Динара Туленгалиевна Алдашева – докторант кафедры «Программного обеспечения»
110000, г. Костанай, ул. А. Байтурсынова 47
Dinara Aldasheva – doctoral student of the department of Software Engineering
110000, Kostanay, 47A, Baitursynova street
Ольга Сергеевна Cалыкова – кандидат технических наук, ассоциированный профессор кафедры «Программного обеспечения»
110000, г. Костанай, ул. А. Байтурсынова 47
Olga Salykova – сandidate of technical sciences, associate professor of the Department of Software Engineering
110000, Kostanay, 47A, Baitursynova street
Михаил Юрьевич Зарубин – кандидат технических наук, ассоциированный профессор кафедры «информационных технологий и автоматики»
110000, г. Костанай, ул. Чернышевского 59
Mikhail Zarubin – candidate of technical sciences, associate professor, department of information technology and automation
110000, Kostanay, 59Chernyshevsky street
Талгат Амангильдинович Жуаспаев – старший преподаватель, кафедры информационных технологий и автоматики
110000, г. Костанай, ул. Чернышевского 59
Talgat Zhuaspayev – senior lecturer,, department of information technology and automation
110000, Kostanay, 59Chernyshevsky street
Мадина Даулетжановна Мусина – старший преподаватель, кафедры информационных технологий и автоматики
110000, г. Костанай, ул. Чернышевского 59
Madina Musina – senior lecturer,, department of information technology and automation
110000, Kostanay, 59Chernyshevsky street
В статье рассматривается применение методов Explainable Artificial Intelligence (XAI) для интерпретации прогнозов нейросетевых моделей в системах предиктивного обслуживания промышленного оборудования. Цель исследования – повышение прозрачности, точности и доверия к результатам машинного обучения при диагностике и прогнозировании технических неисправностей. В работе использованы методы SHAP, LIME и Grad-CAM, обеспечивающие визуализацию вклада признаков в предсказания моделей. На примере предприятий Костанайского автомобильного кластера показано, что интеграция Explainable AI позволяет повысить достоверность диагностики на 12-15%, сократить внеплановые простои оборудования на 13% и уменьшить время реагирования инженеров на 18%. Исследование демонстрирует, что интерпретируемые модели машинного обучения формируют основу для прозрачных решений в рамках цифровизации и внедрения промышленного интернета вещей (IIoT) в Казахстане. Предложенный подход соответствует стратегическим направлениям программ «Цифровой Казахстан» и «Концепция развития искусственного интеллекта до 2029 года», способствуя повышению эффективности и надёжности отечественных систем технического обслуживания. Экспериментальные результаты получены на обезличенных данных промышленного предприятия автомобильного машиностроения Республики Казахстан, что подтверждает применимость предложенного подхода в реальных производственных условиях.
The article discusses the application of Explicable Artificial Intelligence (XAI) methods for interpreting forecasts of neural network models in predictive maintenance systems for industrial equipment. The aim of the study is to increase transparency, accuracy and trust in the results of machine learning in the diagnosis and prediction of technical malfunctions. The paper uses SHAP, LIME, and Grad-CAM methods to visualize the contribution of features to model predictions. Using the example of the enterprises of the Kostanay automobile cluster, it is shown that the integration of Explicable AI can increase diagnostic reliability by 12-15%, reduce unplanned equipment downtime by 13% and reduce the response time of engineers by 18%. The study demonstrates that interpreted machine learning models form the basis for transparent solutions within the framework of digitalization and the introduction of the Industrial Internet of Things (IIoT) in Kazakhstan. The proposed approach corresponds to the strategic directions of the Digital Kazakhstan and the Concept of Artificial Intelligence Development until 2029 programs, contributing to improving the efficiency and reliability of domestic maintenance systems. The experimental results were obtained using anonymized data from an industrial automotive engineering enterprise in the Republic of Kazakhstan, which confirms the applicability of the proposed approach in real production conditions.
The authors declare that there are no conflicts of interest present.