Машинное обучение для предиктивного обслуживания в условиях дисбаланса классов: эмпирическое исследование обнаружения отказов тяжелых транспортных средств
Автор: Сан Ф.Г.М.
Журнал: Международный журнал гуманитарных и естественных наук @intjournal
Рубрика: Технические науки
Статья в выпуске: 3-2 (114), 2026 года.
Бесплатный доступ
В условиях цифровизации промышленности предиктивное обслуживание становится одним из наиболее значимых направлений применения методов машинного обучения в управлении техническими системами. Особенно актуальной данная задача является для тяжёлых транспортных средств, где неожиданные отказы приводят к существенным экономическим потерям, простоям и дополнительным затратам на ремонт. Вместе с тем, реальные диагностические наборы данных об отказах, как правило, характеризуются выраженным дисбалансом классов, поскольку доля отказов крайне мала по сравнению с количеством нормальных наблюдений. В статье проводится эмпирическое сравнение различных подходов к классификации отказов в условиях сильного дисбаланса классов. Базовая модель, сочетающая метод главных компонент и метод опорных векторов, сопоставляется с подходом, включающим синтетическое увеличение миноритарного класса методом SMOTE и ансамблевый алгоритм Random Forest. Результаты показывают, что традиционные метрики, прежде всего accuracy, могут вводить в заблуждение при оценке качества моделей на несбалансированных данных. Несмотря на высокую отзывчивость базовой модели, её экономическая эффективность оказывается низкой из-за большого числа ложноположительных классификаций. Использование методов ребалансировки и ансамблевого обучения позволяет существенно улучшить как прогностические, так и экономические показатели модели.
Предиктивное обслуживание, машинное обучение, дисбаланс классов, обнаружение отказов
Короткий адрес: https://sciup.org/170213072
IDR: 170213072 | DOI: 10.24412/2500-1000-2026-3-2-104-108
Machine learning for predictive maintenance under class imbalance: an empirical study of failure detection in heavy transport vehicles
In the context of industrial digitalization, predictive maintenance has become one of the most economically relevant applications of machine learning in technical system management. This issue is especially important for heavy transport vehicles, where unexpected failures lead to substantial financial losses, downtime, and additional repair costs. At the same time, real-world diagnostic failure datasets are typically characterized by severe class imbalance, since failure events represent only a very small share of all observations. This article provides an empirical comparison of different classification strategies for failure detection under strong class imbalance. A baseline model combining Principal Component Analysis and Support Vector Machines is compared with an approach that incorporates Synthetic Minority Over-sampling Technique and a Random Forest classifier. The findings show that traditional evaluation metrics, especially accuracy, may be misleading when assessing predictive performance on imbalanced data. Although the baseline model achieves a very high recall, its economic efficiency remains poor because of the excessive number of false positive classifications. The use of rebalancing methods and ensemble learning significantly improves both predictive and economic model performance.
