В статье представлен алгоритм адаптивного формирования обучающих и тестовых выборок для системы ANFIS, используемой для диагностики технического состояния электротехнического оборудования. Особенностью предложенного подхода является учет временных зависимостей и аномальных данных, что позволяет повысить точность и полноту распознавания неисправных состояний оборудования. Описан процесс тестирования алгоритма на синтетических данных, включающих параметры вибрации, температуры, тока и напряжения. Проведенный анализ показывает, что адаптивное разбиение данных улучшает способность системы к идентификации аномалий по сравнению с классическим методом разбиения выборок. Алгоритм успешно применим для задач диагностики оборудования в промышленности, где важно учитывать динамические изменения параметров и редкие аномальные события. Для оценки эффективности алгоритма было проведено сравнение с традиционными методами формирования выборок. Эксперимент показал, что предложенный метод позволяет улучшить качество классификации аномальных состояний оборудования. Кроме того, применение алгоритма снижает вероятность ложных срабатываний при обнаружении неисправностей. Важной особенностью разработки является возможность адаптации алгоритма к различным типам оборудования, что делает его универсальным решением для диагностики в различных промышленных отраслях. Перспективы применения алгоритма связаны с его интеграцией в системы предиктивного обслуживания и мониторинга, что позволит повысить надежность работы оборудования и снизить затраты на его ремонт и обслуживание.