценки остаточного ресурса тракторных двигателей // Лесной вестник. 2022. Т. 26. № 2. С. 120-130.

Салихов Р.Ф., Бердников И.Е. Метод расчета годовой продолжительности проведения технических обслуживаний и ремонтов для отечественных и зарубежных экскаваторов с течением наработки // Вестник СибАДИ. 2024. Т. 21. № 1. С. 26-37.

Сафиуллин Р.Н., Исавнин А.Г. Предиктивное обслуживание электропривода на основе IIoT и Random Forest // Транспорт и информационные технологии. 2026. Т. 16. № 1. С. 150-172.

Севрюгина Н.С., Арженовский А.Г., Апатенко А.С. Предотвращение отказов двигателя внутреннего сгорания путем включения цифрового аналитического модуля глубокого обучения // Проблемы машиностроения и надежности машин. 2025. № 3. С. 101-107.

Стрелков А.Н., Блянкинштейн И.М. Анализ и перспективы адаптации опыта применения машинного обучения в системе технического обслуживания и ремонта городских автобусов // Интеллект. Инновации. Инвестиции. 2026. № 3. С. 82-96.

Харченко К.В., Зубец А.Ж., Москвитина Е.И., Бабаян Л.К., Лаффах А.М. Анализ эффективности внедрения предиктивного обслуживания горнодобывающего оборудования на основе технологий Индустрии 4.0 // Горная промышленность. 2024. № 4. С. 130-138.

Выпуск

Раздел

ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Метрики

69 просмотров
0 скачиваний
Хотите опубликоваться?
Подать статью

Машиночитаемые метаданные

Похожие статьи

<< < 1 2 3 4 5 6 7 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.