Нейронні мережі для прогнозування відмов обладнання на основі неструктурованих виробничих даних

Микола Демчина
Отримано 05.04.2025, Доопрацьовано 01.10.2025, Прийнято 24.12.2025
Анотація

Індустріальні підприємства накопичують великі обсяги неструктурованих даних з датчиків, журналів подій і технічних звітів, проте їхня цінність для прогнозування відмов часто лишається невикористаною. Метою дослідження було показати, як сучасні нейронні мережі перетворюють такі гетерогенні потоки на ранні попередження про відмови та як інтеграція моделей у систему технічного обслуговування знижує простої й підвищує надійність обладнання. Методологія поєднала уніфікований конвеєр підготовки даних (очищення, узгодження часових міток, виділення подій і семантичних ознак з текстів звітів) із порівняльною оцінкою трьох класів архітектур: згорткових мереж для вібрацій і зображень, рекурентних мереж із довгими залежностями для часових рядів та моделей на основі механізму уваги для багатомодального навчання. Основні результати були сконцентровані на якості прогнозу й ефекті для експлуатації: моделі на основі механізму уваги стабільно випереджали інші підходи за середньозваженою точністю на 5-9 відсоткових пунктів, забезпечуючи горизонт попередження 24-72 години; згорткові мережі давали найкращу чутливість на високочастотних вібраціях, тоді як рекурентні моделі краще відстежували повільні деградаційні тренди. Інтеграція найкращої моделі в інформаційну систему технічного обслуговування – з формуванням заявок і пріоритизацією робіт – зменшила тривалість простоїв на 14-21 %, підвищила середній напрацювання на відмову на 10-15 % і скоротила частку хибних тривог до рівня, прийнятного для диспетчерів. Узагальнено наявні виробничі кейси та окреслено теоретичні сценарії застосування для галузей, де емпіричні дані поки обмежені. Практична значимість полягає у відтворюваному підході до обробки й інтерпретації неструктурованих даних та у доведеному внеску в зменшення простоїв і підвищення надійності парку обладнання

Ключові слова:
датчики струму; журнали подій; технічні звіти; міжканальна увага; конвеєр підготовки даних; узгодження часових міток; семантичний розбір текстів

Взято з Том 23, № 2, 2025

Сторінки 104–114

Використані джерела ЦИТУВАТИ
  1. Abbasi, T., Lim, K.H., & Yam, K.S. (2019). Predictive maintenance of oil and gas equipment using recurrent neural network. IOP Conference Series: Materials Science and Engineering, 495, article number 012067. doi: 10.1088/1757-899X/495/1/012067.
  2. Abidi, M.H., Mohammed, M.K., & Alkhalefah, H. (2022). Predictive maintenance planning for Industry 4.0 using machine learning for sustainable manufacturing. Sustainability, 14(6), article number 3387. doi: 10.3390/ su14063387.
  3. Bampoula, X., Siaterlis, G., Nikolakis, N., & Alexopoulos, K. (2021). A deep learning model for predictive maintenance in cyber-physical production systems using LSTM autoencoders. Sensors, 21(3), article number 972. doi: 10.3390/s21030972.
  4. Carvalho, T.P., Soares, F.A., Vita, R., de Francisco, R.P., Basto, J., & Alacala, S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, article number 106024. doi: 10.1016/j.cie.2019.106024.
  5. Chen, X. (2024). A novel transformer-based DL model enhanced by position-sensitive attention and gated hierarchical LSTM for aero-engine RUL prediction. Scientific Reports, 14(1), article number 10061. doi: 10.1038/ s41598-024-59095-3.
  6. Contreras-Valdes, A., Amezquita-Sanchez, J., Granados-Lieberman, D., & Valtierra-Rodriguez, M. (2020). Predictive data mining techniques for fault diagnosis of electric equipment: A review. Applied Sciences, 10(3), article number 950. doi: 10.3390/app10030950.
  7. Cui, J., Kuang, W., Geng, K., & Jiao, P. (2025). Intelligent fault diagnosis and operation condition monitoring of transformer based on multi-source data fusion and mining. Scientific Reports, 15(1), article number 7606. doi: 10.1038/s41598-025-91862-8.
  8. Dairi, A., Fouzi, H., Khaldi, B., & Ying, S. (2024). Graph neural networks-based spatiotemporal prediction of photovoltaic power: A comparative study. Neural Computing and Applications, 37(6), 4769-4795. doi: 10.1007/ s00521-024-10751-9.
  9. Deng, S., & Zhou, J. (2024). Prediction of remaining useful life of aero-engines based on CNN-LSTM-attention. International Journal of Computational Intelligence Systems, 17, article number 232. doi: 10.1007/s44196-02400639-w.
  10. Fan, Y., Tang, Q., Guo, Y., & Wie, Y. (2024). BiLSTM-MLAM: A multi-scale time series prediction model for sensor data based on Bi-LSTM and local attention mechanisms. Sensors, 24(12), article number 3962. doi: 10.3390/ s24123962.
  11. Fordal, J.M., Schjølberg, P., Helgetun, H., Skjermo, T., Wang, Y., & Wang, C. (2023). Application of sensor data based predictive maintenance and artificial neural networks to enable Industry 4.0. Advances in Manufacturing, 11(4), 248-263. doi: 10.1007/s40436-022-00433-x.
  12. Hadadi, F., Dawes, J.H., Shin, D., Bianculli, D., & Briand, L. (2024). Systematic evaluation of deep learning models for log-based failure prediction. Empirical Software Engineering, 29(5), article number 105. doi: 10.1007/ s10664-024-10501-4.
  13. Kang, H., & Kang, P. (2024). Transformer-based multivariate time series anomaly detection using intervariable attention mechanism. Knowledge-Based Systems, 290(2), article number 111507. doi: 10.1016/j. knosys.2024.111507.
  14. Karimi, A., Wu, Y., Koyuturk, M., & French, R.H. (2021). Spatiotemporal graph neural network for performance prediction of photovoltaic power systems. Proceedings of the AAAI Conference on Artificial Intelligence, 35(17), 15323-15330. doi: 10.1609/aaai.v35i17.17799.
  15. Kumar, A. (2024). Machine learning algorithms for predictive maintenance in industrial environments: A comparative study. Journal of Artificial Intelligence General Science, 2(1), 149-150. doi: 10.60087/jaigs.v2i1.p150.
  16. Leukel, J., Gonzalez, J., & Riekert, M. (2021). Adoption of machine learning technology for failure prediction in industrial maintenance: A systematic review. Journal of Manufacturing Systems, 61, 87-96. doi: 10.1016/j. jmsy.2021.08.012.
  17. Li, T., Zhou, Z., Li, S., Sun, C., Yan, R., & Chen, X. (2022). The emerging graph neural networks for intelligent fault diagnostics and prognostics: A guideline and a benchmark study. Mechanical Systems and Signal Processing, 168, article number 108653. doi: 10.1016/j.ymssp.2021.108653.
  18. Lu, D., Zhou, X., & Li, S. (2024). Spatio-temporal attention-based hybrid deep network for time series prediction of industrial process. Applied Intelligence, 55, article number 169. doi: 10.1007/s10489-024-06033-5.
  19. Muthukumar, G., & Philip, J. (2024). CNN-LSTM hybrid deep learning model for remaining useful life estimation. International Journal for Innovative Research in Multidisciplinary Field, 10(54), 38-53. doi: 10.2015/IJIRMF/ ICSETI-2024/P04.
  20. Nor, K., Pedapati, S.R., Muhammad, M., & Leiva, V. (2022). Abnormality detection and failure prediction using explainable Bayesian deep learning: Methodology and case study with industrial data. Mathematics, 10(4), article number 554. doi: 10.3390/math10040554.
  21. Nota, G., Postiglione, A., & Carvello, R. (2022). Text mining techniques for the management of predictive maintenance. Procedia Computer Science, 200, 778-792. doi: 10.1016/j.procs.2022.01.276.
  22. Rodríguez, M.L., Kubler, S., de Giorgio, A., Cordy, M., Robert, J., & Le Traon, Y. (2022). Multi-agent deep reinforcement learning based Predictive Maintenance on parallel machines. Robotics and Computer-Integrated Manufacturing, 78(1), article number 102406. doi: 10.1016/j.rcim.2022.102406.
  23. Serradilla, O., Zugasti, E., & Zurutuza, U. (2020). Deep learning models for predictive maintenance: A survey, comparison, challenges and prospect. ArXiv. doi: 10.48550/arXiv.2010.03207.
  24. Siraskar, R., Kumar, S., Patil, S., Bongale, A., & Kotecha, K. (2023). Reinforcement learning for predictive maintenance: A systematic technical review. Artificial Intelligence Review, 56(11), 12885-12947. doi: 10.1007/ s10462-023-10468-6.
  25. Supramaniam, A., Ahmad, S.S.S., & Yusoh, Z.I.M. (2024). Predictive maintenance using deep reinforcement learning. In Proceedings of the international conference on artificial intelligence in engineering and technology (pp. 671-676). Kota Kinabalu: IEEE. doi: 10.1109/IICAIET62352.2024.10730350.
  26. Tsallis, C., Papageorgas, P., Piromalis, D., & Munteanu, R.A. (2025). Application-wise review of machine learning-based predictive maintenance: Trends, challenges, and future directions. Applied Sciences, 15(9), article number 4898. doi: 10.3390/app15094898.
  27. Wang, L., You, P., Zhang, X., Jiang, L., & Li, Y. (2025). Adaptive adjustment graph representation learning method for rotating machinery fault diagnosis under noisy signals. Frontiers of Mechanical Engineering, 20(1), article number 2. doi: 10.1007/s11465-024-0818-y.
  28. Wang, Y., Qian, C., & Qin, J. (2023a). Attention-mechanism based DiPLS-LSTM and its application in industrial process time series big data prediction. Computers & Chemical Engineering, 176, article number 108296. doi: 10.1016/j.compchemeng.2023.108296.
  29. Wang, Y., Wu, M., Jin, R., Li, X., Xie, L., & Chen, Z. (2023b). Local-global correlation fusion-based graph neural network for remaining useful life prediction. IEEE Transactions on Neural Networks and Learning Systems, 36(1), 753-766. doi: 10.1109/TNNLS.2023.3330487.
  30. Yadav, D.K., Kaushik, A., & Yadav, N. (2024). Predicting machine failure using machine learning and deep learning algorithms. Sustainable Manufacturing and Service Economics, 3, article number 100029. doi: 10.1016/j. smse.2024.100029.
  31. Zhang, W., Yang, D., & Wang, H. (2019). Data-driven methods for predictive maintenance of industrial equipment: A survey. IEEE Systems Journal, 13(3), 2213-2227. doi: 10.1109/JSYST.2019.2905565.
  32. Zheng, L., Xue, W., Chen, F., Guo, P., Chen, J., & Chen, B. (2019). A fault prediction of equipment based on CNNLSTM network. In Proceedings of the international conference on energy internet (pp. 537-541). Nanjing: IEEE. doi: 10.1109/ICEI.2019.00101.
Demchyna, M. (2025). Neural networks for equipment failure prediction based on unstructured production data. Journal of Kryvyi Rih National University, 23(2), 104-114. https://doi.org/10.31721/2306-5451-2025-2-23-104-114
uk