Інтегрований підхід до прогнозного управління технічним станом технологічного обладнання молокопереробних підприємств на основі машинного навчання
DOI:
https://doi.org/10.34121/1028-9763-2026-2-134-145Ключові слова:
інформаційні технології, управління технічним станом, прогнозування, цифрові двійники, машинне навчання, молокопереробне підприємствоАнотація
У статті досліджено проблему підвищення експлуатаційної надійності технологічного обладнання молокопереробних підприємств у контексті переходу до інтелектуалізованих стратегій технічного обслуговування. Метою дослідження є розроблення інтегрованого підходу до прогнозного управління технічним станом обладнання на основі поєднання методів машинного навчання, аналізу багатовимірних часових рядів та концепції цифрового двійника з урахуванням динаміки деградаційних процесів. У роботі виконано системний аналіз стратегій технічного обслуговування, виявлено обмеження регламентних підходів із фіксованими інтервалами та обґрунтовано доцільність застосування гібридної моделі, що інтегрує обслуговування за технічним станом із прогнозно-орієнтованими механізмами. Експериментально на основі ретроспективних даних експлуатації обладнання встановлено статистично значущу перевагу ансамблевого методу XGBoost порівняно з альтернативними моделями за показниками F1-міри та ROC-AUC. Запропонований підхід дозволяє формувати рекомендації на наступний необхідний період щодо технічного обслуговування, що безпосередньо впливає на оперативне планування виробництва: обладнання в критичному стані виключається з виробничого циклу до проведення ремонтних робіт, що мінімізує ризики незапланованих простоїв, втрат сировини та порушень технологічних режимів. Розроблений модуль прогнозування реалізує оцінювання ймовірності відмови та залишкового ресурсу в реальному часі, що забезпечує підвищення ймовірності раннього виявлення потенційно аварійних станів. Практична значущість результатів полягає у впровадженні розробленого підходу в систему підтримки прийняття рішень, що дозволяє мінімізувати незаплановані простої, оптимізувати графіки технічного обслуговування та знизити технологічні втрати сировини. Запропонований підхід узгоджується з принципами цифрової трансформації промисловості та може бути використаний як основа для побудови інтелектуальних систем управління в рамках концепцій Industry 4.0/5.0. Табл.: 3. Бібліогр.: 20 назв.
Посилання
1. Dairy Processing Handbook. Tetra Pak / Tetra Pak International S.A. 2025. 468 p. URL: https://dairyprocessinghandbook.tetrapak.com (дата звернення: 13.01.2026).
2. Lee J., Bagheri B., Jin C. Introduction to cyber manufacturing. Manufacturing Letters. 2016. Vol. 8. P. URL: https://www.sciencedirect.com/journal/manufacturing-letters (дата звернення: 13.01.2026).
3. Yavuz O., Yürekli M., Öztaş G. Reliability Centered Maintenance Practices in Food Industry. Procedia Computer Science. 2019. Vol. 158. P. 227–234. DOI: https://doi.org/10.1016/j.procs.2019.09.043 (дата звернення: 13.01.2026).
4. Zhang W., Yang D., Wang H. Data-driven methods for predictive maintenance of industrial equipment: A survey. Expert Systems with Applications. 2020. Vol. 158. DOI: https://doi.org/10.1016/j.eswa.2020.113517 (дата звернення: 13.01.2026).
5. Lee J. Industrial AI: Applications with Sustainable Performance. Singapore: Springer Singapore, 2020. 162 p. DOI: https://doi.org/10.1007/978-981-15-2144-7 (дата звернення: 13.01.2026).
6. Zhang W., Yang D., Wang H. Data-Driven Methods for Predictive Maintenance of Industrial Equipment: A Survey. IEEE Systems Journal. 2019. Vol. 13, N 3. P. 2213–2227. DOI: https://doi.org/10.1109/JSYST.2019.2905565 (дата звернення: 15.01.2026).
7. Що таке data lake? AWS Amazon. URL: https://aws.amazon.com/big-data/datalakes-and-analytics/what-is-a-data-lake/ (дата звернення: 15.01.2026).
8. Seoh R. Solving Bayesian Network Structure Learning Problem with Integer Linear Programming. arXiv. 2020. 104 p. URL: https://arxiv.org/abs/2007.02829 (дата звернення: 15.01.2026).
9. Маслов Ю.В. Використання цифрових двійників у задачах прогнозування зносу електромеханічних систем. Вчені записки ТНУ імені В.І. Вернадського. Серія: Технічні науки. 2025. Т. 36 (75), № 6, Ч. 2. С. 214–220. DOI: https://doi.org/10.32782/2663-5941/2025.6.2/30.
10. Molnar C. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. 2nd ed. Munich: Christoph Molnar, 2022. 317 p. URL: https://christophm.github.io/interpretable-ml-book/ (дата звернення: 15.01.2026).
11. Scikit-learn: Machine Learning in Python. Common pitfalls and recommended practices. URL: https://scikit-learn.org/stable/common_pitfalls.html (дата звернення: 16.01.2026).
12. Brownlee J. How to Use ROC Curves and Precision-Recall Curves for Classification in Python. MachineLearningMastery.com. 2018. URL: https://machinelearningmastery.com/roc-curves-and-precision-recall-curves-for-classification-in-python/ (дата звернення: 16.01.2026).
13. Friedman J. H. Greedy function approximation: A gradient boosting machine. Annals of Statistics. 2001. Vol. 29, N 5. P. 1189–1232. DOI: https://doi.org/10.1214/aos/1013203451.
14. Clark B., Lee F. Qué es boosting de gradiente? IBM. 2025. URL: https://www.ibm.com/es-es/think/topics/gradient-boosting (дата звернення: 16.01.2026).
15. Breiman L. Random Forests. Machine Learning. 2001. Vol. 45, N 1. P. 5–32. DOI: https://doi.org/10.1023/A:1010933404324.
16. Конотопець М., Туровський О., Аксамітний О., Матійко А. Порівняльний аналіз моделей машинного навчання Random Forest та XGBoost у задачі класифікації інцидентів безпеки. Herald of Khmelnytskyi National University. Technical sciences. 2025. Т. 357, № 29. С. 235–245. DOI: https://doi.org/10.31891/2307-5732-2025-357-29.
17. XGBoost. GeeksforGeeks. 2026. URL: https://www.geeksforgeeks.org/machine-learning/xgboost/ (дата звернення: 17.01.2026).
18. Khallaf M., Mhawi A. Long Short-Term Memory Networks: A Comprehensive Survey. AI. 2025. Vol. 6, N 9. Р. 215. DOI: https://doi.org/10.3390/ai6090215.
19. Khyathi G., Indumathi K. P., Jumana Hasin A., Lisa Flavin Jency M., Sibyl Siluvai, Krishnaprakash G. Support Vector Machines: A Literature Review on Their Application in Analyzing Mass Data for Public Health. Cureus. 2025. Vol. 17, N1. e77169. DOI: https://doi.org/10.7759/cureus.77169.
20. Bovchaliuk S., Haidai Y. Аналіз методу опорних векторів у порівнянні з традиційними методами передбачення ринкових рухів. Системи управління, навігації та зв'язку. 2024. Вип. 3. С. 89–93. DOI: https://doi.org/10.26906/SUNZ.2024.3.089.
84
28Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
