Скидка на подшипники из наличия!
Новое поступление товара в 2026 году!
Предиктивная аналитика и машинное обучение в обслуживании — это подход, при котором решения о ремонте, замене узлов и планировании останова принимаются на основании моделей, обученных на данных эксплуатационного мониторинга. В отличие от планово-предупредительного ремонта по наработке, предиктивная стратегия привязывает обслуживание к фактическому техническому состоянию и прогнозу его деградации.
В статье разобрана архитектура данных и набора признаков, ключевые классы моделей (обнаружение аномалий, прогноз отказа, оценка остаточного ресурса RUL), методики обучения с учителем и без учителя, последовательность пилотного внедрения и масштабирования, а также действующие международные и национальные стандарты, регламентирующие контроль состояния, диагностику и прогнозирование машин.
Предиктивное обслуживание (predictive maintenance, PdM) — стратегия, основанная на непрерывном или периодическом наблюдении за параметрами оборудования и применении моделей, которые по этим параметрам предсказывают развитие дефекта или приближение отказа. Сроки и объём работ определяются не календарём, а полученным прогнозом.
В терминологии обслуживания (EN 13306:2017) предиктивное обслуживание относится к классу обслуживания на основе состояния (condition-based maintenance) с дополнительным применением моделей прогнозирования технического состояния, описанных в ISO 13381-1:2025 (ГОСТ Р ИСО 13381-1-2016).
Предиктивная стратегия отвечает не на вопрос «когда по графику обслуживать», а на вопрос «сколько ещё проработает данный узел до достижения предельного состояния».
Чтобы корректно выбрать подход к узлу, имеет смысл рассматривать стратегии последовательно — каждая следующая снижает простой, но требует больше данных, средств контроля и компетенций.
Предиктивная стратегия не отменяет полностью предыдущие — на одном предприятии разные узлы обслуживают по разным схемам в зависимости от критичности, стоимости простоя и стоимости мониторинга.
Качество предиктивной модели определяется в первую очередь качеством исходных данных. Прежде чем обсуждать алгоритмы, надо понять, что измеряется, как часто и насколько достоверно.
Частота опроса выбирается из частотного диапазона анализируемых явлений. По теореме Котельникова–Найквиста частота дискретизации должна как минимум вдвое превышать максимальную информативную частоту сигнала; на практике для виброанализа берётся существенно больший запас, чтобы обеспечить нужное разрешение по спектру и анти-алиасинг. Технологические параметры обычно хранятся с шагом от секунд до минут; виброволны записываются короткими «снимками» (waveforms) или непрерывно при онлайн-мониторинге.
Сырые сигналы редко идут на вход модели — их преобразуют в набор признаков, описывающих состояние узла. В практике предиктивного обслуживания выделяют три уровня:
Хорошие признаки физически осмысленны. Признак, который инженер не может интерпретировать, в эксплуатации не проходит проверку временем: его поведение при смене режима или внешних условий непредсказуемо.
Для задач обучения с учителем нужны метки: дата и тип отказа, дата замены детали, диагностический вердикт. Источник — CMMS/EAM и журналы службы диагностики. Качество разметки критично: ошибочные даты и неверно классифицированные дефекты искажают модель сильнее, чем шум в сигналах.
Модели в PdM решают несколько типовых задач. Часто на одном объекте они работают совместно: аномалия обнаруживает отклонение, классификатор определяет тип дефекта, регрессионная модель оценивает остаточный ресурс.
Доступны размеченные исторические данные: каждой записи сопоставлена метка (исправно/дефект, тип дефекта, время до отказа). Применяют:
Меток отказов нет или их крайне мало (что типично для ответственных узлов — отказы там редки). Цель — найти отклонения от привычной картины эксплуатации. Алгоритмы: PCA, изоляционный лес (Isolation Forest), одноклассовый SVM, плотностные методы (LOF, DBSCAN), автоэнкодеры, гауссовы смеси.
Физическая модель узла (например, цифровой двойник или упрощённая модель нагрузок) совмещается с моделью данных. Физика задаёт скелет, ML корректирует параметры и компенсирует то, что физикой не описывается. Подход устойчив к смене режимов и менее требователен к объёму данных.
Обнаружение аномалий — отправная точка большинства PdM-программ: модель учится «нормальному» поведению узла и сигнализирует, когда наблюдения от него отклоняются. Не требует разметки отказов, что особенно важно для ответственных машин с редкими отказами.
На этом уровне модель не знает, какой именно дефект развивается — она лишь сообщает, что «что-то поменялось». Привязка к конкретному дефекту требует либо обучения с учителем, либо диагностических правил, либо анализа структуры аномальных признаков (например, по характерным частотам в спектре).
Следующий шаг после обнаружения отклонений — оценить, сколько ещё узел проработает до отказа или до достижения предельного состояния. Эту величину называют остаточным ресурсом — Remaining Useful Life, RUL.
Точечная оценка RUL без интервала доверия и без оценки уверенности — индикатор низкой зрелости модели. ISO 13381-1:2025 прямо требует, чтобы прогноз сопровождался оценкой неопределённости.
Горизонт выбирается из практических соображений: он должен превышать время, необходимое для подготовки и проведения обслуживания (заказ запчастей, согласование останова, мобилизация бригады), но не быть избыточным, иначе прогноз становится слишком неопределённым. Для разных узлов горизонт разный — от часов до месяцев.
Технические метрики качества модели и бизнес-показатели программы — разные вещи. Обе группы нужны и контролируются раздельно.
Несимметричные потери для RUL — обязательное требование: пропущенный отказ обычно стоит существенно дороже, чем ложная тревога; ранний прогноз ценнее запоздавшего. Метрика должна это отражать.
Удачные программы предиктивного обслуживания начинаются не с выбора алгоритма, а с правильно поставленной задачи. Базовая методология жизненного цикла моделей машинного обучения — CRISP-DM (Cross-Industry Standard Process for Data Mining) — даёт устойчивый каркас, который без существенных изменений используется в индустриальных PdM-проектах.
Простыми и прозрачными моделями. Тренды и пороги по ключевым признакам, классическое обнаружение аномалий, физически осмысленные правила — это даёт быстрый понятный результат и базовую линию (baseline), относительно которой имеет смысл сравнивать более сложные подходы. Глубокие нейронные сети для пилота, как правило, избыточны и трудно поддерживаются.
Успешный пилот тиражируется на однотипное оборудование с учётом его особенностей. Базовая инфраструктура — единая шина данных, хранилище временных рядов, контур работы с моделями (MLOps) — закладывается ещё на пилоте, иначе при росте парка PdM-программа упирается в ручные операции.
Серия стандартов по контролю состояния и диагностике машин даёт структурированную модель программы CBM/PdM: процессы аудита оборудования и критичности, выбор контролируемых параметров, обработку и представление данных, диагностику и прогнозирование, оценку результатов и обучение персонала.
Помимо предметных стандартов, к PdM-системам применяются документы по жизненному циклу программного обеспечения, информационной безопасности промышленных систем и протоколам обмена данных (например, OPC UA в части интеграции с АСУ ТП). Их состав определяется конкретным контуром внедрения и здесь не детализируется.
Обслуживание по состоянию (CBM) запускает ремонт по факту превышения порога диагностического параметра. Предиктивное обслуживание (PdM) идёт дальше: модель не только фиксирует отклонение, но и прогнозирует развитие дефекта во времени, оценивая остаточный ресурс. PdM можно считать развитием CBM с добавлением блока прогнозирования по серии ISO 13381.
Объём зависит от задачи. Для обнаружения аномалий достаточно периода устойчивой нормальной работы, покрывающего основные режимы. Для прогноза RUL методами обучения с учителем нужны исторические случаи отказов того же типа, что обычно требует длительного периода эксплуатации или агрегации данных по парку однотипных машин. При остром дефиците меток применяются гибридные подходы с физической моделью или методы без учителя.
Данные, у которых высокая физическая связь с типичными отказами узла: вибрацию для подшипников и роторов, температуры обмоток и подшипников для электродвигателей, токи и спектры тока для асинхронных приводов, параметры масла для редукторов, давления и расходы для насосного оборудования. Параллельно обязательно фиксировать технологический режим и события обслуживания.
RUL (Remaining Useful Life) — остаточный полезный срок работы узла до достижения предельного состояния или отказа. Это прогноз, а не точная величина: его всегда сопровождают интервалом доверия и оценкой уверенности. ISO 13381-1:2025 устанавливает требования к процедуре прогнозирования и к представлению результатов.
В табличных данных распространены изоляционный лес (Isolation Forest), одноклассовый SVM, методы плотности (LOF), PCA-реконструкция. Для сложных нелинейных зависимостей применяют автоэнкодеры. Когда у узла несколько штатных режимов, удобны гауссовы смеси. Выбор алгоритма зависит от размерности признаков, объёма данных и требований к интерпретируемости.
Нет, для задачи обнаружения аномалий — не нужны: достаточно периода нормальной работы. Для классификации типов дефектов и прогноза RUL методами обучения с учителем размеченные отказы желательны. Когда их мало, применяют обучение без учителя, синтетические данные (моделирование, физика), методы малой выборки и гибридные подходы.
С выбора одного критичного узла, на котором есть исторические данные и понятен набор типичных отказов. Дальше — инвентаризация источников, базовая модель (тренды и обнаружение аномалий), сравнение с экспертной оценкой, оценка эффекта на нескольких реальных случаях. На пилоте отрабатывается процесс обработки оповещений и интеграция с CMMS — без этого даже точная модель не приносит результата.
Через мониторинг ключевых технических метрик (точность, полнота, доли ошибок), сравнение прогнозов с фактическими событиями, отслеживание дрейфа распределения признаков и регулярную переоценку модели на свежих данных. При устойчивом ухудшении качества модель переобучают или пересматривают набор признаков.
Базовые: ISO 17359:2018 (общее руководство по контролю состояния), ISO 13381-1:2025 (прогнозирование), серия ISO 13374 (обработка и представление данных), ISO 13379-1:2025 (диагностика), EN 13306:2017 (терминология обслуживания), серия ISO 20816 (вибрация), серия ISO 55000:2024 (управление активами). В РФ действуют идентичные ГОСТ Р, гармонизированные с ISO.
Вы можете задать любой вопрос на тему нашей продукции или работы нашего сайта.