Предиктивное обслуживание строительной техники на основе нейросетевого анализа данных с датчиков: снижение простоев и увеличение срока службы
Ключевые слова:
предиктивное обслуживание, строительная техника, нейронные сети, обработка данных сенсоров, вибродиагностика, Industry 4.0, IoT, управление ресурсами, техническое обслуживание, минимизация простоевАннотация
Данное исследование посвящено разработке и внедрению системы предиктивного обслуживания строительной техники на основе нейросетевого анализа данных с датчиков. Применение нейронных сетей для обработки и интерпретации многомерных данных с различных сенсоров позволяет с высокой точностью прогнозировать техническое состояние оборудования и необходимость проведения ремонтных работ. В работе представлена комплексная методология, интегрирующая современные подходы машинного обучения и технологии Интернета вещей для мониторинга критических параметров строительной техники в режиме реального времени. Эмпирическая база исследования включает данные вибрационных, температурных и акустических сенсоров, собранные с парка строительной техники крупного инфраструктурного проекта в течение 18 месяцев эксплуатации. Разработанная система продемонстрировала способность снижать незапланированные простои оборудования на 47,3%, увеличивать срок службы ключевых компонентов на 32,6% и сокращать общие затраты на техническое обслуживание на 28,5%. Результаты подтверждают, что интеграция нейросетевых алгоритмов в систему управления техническим обслуживанием позволяет оптимизировать эксплуатационные характеристики строительной техники и существенно повысить эффективность управления образовательными строительными проектами за счет рационального использования ресурсов и минимизации рисков незапланированных простоев.
Библиографические ссылки
Abdulrazzq, R.A., Sajid N.M., Hasan M.S. Artificial intelligence-driven predictive maintenance in IoT systems // South florida journal of development. 2024. № 5(12). P. e4781.
Aboshosha A., Haggag A., George N., Hamad H.A. IoT-based data-driven predictive maintenance relying on fuzzy system and artificial neural networks // Scientific reports. 2023. № 13. pp. 86-121.
Achouch M., Dimitrova M., Ziane K., Sattarpanah Karganroudi S., Dhouib R., Ibrahim H., Adda M. On predictive maintenance in industry 4.0: Overview, models, and challenges // Applied sciences. 2022. № 12(16). pp. 80-81.
Apeiranthitis S., Zacharia P., Chatzopoulos A., Papoutsidakis M. Predictive maintenance of machinery with rotating parts using convolutional neural networks // Electronics. 2024. № 13(2). P. 460.
Balazy P., Gut P., Knap P. Neural classifying system for predictive maintenance of rotating devices IOP conference series // Materials science and engineering. 2022. Vol. 1235. pp. 12-13.
Bouabdallaoui Y., Lafhaj Z., Yim P., Ducoulombier L., Bennadji B. Predictive maintenance in building facilities: A machine learning-based approach // Sensors. 2021. № 21(4). pp. 10-44.
Elkateb S., Metwalli A., Shendy A., Abu-Elanien A.E.B. Machine learning and IoT-Based predictive maintenance approach for industrial applications // Alexandria engineering journal. 2024. № 88. pp. 298-309.
Fordal J.M., Schjоlberg P., Helgetun H., Skjermo T., Wang Y., Wang C. Application of sensor data based predictive maintenance and artificial neural networks to enable Industry 4.0 // Advances in Manufacturing. 2023. № 11(2). рр. 248-263.
Gkiotsalitis K., Shen Y., Antoniou C. Artificial intelligence for predictive maintenance applications: key components, trustworthiness, and future trends // Applied Sciences. 2024. № 14(2). P. 898.
Gocmen E., Cogun F. Preventive and predictive maintenance for construction equipment: a machine learning approach // Journal of construction engineering and management. 2023. № 149(4). pp. 302-402.
Hector I., Panjanathan R., Ganga A. Predictive maintenance in Industry 4.0: a survey of planning models and machine learning techniques // PeerJ computer science. 2024. № 10. P. e2016.
Trappey A.J.C., Trappey C.V., Wang P.Y., Hsieh M.H. Smart predictive maintenance analytics framework using operational data // Advanced engineering informatics. 2022. № 52. pp. 101-614.
Wang H., Guo M., Tian L. A Deep Learning Model with Signal Decomposition and Informer Network for Equipment Vibration Trend Prediction // Sensors. 2023. № 23(13). pp. 19-58.
Zhang, L., Tan, J., Han, D., & Zhu, H. Convolutional Neural Network-Based Transformer Fault Diagnosis Using Vibration Signals. Sensors. 2023. № 23(10). pp. 47-81.
Zhu J., Jiang P., Sun C. Deep learning-based degradation state recognition and remaining useful life prediction for bearings // International journal of advanced manufacturing technology. 2022. № 120(1). pp. 741-756.
