МАШИНАЛЫҚ ОҚЫТУ НЕГІЗІНДЕ БОЛЖАМДЫҚ ҚЫЗМЕТ КӨРСЕТУ ЖҮЙЕСІН ӘЗІРЛЕУ

Дәстүрлі өнеркәсіптік қондырғыларда реактивті жөндеуге немесе жоспарланған уақыт аралығына негізделген техникалық қызмет көрсету әдістері жиі тоқтап қалуға және тиімділіктің жоғалуына әкеледі. Сондықтан болжамды техникалық қызмет көрсету сәтсіздіктерді олар пайда болғанға дейін болжау үшін деректерді пайдаланады. Бұл зерттеудің мақсаты Индустрия 4.0 қағидаттарына назар аудара отырып, машиналық оқытуға негізделген интеллектуалды болжамды қызмет көрсету жүйесін әзірлеу және оны Қазақстан өнеркәсібіне енгізу. Жүйе OPC UA хаттамасы арқылы өнеркәсіптік IoT инфрақұрылымына қосылған Siemens PLC арқылы сенсорлардан (ток, температура, қысым, діріл) деректерді жинауға негізделген. Сонымен қатар, компьютерлік көру нақты уақытта жабдықтың күйін бақылау үшін қолданылады. Алынған деректер нейрондық желілерді, сызықтық регрессияны және автокодерлерді қамтитын машиналық оқыту алгоритмдерімен өңделеді. Модельді өзгерістерге бейімдеу үшін ол Bayesian жаңартуы арқылы үздіксіз оқытылады. Пайдаланушылармен визуализация және өзара әрекеттесу инженерлер үшін SCADA және менеджерлер үшін Power BI арқылы жүзеге асырылады. Сонымен қатар, құжат болжамды техникалық қызмет көрсету шешімдерін қолданумен байланысты қиындықтарды талқылайды және ауқымдылықты, қауіпсіздікті және нақты уақыттағы деректерді өңдеу мүмкіндіктерін жақсартудың болашақ бағыттарын ұсынады. Нәтижелер болжамды қызмет көрсету саласындағы зерттеулердің өсуіне ықпал етеді, оның тиімділікті арттыру, операциялық шығындарды азайту және деректерге негізделген, интеллектуалды өндіріс жүйелеріне көшуді қолдау үшін әлеуетін көрсетеді. Жұмыс инженерлік персонал тапшылығы бар өнеркәсіптердің қартаюы үшін шешім және Индустрия 4.0 шеңберінде цифрландыруға қадам ретінде интеллектуалды техникалық қызмет көрсетудің әлеуетін көрсетеді.

1. The advance of digital twin for predictive maintenance: The role and function of machine learning / Chen et al // Journal of Manufacturing Systems. – 2023. – P. 581-594. https://doi.org/10.1016/j.jmsy.2023.10.010.

2. Сансызбаева Г.Н. Problems and prospects of Kazakhstan processing industry / Г.Н. Сансызбаева, А. Кузенбаева // Journal of Economic Research &Amp; Business Administration. – 2015. – № 91(3). – P.41-45. Retrieved from https://be.kaznu.kz/index.php/math/article/view/660.

3. Amangeldy I.S. Enhancing operational efficiency in industry 4.0: a predictive maintenance approach / I.S. Amangeldy, A.S. Bissembayev // Herald of the Kazakh-British technical university. – 2024. https://api.semanticscholar.org/CorpusID:270993635.

4. Kairo J. Machine Learning Algorithms for Predictive Maintenance in Manufacturing / J. Kairo // Journal of Technology and Systems. – 2024. – № 6(4). – P.66-79. https://doi.org/10.47941/jts.2144.

5. AI Based PDM in Manufacturing Industry 4.0: A Bibliographic Review / S. Hiranmoy et al // International journal of engineering research & technology. – 2024. – № 13(4). https://www.ijert.org/ai-based-pdm-in-manufacturing-industry-40-a-bibliographic-review.

6. MD RAISUL ISLAM and MD ZAKIR HOSSAIN ZAMIL and Eshmam Rayed and Md Mohsin Kabir and M.F. Mridha and SATOSHI NISHIMURA and Jungpil Shin. Deep Learning and Computer Vision Techniques for Enhanced Quality Control in Manufacturing Processes. Journal of IEEE Access. – 2024. – № 12. – P.121449-121479. https://doi.org/10.1109/ACCESS.2024.3453664.

7. Nunes P.J. Challenges in predictive maintenance – A review / P. Nunes, J. Santos, E. Rocha // CIRP Journal of Manufacturing Science and Technology. – 2023. – P. 53-67. https://doi.org/10.1016/j.cirpj.2022.11.004.

8. Continual learning for predictive maintenance: Overview and challenges / Hurtado et al // Intelligent Systems with Applications. – 2023. https://doi.org/10.1016/j.iswa.2023.200251.

9. Pagano D. A predictive maintenance model using long short-term memory neural networks and bayesian inference / D. Pagano // Decision Analytics Journal. – 2023. – № 6. – Р. 100174. https://doi.org/10.1016/j.dajour.2023.100174.

10. Development of in-pipe defects detection and classification system / Р. Rakhmetova et al // Eastern-European Journal of Enterprise Technologies. – 2025. – № 1(9 (133). – Р. 80-89. https://doi.org/10.15587/1729-4061.2025.323293.

11. Sioma A. Vision System in Product Quality Control Systems / A. Sioma // Applied Sciences. – 2023. – № 13(2). – Р. 751. https://doi.org/10.3390/app13020751.

12. Hussain M. Sustainable Machine Vision for Industry 4.0 / М. Hussain // A Comprehensive Review of Convolutional Neural Networks and Hardware Accelerators in Computer Vision. – 2025. – № 3. – Р. 1324-1356. https://doi.org/10.3390/ai5030064.