Онтологический инжиниринг в управлении ресурсом оборудования наукоемкого производства

Современные наукоемкие производства требуют высокой точности, надежности и эффективности работы оборудования. Отказ критически важных узлов может привести к значительным финансовым потерям, нарушению технологических процессов, а также угрозе безопасности. В этой связи управление оборудованием и прогнозирование остаточного ресурса становятся ключевыми задачами для обеспечения бесперебойной работы предприятий. В данной работе произведен анализ влияния технологических параметров и химического состава стали на остаточный ресурс кристаллизаторов машин непрерывного литья заготовок. Разработана комплексная онтологическая модель, интегрирующая данные о температуре стали, механических нагрузках, содержании легирующих элементов и геометрических характеристиках оборудования. Цель: разработка онтологической модели для семантической интеграции разнородных данных и повышения точности прогнозирования остаточного ресурса оборудования с помощью гибридного подхода онтологического инжиниринга и методов машинного обучения. Материалы и методы. Разработана OWL-онтология, включающая классы «Кристаллизатор», «Химический состав», «Технологические параметры». Реализованы SPARQL-запросы для выявления зависимостей между параметрами работы и остаточного ресурса кристаллизатора. Интегрированы методы машинного обучения для прогнозирования и обнаружения аномалий. Результаты. Выявлены ключевые факторы влияния: температура стали, содержание меди, геометрия заготовки. Достигнута точность прогнозирования R2 = 0,85, превышающая традиционные статистические методы. Разработаны правила логического вывода для автоматического определения критических состояний оборудования. Заключение. Проведенное исследование продемонстрировало эффективность комплексного подхода к прогнозированию остаточного ресурса кристаллизаторов машины непрерывного литья заготовок, объединяющего анализ технологических параметров, химического состава стали и геометрических характеристик оборудования. Внедрение методов машинного обучения и онтологического инжиниринга в управление оборудованием наукоемких производств позволяет перейти от реактивного к прогнозному обслуживанию, снижая затраты и повышая надежность. Это особенно важно в отраслях, где стоимость простоя крайне высока, а требования к безопасности и точности критичны. Дальнейшее развитие этих технологий, включая интеграцию с цифровыми двойниками и когнитивными системами, открывает новые возможности для Индустрии 4.0 и «умных» производств.