moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2020.29.2.037 791 Классификационный подход на основе комбинации глубоких нейронных сетей для прогнозирования отказов сложных многообъектных систем А classification approach based on a combination of deep neural networks for predicting failures of complex multi-object systems Сай Ван Квонг Sai Wang Cuong svcuonghvktqs@gmail.com aff-1 Щербаков Максим Владимирович Shcherbakov Maxim Vladimirovich maxim.shcherbakov@gmail.com aff-2 Волгоградский государственный технический университет Volgograd State Technical University Волгоградский государственный технический университет Volgograd State Technical University 01 01 2026 1 1 10.26102/2310-6018/2020.29.2.037 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Научно-технический прогресс способствовал бурному росту сложности систем и выполняемых ими функций, что особенно характерно для различных отраслей современной примышленности. Здесь цена отказа или сбоя оборудования может быть очень высокой а иногда и привести к неоценимым потерям, связанным с гибелью людей. Обслуживание подобных систем требует высоких материальных затрат, и всё же не исключает возможного возникновения сбоев. Это свидетельствует о том, что задача обеспечения надежности сложных многообъектных систем еще далека от своего решения. В связи с этим в настоящее время на первое место выходит задача обеспечения надежного функционирования систем при минимизации затрат на их содержание и техническое обслуживание. Решение которой невозможно без разработки и внедрения интеллектуальных систем, выполняющих функции предсказательной аналитики и предсказательного технического обслуживания. В данной статье предлагается гибридная нейросетевая модель прогнозирования отказов сложных многообъектных систем на основе классификационного подхода, направленная на повышение эксплуатационной надежности оборудования при минимальных затратах. Представлены результаты вычислительных экспериментов, подтверждающие высокую эффективность предложенного решения.

Scientific and technical progress has contributed to a rapid increase in the complexity of systems and their functions, which is especially characteristic of various fields of modern industry. Here, the cost of failure of equipment can be very high and sometimes lead to invaluable losses associated with the loss of life. Maintenance of such systems requires high material costs, but still does not exclude the possibility of failures. This indicates that the problem of ensuring the reliability of complex multiobject systems is still far from being solved. In this regard, the task of ensuring reliable operation of systems while minimizing the cost of their maintenance and maintenance is now in the first place. The solution of this problem is impossible without the development and implementation of intelligent systems that perform the functions of predictive analytics and predictive maintenance. This article proposes a hybrid neural network model for predicting failures of complex multi-object systems based on the classification approach, aimed at improving the operational reliability of equipment at minimal cost. The results of computational experiments confirming the high efficiency of the proposed solution are presented.

 прогнозирование отказов методы на основе данных данных глубокие нейронные сети lstm cnn forecasting failures data-driven methods deep neural networks lstm cnn Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Сай Ван Квонг, Щербаков М. В. Метод прогнозирования остаточного ресурса на основе обработки данных многообъектных сложных систем. Прикаспийский журнал: управление и высокие технологии. 2019;(1):33-44. Сай Ван Квонг, Щербаков М. В. Прогнозирование отказов сложных многообъектных систем на основе комбинации нейросетей: пути повышения точности прогнозирования. Прикаспийский журнал: управление и высокие технологии. 2020;(1):49-60. Сай Ван Квонг. Глубокие нейронные сети для предсказательного технического обслуживания. Моделирование, оптимизация и информационные технологии : научный сетевой журнал. 2019;4(27):11. Yan, M., Wang, X., Wang, B., Chang, M., Muhammad, I. Bearing remaining useful life prediction using support vector machine and hybrid degradation tracking model. ISA transactions. 2019. Chen, Z., Cao, S., Mao, Z. Remaining useful life estimation of aircraft engines using a modified similarity and supporting vector machine (SVM) approach. Energies. 2018;11(1):28. Patil, S., Patil, A., Handikherkar, V., Desai, S., Phalle, V. M., Kazi, F. S. Remaining Useful Life (RUL) Prediction of Rolling Element Bearing Using Random Forest and Gradient Boosting Technique. In ASME 2018 International Mechanical Engineering Congress and Exposition. American Society of Mechanical Engineers Digital Collection. 2018. Li, X., Ding, Q., Sun, J. Q. Remaining useful life estimation in prognostics using deep convolution neural networks. Reliability Engineering & System Safety. 2018;172:1-11. Zheng, S., Ristovski, K., Farahat, A., Gupta, C.: Long Short-Term Memory Network for Remaining Useful Life estimation. In Proceedings of the 2017 IEEE In-ternational Conference on Prognostics and Health Management (ICPHM). Dallas,TX, USA, 19–21 June, 88-95 (2017). Python. Режим доступа: https://www.python.org/ свободный. – Заглавие с экрана. – Яз. англ. (дата обращения 25.02.2020). Keras. Режим доступа: https://keras.io, свободный. – Заглавие с экрана. – Яз. англ. (дата обращения 30.02.2020). TensorFlow. Режим доступа: https://www.tensorflow.org/, свободный. – Заглавие с экрана. – Яз. англ. (дата обращения 30.02.2020). Keras Tuner. Режим доступа: https://keras-team.github.io/keras-tuner/. – Заглавие с экрана. – Яз. англ. (дата обращения 15.02.2020).

The authors declare that there are no conflicts of interest present.