ВНЕДРЕНИЕ СИСТЕМЫ ПРЕДИКТИВНОГО ОБСЛУЖИВАНИЯ НА АВТОМОБИЛЬНОМ ПРЕДПРИЯТИИ: ЭКОНОМИЧЕСКИЙ ЭФФЕКТ И ПРОИЗВОДСТВЕННЫЕ РЕЗУЛЬТАТЫ

В статье представлены результаты опытно-промышленного внедрения системы предиктивного обслуживания оборудования на предприятии автомобильной промышленности SaryarkaAvtoProm LLP. В основу системы положен ансамбль алгоритмов машинного обучения, обученных на многоканальных сенсорных данных (вибрация, температура, давление, расход технологических жидкостей) и журналах отказов. Прототип системы онлайн-мониторинга был интегрирован с двумя приоритетными сборочными линиями механосборочного цеха (двигательные и трансмиссионные узлы). В течение двух месяцев система в реальном времени анализировала потоки сенсорных данных и формировала предупреждения при превышении порога вероятности отказа 0,7. За указанный период сгенерировано 14 тревожных уведомлений, девять из которых соответствовали реально предотказным состояниям оборудования, а в пяти случаях были выявлены выраженные признаки износа, устраненные в рамках плановых ремонтов. Показано, что внедрение системы предиктивного обслуживания позволило снизить суммарные затраты на обслуживание с 1 000 000 до 720 000 условных единиц (экономия порядка 28 %) и сократить длительность незапланированных простоев с 340 до 200 часов (уменьшение на -41%). Анализируются факторы экономического эффекта: заблаговременное планирование ремонтов, снижение количества аварийных ситуаций, оптимизация складских запасов и уменьшение объема экстренных закупок.

В рамках пилота были реализованы сбор и предобработка сенсорных данных, ансамблевая оценка риска, интерфейс оповещений и представление вклада признаков. Цифровые двойники и федеративное обучение в экспериментальную систему не входили и рассматриваются только как направления дальнейшего масштабирования.

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