Предиктивное обслуживание оборудования в машиностроении с применением методов искусственного интеллекта

Представлено исследование по предиктивному техническому обслуживанию (PdM) промышленного оборудования машиностроения с использованием методов искусственного интеллекта. В работе проводится сравнительный анализ нескольких алгоритмов машинного обучения - Random Forest, XGBoost, LightGBM и нейронных сетей - применительно к прогнозированию отказов оборудования. Использованы как синтетические данные, так и открытые наборы данных из реальных источников (например, NASA C-MAPSS). Приводятся метрики точности, полноты, F-меры и ROC-AUC для каждой модели, а также строятся графики confusion matrix и ROC-кривые. Проведен анализ преимуществ и ограничений каждого подхода, обсуждается применимость данных методов в промышленности. Особое внимание уделено экономической эффективности предиктивного обслуживания и интеграции современных технологий (цифровые двойники, IoT). В заключение сделаны выводы об эффективности алгоритмов и практических выгодах PdM для машиностроительных предприятий. Полный код анализа приведен в Приложении.

This paper presents a study on predictive maintenance (PdM) of machinery equipment using artificial intelligence techniques. A comparative analysis of several machine learning algorithms - Random Forest, XGBoost, LightGBM, and neural networks - is conducted for equipment failure prediction. Both synthetic data and open real-world datasets (e.g., NASA C-MAPSS) are used. The models’ accuracy, recall, F-measure, and ROCAUC metrics are reported, and confusion matrices and ROC curves are provided. The advantages and limitations of each approach are analyzed, and the applicability of these methods in industry is discussed. Special attention is given to the economic efficiency of PdM and the integration of modern technologies (digital twins, IoT). Conclusions are drawn regarding the effectiveness of the algorithms and the practical benefits of PdM for machine-building enterprises. The full analysis code is provided in the Appendix.