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.
One of the key challenges in the operation of construction and road machinery is predicting equipment failures before they lead to unplanned downtime. This paper compares three machine learning algorithms – Random Forest, Gradient Boosting, and Support Vector Machine (SVM with RBF kernel) – for binary classification of equipment technical condition. The experiments were conducted on the open-access AI4I 2020 Predictive Maintenance Dataset (UCI ML Repository), which contains 10,000 records with sensor readings: air and process temperatures, rotational speed, torque, and tool wear. The failure rate in the dataset is 3,4%, which is representative of real monitoring systems. Models were evaluated using Accuracy, F1-Score, and ROC-AUC. The best ROC-AUC of 0.972 was achieved by Random Forest; Gradient Boosting led in F1-Score (0.768). Feature importance analysis revealed torque (0.327) and rotational speed (0.293) as the primary failure predictors. The results confirm the potential of ensemble methods for predictive maintenance systems in construction machinery.