Е.О. Дерюгина1, Л.В. Царев2, А.А. Давидович3

1-3 Калужский филиал МГТУ им. Н.Э. Баумана (г. Калуга, Россия)

1 deryugina_eo@bmstu.ru, 2 tsarevlv@student.bmstu.ru, 3 davidovichaa@student.bmstu.ru

Постановка проблемы. В современных производственных системах надежная работа оборудования имеет решающее значение для сокращения времени простоя и минимизации затрат на ремонт. Предиктивная аналитика отказов оборудования с использованием нейронных сетей позволяет заранее выявлять потенциальные неисправности. Однако эффективность таких моделей существенно ограничена недостатком качественных обучающих данных, что приводит к снижению точности прогнозирования отказов оборудования.

Цель. На основе интеграции нейронных сетей и генеративных моделей для синтеза данных разработать методологию, которая позволит компенсировать недостаток обучающих выборок и повысить точность прогнозирования отказов оборудования.

Результаты. Описаны архитектуры генеративной и предиктивной моделей, алгоритмические решения и экспериментальная апробация предложенной методики, направленные на компенсацию дефицита обучающих данных в системах предиктивной аналитики отказов оборудования. Экспериментально показано, что разработанная методология позволяет создавать более надежные и точные модели прогнозирования отказов оборудования, т.е. различных типах неисправностей, которые могут возникать в производственных системах.

Практическая значимость. Результаты исследования можно применять на практике для снижения риска аварийных ситуаций, оптимизации технического обслуживания и повышения общей эффективности производственных процессов. Внедрение таких подходов может привести к значительному сокращению затрат на обслуживание и ремонты оборудования, а также к улучшению качества производственной продукции.

Дерюгина Е.О., Царев Л.В., Давидович А.А. Применение нейронных сетей в предиктивной аналитике отказов оборудования: проблема дефицита данных и методы их синтеза // Информационно-измерительные и управляющие системы. 2026. Т. 24. № 2. С. 80−88. DOI: https://doi.org/10.18127/j20700814-202602-10

1. Акимова А.А., Дадыкин В.С. Предиктивная аналитика как метод повышения эффективности деятельности предприятия // Материалы V Республиканской науч.-практич. конф. «Ресурсосбережение. Эффективность. Развитие».  Донецк. 30 октября 2020. Отв. редактор А.В. Ярошенко. Донецк: Донецкий национальный технический университет. 2020. С. 9−14. EDN LZRERR.
2. Мустафина С.И., Жиляков С.А. Применение нейронных сетей для диагностики и прогнозирования технического состояния оборудования // Автоматизация и информатизация ТЭК. 2023. № 7(600). С. 13−21. DOI 10.33285/2782-604X-2023-7(600)-13-21. EDN XPTCQK.
3. Брюхова А.А., Костюнина Т.Н. Проблемы предективной диагностики и аналитики // Известия Тульского государственного университета. Технические науки. 2023. № 7. С. 335−338. DOI 10.24412/2071-6168-2023-7-335-336. EDN NBMEMD.
4. Манакова Е.И., Хачетлов Б.А. Анализ генеративных моделей искусственного интеллекта: преимущества и перспективы применения // Сб. научных статей по материалам XII Междунар. науч.-практич. конф. «Актуальные вопросы науки и практики». Уфа. 20 июня 2023. Уфа: Общество с ограниченной ответственностью «Научно-издательский центр «Вестник науки». 2023. Часть 2. С. 247−262. EDN HTRGBD.
5. Baghirov E. Building robust malware detection through conditional Generative Adversarial Network-based data augmentation // Program Systems: Theory and Applications. 2024. V. 15. № 4(63). P. 97−110. DOI 10.25209/2079-3316-2024-15-4-97-110. EDN DWLNAR.
6. Мазур А.Е. Моделирование и подгонка временных рядов c тяжелыми хвостами распределений и сильной временной зависимостью посредством гауссовских рядов: специальность 01.01.05 «Теория вероятностей и математическая статистика». Дис … канд. физ.-мат. наук. 2021. 105 с. EDN QDMMFS.
7. Колесников И.Н., Финогеев А.Г. Проактивный мониторинг событий на основе предиктивного анализа временных рядов // Модели, системы, сети в экономике, технике, природе и обществе. 2020. № 1(33). С. 111−125. DOI 10.21685/2227-8486-2020-1-9. EDN XGPJLA.
8. Electronic resource. Python. https://www.python.org/ (25.02.2025).
9. Electronic resource. Keras. https://keras.io (30.02.2025).
10. Electronic resource. TensorFlow. https://www.tensorflow.org/ (30.02.2025).
11. Electronic resource. Keras Tuner. https://keras-team.github.io/keras-tuner/ ( 15.02.2025).