Экономическая эффективность применения  AI/ML при переходе от регламентированного технического обслуживания к обслуживанию по фактическому состоянию

Соколов Олег Аркадьевич; Андреев Александр Артемович; Хрусталев Арсений Ярославович

doi:10.34755/IROK.2026.89.83.035

УДК 004.85

ЭКОНОМИЧЕСКАЯ ЭФФЕКТИВНОСТЬ ПРИМЕНЕНИЯ AI/ML ПРИ ПЕРЕХОДЕ ОТ РЕГЛАМЕНТИРОВАННОГО ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ К ОБСЛУЖИВАНИЮ ПО ФАКТИЧЕСКОМУ СОСТОЯНИЮ Экономическая эффективность применения AI/ML при переходе от регламентированного технического обслуживания к обслуживанию по фактическому состоянию

АА Аа

Опубликовано в Журнал прикладных исследований · Номер 5 · Номер статьи: 258-264 · Рубрика: ЭКОНОМИКА. ЭКОНОМИЧЕСКИЕ НАУКИ.

DOI: https://doi.org/10.34755/IROK.2026.89.83.035

Получено: 10.08.2026 Одобрено: 12.08.2026 Опубликовано: 12.08.2026

Авторы

СО

Соколов Олег Аркадьевич

АН

Андреев Александр Артемович

ХР

Хрусталев Арсений Ярославович

СО

Соколов Олег Аркадьевич

Ученая степень: кандидат технических наук

Санкт-Петербургский государственный университет гражданской авиации доцент · кафедра «Системы автоматизированного управления» · Россия

АН

Андреев Александр Артемович

Санкт-Петербургский государственный университет гражданской авиации Санкт-Петербург

ХР

Хрусталев Арсений Ярославович

Санкт-Петербургский государственный университет гражданской авиации Санкт-Петербург

АННОТАЦИЯ

Материал статьи завязан на поиске экономического обоснования для отказа от устаревших графиков техобслуживания в пользу подхода CBM на базе AI и ML. Почему это важно? Традиционные стратегии обслуживания давно критикуют за то, что колоссальные средства (около 30–40% бюджета) попросту выбрасываются на ветер из-за ремонтов «по расписанию», в то время как каждый пятый внеплановый отказ добавляет предприятию головной боли и незапланированных расходов. Чтобы минимизировать эти потери, предложено использовать связку нейросети LSTM и градиентного бустинга XGBoost. Испытания доказали состоятельность подхода: затраты на техобслуживание удалось сократить на 24%, простои оборудования - на 31%, а предсказуемость аварий довести до уровня 0,89 (Precision). В довершение ко всему даны практические ориентиры для внедрения умных систем CBM с целью реального удешевления эксплуатации.

КЛЮЧЕВЫЕ СЛОВА

искусственный интеллект, машинное обучение, обслуживание по фактическому состоянию, CBM, прогнозирование остаточного ресурса, техническое обслуживание и ремонт, промышленная эксплуатация, нейронные сети, градиентный бустинг, цифровизация производства

Текст

Текст (PDF)

Читать Скачать

1. Федотова Г. А. Современные проблемы стандартизации надежности в технике / Г. А. Федотова, И. А. Шер // Вестник Иркутского государственного технического университета. – 2018. – Т. 22, № 2(133). – С. 142-152.

2. Оксак И. В. Оптимизация процессов ТОИР, стратегические подходы и методы повышения эффективности / И. В. Оксак // Устойчивое развитие России - 2025 : Сборник статей IV Всероссийской научно-практической конференции, Петрозаводск, 28 августа 2025 года. – Петрозаводск: Международный центр научного партнерства "Новая Наука" (ИП Ивановская И.И.), 2025. – С. 80-99

3. Гришин А. А. Исследование эффективности алгоритмов классификации, использующих деревья решений, для экономического прогнозирования на основе апостериорных данных / А. А. Гришин, С. П. Строев // Вестник Технологического университета. – 2018. – Т. 21, № 9. – С. 180-186

4. Кораблев Ю. А. Прогнозирование остаточного срока полезного использования технологического оборудования методом глубокого обучения LSTM / Ю. А. Кораблев // Известия ЮФУ. Технические науки. – 2025. – № 5(247). – С. 277-288

5. Современное состояние методов машинного обучения в приложениях обработки одномерных сигналов / Б. И. Валеев, А. И. Садыкова, А. Н. Салахутдинова [и др.] // Электроника, фотоника и киберфизические системы. – 2022. – Т. 2, № 3. – С. 86-95

PDF JATS XML

Заместитель главного редактора

Шаталова Ольга Ивановна

Главный редактор

Бабаева Райганат Гаджинасруллаевна

287

загрузок

ГОСТ

Соколов О. А., Андреев А. А., Хрусталев А. Я. Экономическая эффективность применения AI/ML при переходе от регламентированного технического обслуживания к обслуживанию по фактическому состоянию // Журнал прикладных исследований. 2026. № 5. 258-264. DOI: https://doi.org/10.34755/IROK.2026.89.83.035. (дата обращения: 20.10.2026).

MLA

Соколов Олег Аркадьевич, Андреев А. А., Хрусталев А. Я.. "Экономическая эффективность применения AI/ML при переходе от регламентированного технического обслуживания к обслуживанию по фактическому состоянию." Журнал прикладных исследований.5 (2026): 258-264. DOI: https://doi.org/10.34755/IROK.2026.89.83.035.

APA

Соколов О. А., Андреев А. А., Хрусталев А. Я. (2026). Экономическая эффективность применения AI/ML при переходе от регламентированного технического обслуживания к обслуживанию по фактическому состоянию. Журнал прикладных исследований(5), 258-264. https://doi.org/10.34755/IROK.2026.89.83.035

Chicago

Соколов Олег Аркадьевич, Андреев А. А., Хрусталев А. Я.. "Экономическая эффективность применения AI/ML при переходе от регламентированного технического обслуживания к обслуживанию по фактическому состоянию." Журнал прикладных исследований, no. 5 (2026): 258-264. https://doi.org/10.34755/IROK.2026.89.83.035.

WIKI

{{cite journal | author = Соколов О. А., Андреев А. А., Хрусталев А. Я. | title = Экономическая эффективность применения AI/ML при переходе от регламентированного технического обслуживания к обслуживанию по фактическому состоянию | journal = Журнал прикладных исследований | year = 2026 | issue = 5 | pages = 258-264 | doi = 10.34755/IROK.2026.89.83.035 }}

Скопировать

Экспорт: BibTeX EndNote RefMan RusMARC

Подтверждение