RANDOM FOREST, XG BOOST ЖӘНЕ LSTM АЛГОРИТМДЕРІН ПАЙДАЛАНА ОТЫРЫП, БІР АРНАЛЫ ДІРІЛГЕ НЕГІЗДЕЛГЕН ЖЫЛЖЫМАЛЫ МОЙЫНТІРЕКТЕРДІҢ ҚАЛДЫҚ ҚЫЗМЕТ ЕТУ МЕРЗІМІНІҢ ТҮСІНДІРІЛЕТІН БОЛЖАМЫ

Аңдатпа

еректерге негізделген қалдық қызмет ету мерзімін (Remaining Useful Life) интерпретацияланатын түрде болжау өнеркәсіптік жағдайларда домалау мойынтіректерінің прогностикасын практикалық қолданудың маңызды шарты болып табылады. Бұл жұмыста екі кезеңді әдістеме ұсынылады, онда бірінші кезеңде Random Forest классификаторы жұмыс істеудің аномальды режимдерін анықтайды, ал екінші кезеңде XGBoost регрессиялық моделі мен Long Short-Term Memory рекурренттік нейрондық желісі деградация аймақтарындағы қалдық ресурсты бағалау үшін қолданылады. Белгілер бірөлшемді вибрациялық сигналдың тұрақты ұзындықтағы терезелерінен алынады және уақыттық облыстағы шектеулі статистикалық сипаттамаларды, сондай-ақ басым спектрлік компоненттерге негізделген жиіліктік дескрипторларды қамтиды. Эксперименттік тексеру подшипниктердің істен шығуына дейінгі сынақтарды қамтитын NASA IMS деректер жиынтығында жүргізілді. Random Forest классификаторы тесттік іріктемеде 98,6 пайыз дәлдікке қол жеткізіп, ақау класы үшін жоғары толықтық пен нақтылық көрсетеді. XGBoost пен LSTM болжамдарын біріктіретін гибридті RUL бағалауы жеке модельдермен салыстырғанда MAE және RMSE көрсеткіштерін шамамен 15–20 пайызға төмендетеді. Нәтижелердің интерпретациялануы модельді SHAP әдісі арқылы талдау нәтижесінде қамтамасыз етіледі. Бұл тәсіл өндірістік диагностика жүйелерінде қолдануға мүмкіндік береді.