А.Ю. Чесалов1, С.В. Громов2
1, 2 ООО «Программные системы Атлансис» (г. Тверь, Россия)

1 achesalov@mail.ru, 2 s.gromov.dev@gmail.com

Постановка проблемы. В настоящее время особую значимость приобретают технологии, обеспечивающие переход от регламентного и реактивного обслуживания к управлению состоянием оборудования на основе данных. Одним из наиболее перспективных направлений в этой области является прогнозируемое обслуживание, где одной из ключевых задач является оценка остаточного срока службы промышленного оборудования. Его точный прогноз позволяет оптимизировать графики технического обслуживания и ремонта, минимизировать внеплановые простои, снизить затраты на эксплуатацию и предотвратить катастрофические последствия от выхода промышленного оборудования из строя. Современные подходы к прогнозированию остаточного срока службы промышленного оборудования обладают различными преимуществами и ограничениями. Тем не менее промышленное оборудование часто характеризуется сложными механизмами деградации, подверженными влиянию многочисленных внутренних и внешних факторов. В этих условиях задача создания новых архитектур и алгоритмов для развития промышленных автоматизированных систем стоит особенно остро.

Цель. Разработать базовый алгоритм и архитектуру работы автоматизированной системы прогнозируемого обслуживания, реализующей комбинированную методику оценки технического состояния и прогнозирования остаточного срока службы промышленного оборудования.

Результаты. Предложенная архитектура и алгоритм работы системы реализованы на языке программирования Python в виде отдельного программного модуля. Отмечено, что особенностью программной реализации является ее универсальность, в которой предусмотрена возможность работы с большим числом датчиков и большими объемами данных, а также возможность интеграции с другими системами и независимость от аппаратно-программной платформы.

Практическая значимость. Результаты исследования и работы могут быть использованы для улучшения работы промышленных автоматизированных систем прогнозируемого или предписывающего обслуживания, а также компьютеризированных систем управления техническим обслуживанием.

Чесалов А.Ю., Громов С.В. Разработка базовой архитектуры автоматизированной системы прогнозируемого обслуживания и оценки остаточного срока службы промышленного оборудования // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 2. С. 21–33. DOI: https://doi.org/10.18127/j19998554-202602-02

1. Чесалов А.Ю. Применение прорывных технологий искусственного интеллекта в промышленных экосистемах Индустрии 4.0 // Перспективные интеграционные процессы в мировой экономике: нооподход / Сб. материалов IX Санкт-Петербургского международного экономического конгресса (СПЭК-2024) / Под общ. ред. С.Д. Бодрунова. Т. 2. М.: ИНИР им. С.Ю. Витте. 2024. С. 176–184.
2. Палюх Б.В., Чесалов А.Ю. Современные подходы к созданию автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов в промышленности // Сб. науч. трудов XXVII Российской науч. конф. «Инжиниринг предприятий и управление знаниями» (ИП&УЗ–2024) / Под науч. ред. Ю.Ф. Тельнова. М.: ФГБОУ ВО «РЭУ им. Г.В. Плеханова». 2024. Т. 1. С. 351–357.
3. Палюх Б.В., Чесалов А.Ю. Роль современных технологий искусственного интеллекта в создании и развитии автоматизированных систем прогнозируемого и предписывающего обслуживания в промышленности // Современная наука: актуальные проблемы теории и практики. Серия «Естественные и технические науки». 2025. № 5. С. 147–155. DOI 10.37882/2223-2966. 2025.05.29
4. Ullah S. et al. Fault diagnosis of a multistage centrifugal pump using explanatory ratio linear discriminant analysis // Sensors. 2024. V. 24. № 6. P. 1830. DOI: 10.3390/s24061830.
5. Барков А.В., Жуковский Д.Л. Современные подходы в использовании диагностики для эффективной эксплуатации насосно-компрессорного оборудования // Северо-Западный учебный центр [Электронный ресурс] / URL: https://vibro-expert.ru/sovre­mennie-podxodi-v-ispolzovanii-diagnostiki-dlya-effektivnoie-ekspluatacii-nasosno-kompressornogo-oborudovaniya.-doklad.html (дата обращения: 16.01.2026).
6. Баширов М.Г., Прахов И.В., Самородов А.В. Определение технического состояния насосно-компрессорного оборудования по значениям параметров высших гармонических составляющих токов и напряжений, генерируемых двигателем электропривода // Фундаментальные исследования. 2010. № 12. С. 62–65.
7. Meng F. et al. A novel fault diagnosis strategy for diaphragm pumps based on signal demodulation and PCA-ResNet // Sensors. 2024. V. 24. № 5. P. 1578. DOI: 10.3390/s24051578.
8. Gao Y., Ahmad Z., Kim J.-M. The prediction of the remaining useful life of rotating machinery based on an adaptive maximum second-order cyclostationarity blind deconvolution and a convolutional LSTM autoencoder // Sensors. 2024. V. 24. P. 2382. DOI: 10.3390/s24082382.
9. Liu J., Hou B., Lu M., Wang D. Box–Cox transformation-based state-space modeling as a unified prognostic framework for degradation linearization and RUL prediction enhancement // Reliability Engineering & System Safety. 2024. V. 244. № 109952. DOI: 10.1016/j.ress.2024.109952.
10. Hyndman R.J., Athanasopoulos G. Forecasting: principles and practice. Ed. 3rd. Melbourne: OTexts. 2021 [Electronic resource] / URL: https://otexts.com/fpp3/ (дата обращения 14.11.2025).
11. Королева Е.В., Горелик А.Ю. Прогнозирование котировок финансовых активов с учетом экзогенных факторов: использование моделей ARIMAX и SARIMAX // Естественно-гуманитарные исследования. 2025. № 2 (58). С. 575–579.
12. Durbin J., Siem J.K. Time series analysis by state space methods. Ed. 2nd. Oxford Statistical Science Series. Oxford. 2012.
13. Ростилов Д.А., Кауркин М.Н., Ибраев Р.А. Сравнение методов усвоения данных на основе классического, ансамблевого и локального фильтра Калмана на примере уравнения адвекции и задачи Лоренца // Вычислительные методы и программирование. 2018. Т. 19. № 4. С. 507–515. DOI: 10.26089/NumMet.v19r445.
14. Feng D., Guan W., Wan W. Remaining useful life estimation based on Wiener degradation process with mixed random effects // Asia-Pacific International Symposium on Advanced Reliability and Maintenance Modeling. 2020. P. 1–6. DOI: 10.1109/APARM49247. 2020.9209431.
15. Четвертакова Е.С. Исследование деградационных гамма-моделей со случайным и фиксированным эффектами // Вестник ИрГТУ. 2018. Т. 22. № 6 (137). С. 120–128.
16. Galar D., Kumar U., Lee J. et al. Remaining useful life estimation using time trajectory tracking and support vector machines // Journal of Physics: Conference Series. 2012. P. 364. DOI: 10.1088/1742-6596/364/1/012063.
17. Микулик И.И., Благовещенская Е.А. О прогностической способности расширенной модели Кокса: сравнительный анализ // Интеллектуальные технологии на транспорте. 2025. № 2 (42). С. 58–70. DOI: 10.20295/2413-2527-2025-242-58-70.
18. Bai S., Kolter J.Z., Koltun V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling // arXiv:1803.01271. 2018 [Electronic resource] / URL: https://arxiv.org/abs/1803.01271.
19. Рапаков Г.Г., Горбунов В.А., Дианов С.В., Елизарова Л.В. Исследование LSTM-нейросетевого подхода при моделировании временных рядов // Вестник Череповецкого государственного университета. 2023. № 3 (114). С. 47–54.
20. Bai R., Noman K., Yang Y. et al. Towards trustworthy remaining useful life prediction through multi-source information fusion and a novel LSTM‑DAU model // Reliability Engineering & System Safety. 2024. V. 245. Article 110047. DOI: 10.1016/j.ress.2024.110047.
21. Горидько К.А., Тимашев Э.О., Волков М.Г. и др. Обзор опыта прогнозирования отказов УЭЦН методами машинного обучения // Журнал «Neftegaz.RU». 2025. № 1. С. 58–64.
22. Юмагузин У.Ф., Баширов М.Г. Прогнозирование остаточного ресурса оборудования предприятий нефтегазовой отрасли // Фундаментальные исследования. 2014. № 3-2. С. 277–280.
23. Liu J., Hou B., Lu M., Wang D. Box–Cox transformation-based state-space modeling as a unified prognostic framework for degradation linearization and RUL prediction enhancement // Reliability Engineering & System Safety. 2024. V. 244. Article 109952. DOI: 10.1016/j.ress.2024.109952.
24. Zhang K., Xia T., Xu Y. et al. A hybrid prognostic & health management framework across multi-level engineering systems with scalable convolution neural networks and adjustable functional regression models // Advanced Engineering Informatics. 2024. V. 61. Article 102566. DOI: 10.1016/j.aei.2024.102566.
25. Bai R., Noman K., Yang Y. et al. Towards trustworthy remaining useful life prediction through multi-source information fusion and a novel LSTM-DAU model // Reliability Engineering & System Safety. 2024. V. 245. Article 110047. DOI: 10.1016/j.ress.2024.110047.
26. Zhu Y., Zhou X., Cheng J. et al. Data and model synergy-driven rolling bearings remaining useful life prediction approach based on deep neural network and Wiener process // Journal of Manufacturing Science and Engineering. 2025. V. 147. № 4. DOI: 10.1115/ 1.4067092.
27. Рукин М.В., Молчанова В.А., Уразаков К.Р. Методика определения наработки на отказ установки электроцентробежного насоса // Известия Томского политехнического университета. Инжиниринг георесурсов. 2022. Т. 333. № 12. С. 219–229. DOI: 10.18799/24131830/2022/12/3792.
28. Feng D., Guan W., Wan W. Remaining useful life estimation based on Wiener degradation process with mixed random effects // Asia-Pacific International Symposium on Advanced Reliability and Maintenance Modeling. 2020. P. 1–6. DOI: 10.1109/APARM49247. 2020.9209431.
29. Galar D., Kumar U., Lee J. et al. Remaining useful life estimation using time trajectory tracking and support vector machines // Journal of Physics: Conference Series. 2012. P. 364. DOI: 10.1088/1742-6596/364/1/012063.
30. Микулик И.И., Благовещенская Е.А. О прогностической способности расширенной модели Кокса: сравнительный анализ // Интеллектуальные технологии на транспорте. 2025. № 2 (42). С. 58–70. DOI: 10.20295/2413-2527-2025-242-58-70.
31. Горидько К.А., Тимашев Э.О., Волков М.Г. и др. Обзор опыта прогнозирования отказов УЭЦН методами машинного обучения // Журнал «Neftegaz.RU». 2025. № 1. С. 58–64 [Электронный ресурс] / URL: https://magazine.neftegaz.ru/archive/874627/ (дата обращения: 19.01.2026).
32. Королева Е.В., Горелик А.Ю. Прогнозирование котировок финансовых активов с учетом экзогенных факторов: использование моделей ARIMAX и SARIMAX // Естественно-гуманитарные исследования. 2025. № 2 (58). С. 575–579.
33. Ростилов Д.А., Кауркин М.Н., Ибраев Р.А. Сравнение методов усвоения данных на основе классического, ансамблевого и локального фильтра Калмана на примере уравнения адвекции и задачи Лоренца // Вычислительные методы и программирование. 2018. Т. 19. № 4. С. 507–515. DOI: 10.26089/NumMet.v19r445.
34. Рапаков Г.Г., Горбунов В.А., Дианов С.В. и др. Исследование LSTM-нейросетевого подхода при моделировании временных рядов // Вестник Череповецкого государственного университета. 2023. № 3 (114). С. 47–54.
35. Чесалов А.Ю. Математическая модель снижения неопределенности на основе теории свидетельств Демпстера–Шафера на уровне сбора данных в автоматизированных системах прогнозируемого обслуживания // Динамика сложных систем. 2025. Т. 19. № 4. С. 62–74. DOI: 10.18127/j19997493-202504-07.
36. Палюх Б.В., Чесалов А.Ю. Новая архитектура автоматизированных систем прогнозируемого обслуживания на основе технологий искусственного интеллекта и алгоритмов потенциала негативности рассогласования // Сб. статей XIV Международной научно-практической конф. «Абалкинские чтения» / Под ред. С.Д. Валентея. М.: ФГБОУ ВО «РЭУ им. Г.В. Плеханова». 2025. С. 283–290.
37. Чесалов А.Ю. Тенденции развития периферийного искусственного интеллекта в автоматизации технологических процессов // Автоматизация в промышленности. 2025. № 7. С. 9–14.