АВТОМОБИЛЬ КӘСІПОРНЫНДА БОЛЖАМДЫ ҚЫЗМЕТ КӨРСЕТУ ЖҮЙЕСІН ЕНГІЗУ: ЭКОНОМИКАЛЫҚ ТИІМДІЛІК ЖӘНЕ ӨНДІРІСТІК НӘТИЖЕЛЕР

Мақалада SaryarkaAvtoProm LLP автомобиль өнеркәсібі кәсіпорнында жабдыққа болжамды қызмет көрсету жүйесін тәжірибелік-өнеркәсіптік енгізу нәтижелері келтірілген. Жүйе көп арналы сенсорлық деректерде (діріл, температура, қысым, технологиялық сұйықтықтарды тұтыну) және сәтсіздік журналдарында оқытылған Машиналық оқыту алгоритмдерінің ансамбліне негізделген. Онлайн мониторинг жүйесінің прототипі Механикалық құрастыру цехының екі басым құрастыру желісімен (қозғалтқыш және трансмиссия тораптары) біріктірілген.

Екі айдың ішінде нақты уақыттағы жүйе сенсорлық деректер ағындарын талдап, сәтсіздік ықтималдығы шегі 0,7-ден асқан кезде ескертулер жасады. Көрсетілген кезеңде 14 дабыл хабарламасы жасалды, олардың тоғызы жабдықтың нақты алдын ала болжанған жай-күйіне сәйкес келді, ал бес жағдайда жоспарлы жөндеу шеңберінде жойылған тозудың айқын белгілері анықталды. Болжалды қызмет көрсету жүйесін енгізу жалпы қызмет көрсету шығындарын 1 000 000-нан 720 000 шартты бірлікке дейін төмендетуге (шамамен 28% үнемдеу) және жоспарланбаған тоқтап қалу ұзақтығын 340-тан 200 сағатқа дейін қысқартуға мүмкіндік берді (~41% төмендеу). Экономикалық әсер факторлары талданады: жөндеуді алдын-ала жоспарлау, Төтенше жағдайлар санының төмендеуі, қойма қорларын оңтайландыру және шұғыл сатып алу көлемінің төмендеуі.

Пилот шеңберінде сенсорлық деректерді жинау және алдын ала өңдеу, ансамбльдік тәуекелді бағалау, хабарландыру интерфейсі және белгілер үлесін көрсету іске асырылды. Цифрлық егіздер мен федеративті оқыту эксперименттік жүйеге кірген жоқ және жүйені болашақта масштабтау бағыттары ретінде ғана қарастырылады.

1. Er-Ratby, M., et al. (2025). The impact of predictive maintenance on the performance of industrial enterprises. SN Computer Science, 6(1). https://doi.org/10.1007/s42979-024-03599-2

2. Bucay-Valdiviezo, J., et al. (2023). Leveraging classical statistical methods for sustainable maintenance in automotive assembly equipment. Sustainability, 15(21), 15604. https://doi.org/10.3390/su152115604

3. Patrício, L., Varela, L., & Silveira, Z. (2025). Proposal for a sustainable model for integrating robotic process automation and machine learning in failure prediction and operational efficiency in predictive maintenance. Applied Sciences, 15(2), 854. https://doi.org/10.3390/app15020854

4. Giacotto, A., Marques, H. C., & Martinetti, A. (2025). Prescriptive maintenance: A comprehensive review of current research and future directions. Journal of Quality in Maintenance Engineering, 31(1), 129-173. https://doi.org/10.1108/JQME-07-2023-0064

5. Meddaoui, A., Hachmoud, A., & Hain, M. (2024). Advanced ML for predictive maintenance: A case study on remaining useful life prediction and reliability enhancement. The International Journal of Advanced Manufacturing Technology, 132(1-2), 323-335. https://doi.org/10.1007/s00170-024-13351-y

6. Crespo del Castillo, A., & Parlikad, A. K. (2024). Dynamic fleet management: Integrating predictive and preventive maintenance with operation workload balance to minimise cost. Reliability Engineering & System Safety, 249, 110243. https://doi.org/10.1016/j.ress.2024.110243

7. Kliestik, T., et al. (2023). Artificial intelligence-based predictive maintenance, time-sensitive networking, and big data-driven algorithmic decision-making in the economics of Industrial Internet of Things. Oeconomia Copernicana, 14(4), 1097-1138. https://doi.org/10.24136/oc.2023.033

8. Singh, S. (2024). Enhancing road-based supply-chain efficiency in the US: Integrating AI/ML-based C3I systems with IoT-enabled trucks. International Journal of Supply Chain Management, 13(4), 1-10. https://doi.org/10.59160/ijscm.v13i4.6253

9. Polverino, L., Abbate, R., Manco, P., Perfetto, D., Caputo, F., Macchiaroli, R., & Caterino, M. (2023). Machine learning for prognostics and health management of industrial mechanical systems and equipment: A systematic literature review. International Journal of Engineering Business Management, 15. https://doi.org/10.1177/18479790231186848

10. Nainggolan, N., Nima, E. M., Nainggolan, N., & Alwadi, B. M. (2024). Advancements in optimization for automotive manufacturing: Hybrid approaches and machine learning. International Journal of Industrial Engineering and Management, 15(3), 254-263. https://doi.org/10.24867/IJIEM-2024-3-361

11. Bajic, B., Suzic, N., Simeunovic, N., Morača, S., & Rikalović, A. (2020). Real-time data analytics edge computing application for Industry 4.0: The Mahalanobis-Taguchi approach. International Journal of Industrial Engineering and Management, 11(3), 146-156. https://doi.org/10.24867/IJIEM-2020-3-260

12. Gültekin, Ö., Cinar, E., Ozkan, K., & Yazici, A. (2022). Real-time fault detection and condition monitoring for industrial autonomous transfer vehicles utilizing edge artificial intelligence. Sensors, 22(9), 3208. https://doi.org/10.3390/s22093208

13. Erdoğan, F. A., Kucukmanisa, A., & Kilimci, Z. H. (2023). Detection of fault from acoustic signals in automobile engines using deep learning techniques. Kocaeli Journal of Science and Engineering, 6(2), 148-154. https://doi.org/10.34088/kojose.1225591

14. Uaisova, M., Zharlykassov, B., Aldasheva, D., Artykbayeva, A., & Radchenko, P. (2024). The use of ANN and machine learning algorithms to predict road surface deterioration. GEOMATE Journal, 27(121), 136-143. https://doi.org/10.21660/2024.121.m2422

15. Chellapandi, V. P., Yuan, L., Brinton, C. G., Zak, S. H., & Wang, Z. (2024). Federated learning for connected and automated vehicles: A survey of existing approaches and challenges. IEEE Transactions on Intelligent Vehicles, 9(1), 119-137. https://doi.org/10.1109/TIV.2023.3332675

16. Matzka, S. (2020). Explainable artificial intelligence for predictive maintenance applications. In Third International Conference on Artificial Intelligence for Industries (AI4I) (pp. 69-74). IEEE. https://doi.org/10.1109/AI4I49448.2020.00023

17. Chen, C., Fu, H., Zheng, Y., Tao, F., Liu, Y. (2023). The advance of digital twin for predictive maintenance: The role and function of machine learning. Journal of Manufacturing Systems, 71, 581-594. https://doi.org/10.1016/j.jmsy.2023.10.010

18. Skowron, M. (2024). Transfer learning-based fault detection system of permanent magnet synchronous motors. IEEE Access, 12, 135372-135389. https://doi.org/10.1109/ACCESS.2024.3463970

19. Radionov, A. A., Liubimov, I. V., Yachikov, I. M., Abdulveleev, I. R., Khramshina, E. A., & Karandaev, A. S. (2023). Method for forecasting the remaining useful life of a furnace transformer based on online monitoring data. Energies, 16(12), 4630. https://doi.org/10.3390/en16124630

20. Theissler, A., Pérez-Velázquez, J., Kettelgerdes, M., & Elger, G. (2021). Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry. Reliability Engineering & System Safety, 215, 107864. https://doi.org/10.1016/j.ress.2021.107864