МЕТОД ПРОГНОЗУВАННЯ ТЕХНІЧНОГО СТАНУ ТРАНСПОРТНИХ ЗАСОБІВ ІЗ ВИКОРИСТАННЯМ ТЕХНОЛОГІЙ ВЕЛИКИХ ДАНИХ

Illia Skliarov; Mykhailo Herevych

doi:10.26906/SUNZ.2026.2.020

Автор(и)

Illia Skliarov
Mykhailo Herevych

DOI:

https://doi.org/10.26906/SUNZ.2026.2.020

Ключові слова:

Big Data, прогнозування технічного стану, автомобільна галузь, машинне навчання, аналіз даних, технічне обслуговування, транспортні засоби, класифікація, бінарний класифікатор, Google Colab, Python

Анотація

Актуальність. Актуальність роботи зумовлена необхідністю підвищення ефективності сервісних технологій в автомобільній галузі в умовах зростання обсягів телематичних, діагностичних та експлуатаційних даних, що супроводжують функціонування сучасних транспортних засобів. Для сучасних автомобілів характерні складна структура технічних систем, наявність великої кількості взаємопов’язаних компонентів, різнорідність режимів експлуатації та підвищений ризик виникнення відмов, що ускладнює своєчасне оцінювання їх технічного стану. Існуючі підходи до прогнозування технічного стану автомобілів здебільшого не забезпечують комплексного врахування потокових сенсорних даних, історії технічного обслуговування та експлуатаційних параметрів, що ускладнює обґрунтоване прийняття сервісних рішень. Тому актуальною є розробка методу прогнозування технічного стану автомобілів на основі Big Data для підтримки процесу своєчасного виявлення ризикових станів і оптимізації технічного обслуговування. Метою даної роботи є розробка методу прогнозування технічного стану автомобілів на основі технологій Big Data шляхом інтеграції потокових сенсорних даних, історії технічного обслуговування та експлуатаційних параметрів для своєчасного виявлення ймовірних відмов, підвищення точності оцінювання технічного стану транспортних засобів і оптимізації сервісних рішень. Об’єктом дослідження процес прогнозування технічного стану автомобілів у системах сервісного обслуговування на основі аналізу великих обсягів різнорідних даних. Предметом дослідження методи, моделі та засоби прогнозування технічного стану автомобілів на основі Big Data шляхом інтеграції сенсорних, експлуатаційних і сервісних даних. Результати. У роботі розглянуто задачу прогнозування технічного стану автомобілів на основі Big Data з метою підвищення ефективності сервісних технологій в автомобільній галузі. Запропоновано метод, що передбачає інтеграцію експлуатаційних, сенсорних і сервісних даних у межах єдиного аналітичного контуру для оцінювання ризику виникнення відмов. Реалізацію методу виконано мовою Python у середовищі Google Colab із використанням відкритого набору даних SCANIA Component X. У процесі дослідження виконано підготовку даних, усунення витоку цільової змінної, побудову прогнозної моделі, налаштування порога класифікації та формування сервісних рішень. Отримані результати підтвердили високу якість прогнозування та придатність запропонованого підходу до використання в задачах підтримки технічного обслуговування транспортних засобів.

Завантажити

Дані для завантаження поки недоступні.

Посилання

1. Andreas Theissler, Judith Pérez-Velázquez, Marcel Kettelgerdes, Gordon Elger. Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry. Reliability Engineering & System Safety. Volume 215. 2021. 23 p. https://doi.org/10.1016/j.ress.2021.107864.

2. Danilo Giordano, Flavio Giobergia, Eliana Pastor, Antonio La Macchia, Tania Cerquitelli, Elena Baralis, Marco Mellia, Davide Tricarico. Data-driven strategies for predictive maintenance: Lesson learned from an automotive use case. Computers in Industry.Volume 134.2022. https://doi.org/10.1016/j.compind.2021.103554.

3. M. Jain, D. Vasdev, K. Pal, V. Sharma. Systematic literature review on predictive maintenance of vehicles and diagnosis of vehicle's health using machine learning techniques. Computational Intelligence, 38. 2022. p. 1990–2008. https://doi.org/10.1111/coin.12553.

4. Siavash Saki, Mohsen Soori. Artificial intelligence, machine learning and deep learning in advanced transportation systems, a review. Multimodal Transportation. Volume 5, Issue 1. 2026. 25 p. https://doi.org/10.1016/j.multra.2025.100242.

5. Md Naeem Hossain, Md Mustafizur Rahman, Devarajan Ramasamy. Artificial Intelligence-Driven Vehicle Fault Diagnosis to Revolutionize Automotive Maintenance: A Review. CMES - Computer Modeling in Engineering and Sciences.Volume 141, Issue 2.2024.P. 951-996. https://doi.org/10.32604/cmes.2024.056022.

6. Sielaff Lennard, Lucke Dominik, Wolf Yannic. A Reference Model for Predictive Maintenance Model Development. Procedia CIRP. Volume 130. 2024. P. 1537-1542. https://doi.org/10.1016/j.procir.2024.10.279.

7. Md Naeem Hossain, Md Mustafizur Rahman, Devarajan Ramasamy. Advances in intelligent vehicular health monitoring and fault diagnosis: Techniques, technologies, and future directions. Measurement. Volume 253, Part B. 2025. https://doi.org/10.1016/j.measurement.2025.117618.

8. Дяченко В.О. Інтелектуальні підходи енергозбереження у безпровідних сенсорних комп’ютерних мережах. Системи управління, навігації та зв’язку, т. 4 (62), 2020. P. 114-118. https://doi.org/10.26906/SUNZ.2020.4.114.

9. Harmash V., Diachenko V., Mikhal O., Znaidiuk V. Energy-Saving Method In Wireless Sensor Networks // Control, Navigation and Communication Systems, v.2 (80), 2025. P.54–58. https://doi.org/10.26906/SUNZ.2025.2.054.

10. Li Y, Wang T, Noman K, Li B. Advanced Fault Diagnosis and Health Monitoring Techniques for Complex Engineering Systems: 2nd Edition. Sensors. 2025; 25(22):7054. https://doi.org/10.3390/s25227054.

11. SCANIA Component X Dataset: A Real-World Multivariate Time Series Dataset for Predictive Maintenance. https://doi.org/10.58141/1w9m-yz81.