ivdon3@bk.ru
Статья посвящена исследованию применения методов машинного обучения для прогнозирования отказов промышленного оборудования. Проведен обзор современных подходов, таких как случайный лес, SVM и XGBoost, с акцентом на их точность, устойчивость и применимость к инженерным задачам. На основе анализа реальных данных (температура, давление, вибрация, влажность) обучены и сравнены модели, из которых XGBoost показал наилучшие результаты. Выявлены ключевые параметры, влияющие на поломки, и предложена система рекомендаций, основанная на статистическом анализе и предсказательной модели. Разработанное решение позволяет своевременно выявлять риски отказов и оптимизировать техническое обслуживание.
Ключевые слова: машинное обучение, предиктивное моделирование, управление оборудованием, прогнозирование отказов, анализ данных