сотрудник
Рязань, Рязанская область, Россия
сотрудник
Белгород, Белгородская область, Россия
сотрудник
Белгород, Белгородская область, Россия
аспирант
Белгород, Белгородская область, Россия
УДК 004.942 Исследование поведения объекта на основе его математической модели
УДК 629.113 (Автомобили. Автомобилестроение)
ББК 393 Автодорожный транспорт
Цель исследования - формирование прикладных подходов предиктивной аналитики ТОиР автомобильного парка на основе выбора моделей и алгоритмов, а также описания контура обучения и настройки моделей для достижения устойчивой точности прогнозирования. Задача, решению которой посвящена статья. Сформировать прикладные подходы предиктивной аналитики технического обслуживания и ремонта (ТОиР) автомобильного парка с фокусом на выбор моделей и алгоритмов, обучение на подготовленных данных и настройку параметров для достижения устойчивой точности прогнозирования. Методы исследования. Прогнозирование, математическое моделирование, статистический анализ, системный анализ, теория надежности, теория вероятности, теория управления. Новизна работы. Теоретические и прикладные подходы к предиктивной аналитике ТОиР автомобильного парка, основанные на связке «постановка задачи → корректная временная выборка → выбор модели → обучение и настройка → решение ТОиР». Результаты исследования. Показано, что специфика автопарка (неоднородность режимов эксплуатации, дисбаланс событий, цензурирование наблюдений, конкуренция «плановая замена vs отказ») требует корректной постановки целевых событий, временной валидации, калибровки вероятностей и перевода прогнозов в решения с учетом стоимости ошибок. Выводы: Предложена методика «данные → модель → решение», включающая интерпретируемые модели анализа времени до события и высокоточные модели на табличных признаках (градиентный бустинг), а также практические схемы внедрения и мониторинга качества в эксплуатации.
предиктивная аналитика, ТОиР, автопарк, прогноз, анализ, выживаемость, калибровка вероятностей, RUL, аномалии
1. ГОСТ 18322–2016. Система технического обслуживания и ремонта техники. Термины и определения. М.: Стандартинформ, 2017.
2. ГОСТ Р 27.002–2015. Надежность в технике. Термины и определения. М.: Стандартинформ, 2016.
3. ISO 55000:2014. Asset management – Overview, principles and terminology. Geneva: ISO, 2014.
4. ISO 17359:2018. Condition monitoring and diagnostics of machines – General guidelines. Geneva: ISO, 2018.
5. Гераон А. Прикладное машинное обучение с помощью Scikit‑Learn и TensorFlow / пер. с англ. М.: Диалектика, 2020.
6. Маккинни У. Python и анализ данных / пер. с англ. СПб.: Питер, 2019.
7. Хасти Т., Тибширани Р., Фридман Дж. Элементы статистического обучения / пер. с англ. М.: ДМК Пресс, 2017.
8. Бишоп К. Распознавание образов и машинное обучение / пер. с англ. М.: ДМК Пресс, 2016.
9. SAE International. SAE J1939 (Serial Control and Communications Heavy Duty Vehicle Network). Warrendale, PA: SAE International.
10. Cox D. R. Regression models and life-tables // Journal of the Royal Statistical Society: Series B (Methodological). 1972. Vol. 34, No. 2. P. 187–220. DOI:https://doi.org/10.1111/j.2517-6161.1972.tb00899.x.
11. Kaplan E. L., Meier P. Nonparametric estimation from incomplete observations // Journal of the American Statistical Association. 1958. Vol. 53, No. 282. P. 457–481. DOI:https://doi.org/10.1080/01621459.1958.10501452.
12. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’16). New York: ACM, 2016. P. 785–794. DOI:https://doi.org/10.1145/2939672.2939785.
13. Ke G. et al. LightGBM: A highly efficient gradient boosting decision tree // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 3146–3154.
14. Prokhorenkova L. et al. CatBoost: unbiased boosting with categorical features // Advances in Neural Information Processing Systems. 2018. Vol. 31. P. 6638–6648.
15. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780. DOI:https://doi.org/10.1162/neco.1997.9.8.1735
16. Lundberg S. M., Lee S.-I. A unified approach to interpreting model predictions // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 4765–4774.
17. Семыкина, А.С. Неисправности современных автомобилей. Применение компьютерных программ для расчета технических параметров поршня // В сборнике: Международная научно-техническая конференция молодых ученых БГТУ им. В.Г. Шухова Белгородский государственный технологический университет им. В.Г. Шухова. 2016. С. 1751-1756.
18. Семыкина, А.С. Повышение эффективности эксплуатации транспортного комплекса горно-обогатительных комбинатов / А.С. Семыкина, Н.А. Загородний, А.А. Конев // Мир транспорта и технологических машин. 2018. № 1 (60). С. 134-139.
