moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2019.27.4.011 673 ГЛУБОКИЕ НЕЙРОННЫЕ СЕТИ ДЛЯ ПРЕДСКАЗАТЕЛЬНОГО ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ DEEP NEURAL NETWORKS FOR PREDICTIVE MAINTENANCE Сай Ван Квонг Sai Van Сuong svcuonghvktqs@gmail.com aff-1 Волгоградский государственный технический университет Volgograd State Technical University 01 01 2026 1 1 10.26102/2310-6018/2019.27.4.011 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Глубокие нейронные сети в настоящее время становятся одним из самых популярных подходов при решении различных практических задач из самых разнообразных областей, таких как распознавание изображений и речи, обработка естественного языка, компьютерное зрение, медицинская информатика и др. В статье рассматривается возможность применения глубоких нейронных сетей при реализации проактивной стратегии технического обслуживания и ремонта (ТОиР) – предсказательного технического обслуживания (Predictive maintenance, PdM). Рассмотрены различные методы построения предсказательных моделей для PdM. В настоящее время для построения предсказательных моделей для PdM наиболее перспективным представляются подходы, основанные на обработке данных с использованием глубоких нейронных сетей. Одна из причин успешного применения глубоких нейронных сетей заключается в том, что сеть автоматически выделяет из данных важные признаки, необходимые для решения задачи. Рассмотрены наиболее часто используемые нейронные сети для PdM: cеть долго-краткосрочной памяти (Long Short-Term Memory, LSTM), cвёрточная нейронная сеть (convolutional neural network, CNN) и автоэнкодер (autoencoder). Дан обзор мощных фрейворков для проектирования и обучения нейронных сетей, которые сделали возможным широкое практическое применение данной технологии.

At present, deep neural networks are becoming one of the most popular approaches in solving various practical problems from a wide variety of fields, such as image and speech recognition, natural language processing, computer vision, medical informatics, etc. The article considers the possibility of using deep neural networks in the implementation of proactive maintenance strategy – predictive maintenance (PdM). Various methods of constructing predictive models for PdM are considered. Currently, the data-driven approaches using deep neural networks for constructing predictive models for PdM are most promising methods. One of the reasons for the successful application of deep neural networks is that the networks automatically selects important features from the data needed to solve the problem. The most commonly used neural networks for PdM are considered: Long short-term memory (LSTM), convolutional neural networks (CNN) and autoencoders. An overview of powerful frameworks for the design and training of neural networks is given.

 предсказательное техническое обслуживание методы на основе данных глубокие нейронные сети lstm cnn автоэнкодер predictive maintenance data-driven methods deep neural networks lstm cnn autoencoders 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. Ажмухамедов И.М., Гостюнин Ю.А. Выбор стратегия технического обслуживания и ремонта оборудования сетей связи на предприятиях нефтегазового комплекса. Электронный научный журнал: Инженерный вестник Дона. 2017;(2):74-84. Liu J., Wan W., Golnaraghi F. A multi-step predictor with a variable input pattern for system state forecasting // Mech. Syst. Signal Process. 2009:1586-1599. Huang Z., Xu Z., Wang W., Sun Y. Remaining useful life prediction for a nonlinear heterogeneous Wiener process model with an adaptive drift. IEEE Trans. Rel. 2015;(2):687- 700. Dui H., Si S., Zuo M., Sun S. Semi-Markov process-based integrated importance measure for multi-state systems. IEEE Transactions on Reliability. 2015;64(2):54-765. Cartella F., Lemeire J., Dimiccoli L., Sahli H. Hidden semi-Markov models for predictive maintenance. Mathematical Problems in Engineering. 2015. Liu J., Saxena A., Goebel K., Saha B., Wang W. An adaptive recurrent neural network for remaining useful life prediction of lithiumion batteries. Annual Conference of the Prognostics and Health Management Society. 2010:1-9. Lei Y., Li N., Gontarz S., Lin J., Radkowski S., Dybala S. A Model-Based Method for Remaining Useful Life Prediction of Machinery . IEEE Transactions on Reliability. 2017. Khoury E., Deloux E., Grall A., Berenguer C. On the Use of Time-Limited Information for Maintenance Decision Support: A Predictive Approach under Maintenance Constraints // Mathematical Problems in Engineering, 2013:1-11. De Benedetti M., Leonardi F., Messina F., Santoro C., Vasilakos A. Anomaly detection and predictive maintenance for photovoltaic systems. Neurocomputing. 2018:59-68. Zhao R., Wang J., Yan R., Mao K. Machine health monitoring with LSTM networks. 10th International Conference on the Sensing Technology. 2016. 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. Sun W., Shao S., Zhao R., Yan R., Zhang X., Chen X. A sparse auto- encoder-based deep neural network approach for induction motor faults classification. Measurement. 2016;(89):171-178. Lu C., Wang Z., Qin W., Ma, J. Fault diagnosis of rotary machinery components using a stacked denoising autoencoder-based health state. 2017. Guo L., Gao H., Huang H., He X., Li S. Multi-features fusion and nonlinear dimension reduction for intelligent bearing condition monitoring. Shock and Vibration. 2016. TensorFlow. Режим доступа: https://www.tensorflow.org/, (дата обращения 22.09.2019 на англ). Theano. Режим доступа: http://deeplearning.net/software/theano/, (дата обращения 25.09.2019 на англ.). CNTK. Режим доступа: https://cntk.ai, свободный. (дата обращения 25.09.2019 на англ). Keras. Режим доступа: https://keras.io, (дата обращения 26.09.2019 на англ.). PyTorch. Режим доступа: https://pytorch.org, (дата обращения 27.10.2019 на англ.).

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