Статья посвящена разработке комплексной методики прогнозирования остаточного ресурса гидроцилиндров землеройных машин на основе интеграции физико-математических моделей деградации с методами машинного обучения. Исследование базируется на анализе мультипараметрических данных акустической эмиссии, давления в гидросистеме, вибрационных характеристик и температурного режима работы. Предложена инновационная архитектура системы прогнозирования, включающая многоуровневую модель деградации уплотнений, алгоритм адаптивной фильтрации сигналов и нейронную сеть глубокого обучения LSTM с физическими ограничениями. Экспериментальная верификация проведена на выборке из 847 гидроцилиндров различных типов землеройных машин с циклическими нагрузками от $2,3\times10^{5}$ до 4,7 $7\times10^{6}$ рабочих циклов. Разработанная методика обеспечивает точность прогнозирования остаточного ресурса 87,3% при горизонте планирования до 2000 моточасов, что на 24,6% превышает существующие подходы. Коэффициент корреляции между прогнозируемыми и фактическими значениями составляет $r=0,912$. Средняя относительная погрешность прогнозирования не превышает 12,4%. Практическая реализация методики в системах технического обслуживания позволяет снизить вероятность внезапных отказов на 34,8% и оптимизировать интервалы профилактического обслуживания. Полученные результаты открывают перспективы создания интеллектуальных систем управления жизненным циклом гидравлических приводов тяжелой техники.
The article is devoted to the development of a comprehensive methodology for predicting the residual life of hydraulic cylinders of earthmoving machines based on the integration of physical and mathematical models of degradation with machine learning methods. The study is based on the analysis of multiparametric data on acoustic emission, pressure in the hydraulic system, vibration characteristics and operating temperature. An innovative architecture of the forecasting system is proposed, including a multilevel model of seal degradation, an adaptive signal filtering algorithm, and a deep learning neural network LSTM with physical limitations. The experimental verification was carried out on a sample of 847 hydraulic cylinders of various types of earthmoving machines with cyclic loads from $2.3\times10^{5}$ to $4.7\times10^{6}$ operating cycles. The developed methodology ensures 87.3% accuracy in predicting the remaining resource with a planning horizon of up to 2,000 operating hours, which is 24,6% higher than existing approaches. The correlation coefficient between the predicted and actual values is $r=0.912$. The average relative error of forecasting does not exceed 12,4%. The practical implementation of the technique in maintenance systems reduces the likelihood of sudden failures by 34,8% and optimizes preventive maintenance intervals. The results obtained open up prospects for the creation of intelligent lifecycle management systems for hydraulic drives of heavy machinery.