РАЗРАБОТКА СИСТЕМЫ ПРЕДИКТИВНОГО ОБСЛУЖИВАНИЯ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ

В традиционных промышленных условиях методы технического обслуживания, основанные на реактивном ремонте или плановых временных интервалах, часто приводят к простоям и снижению эффективности. В связи с чем, предиктивное обслуживание использует данные для прогнозирования отказов до их фактического наступления. Целью данного исследования является разработка интеллектуальной системы предиктивного обслуживания на основе машинного обучения и внедрение в промышленность Казахстана, ориентируясь на принципы Индустрии 4.0. Система основана на сборе данных с датчиков (ток, температура, давление, вибрация) с помощью ПЛК Siemens, объединённых через протокол OPC UA в промышленную IoTинфраструктуру. Дополнительно применяется компьютерное зрение для мониторинга состояния оборудования в реальном времени. Полученные данные обрабатываются алгоритмами машинного обучения, в том числе нейронными сетями, линейной регрессией и автоэнкодерами. Для адаптации модели к изменениям она обучается непрерывно с использованием байесовского обновления. Визуализация и взаимодействие с пользователями реализованы через SCADA для инженеров и Power BI для управленцев. Кроме того, в статье рассматриваются проблемы, связанные с развертыванием решений по предиктивному обслуживанию, и предлагаются будущие направления для улучшения масштабируемости, безопасности и возможностей обработки данных в реальном времени. Полученные результаты вносят вклад в растущий объем исследований в области предиктивного обслуживания, демонстрируя его потенциал для повышения эффективности, снижения эксплуатационных расходов и поддержки перехода к интеллектуальным производственным системам, управляемым данными. Работа демонстрирует потенциал интеллектуального обслуживания как решения для стареющих производств с дефицитом инженерных кадров и шаг к цифровизации в рамках Индустрии 4.0.

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.