DOI: https://doi.org/10.32515/2664-262X.2025.12(43).1.272-288
Підвищення зносостійкості та надійності ресурсовизначальних деталей транспортної та сільськогосподарської техніки методамиінжинірингу із застосуванням нейронних мереж
Про авторів
Чумак Віталій Миколайович , здобувач вищої освіти на третьому (освітньо-науковому) рівні за спеціальністю «Галузеве машинобудування», Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0009-0002-1913-9371, e-mail: vitaly.chumak33@gmail.com
Аулін Віктор Васильович , професор, доктор технічних наук, професор кафедри експлуатації та ремонту машин, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0000-0003-2737-120X, e-mail: aulinvv@gmail.com
Гриньків Андрій Вікторович , старший дослідник, кандидат технічних наук, старший викладач кафедри експлуатації та ремонту машин, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0000-0002-4478-1940, e-mail: AVGrinkiv@gmail.com
Лисенко Сергій Володимирович , доцент, кандидат технічних наук, доцент кафедри експлуатації та ремонту машин, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0000-0003-0845-7817, e-mail: sv07091976@gmail.com
Кузик Олександр Володимирович, доцент, кандидат технічних наук, завідувач кафедри матеріалознавства та ливарного виробництва, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0000-0002-3047-3760, e-mail: kuzykov@gmail.com
Анотація
Показано, що у сучасних умовах інтенсивного розвитку промисловості 4.0 та цифровізації машинобудівних процесів особливої актуальності набуває проблема забезпечення надійності та довговічності ресурсовизначальних деталей транспортної та сільськогосподарської техніки. Виявлено, що традиційні підходи до прогнозування технічного стану машин, засновані на календарному обслуговуванні, не відповідають сучасним вимогам економічної ефективності та безпеки експлуатації.
Запропонована методологія, яка базується на гібридному застосуванні штучних нейронних мереж – багатошарового персептрона (MLP) для ідентифікації домінуючих механізмів зношування деталей машин і їх спряження та рекурентної мережі довгої короткочасної пам'яті (LSTM) для прогнозування динаміки деградації деталей за часовими рядами експлуатаційних параметрів. Визначено, що використання синтетичних даних, генерованих на основі фізичних моделей зношування, дозволяє подолати обмеження, пов'язані з недостатністю реальних експлуатаційних даних вузлів, систем та агрегатів машин.
Валідація розробленого алгоритму на репрезентативному наборі даних (50 000 зразків) продемонструвала високі показники точності прогнозування: коефіцієнт детермінації R² = 0,98...0,99, середньоквадратична похибка RMSE = 8,12...15,67 мкм, середня абсолютна процентна похибка MAPE = 2,5...3,9%. Ці результати підтверджують перспективність інтеграції запропонованого підходу у кіберфізичні системи сучасної транспортної та сільськогосподарської техніки для реалізації концепції предиктивного обслуговування.
Ключові слова
прогнозування зносу, штучний інтелект, MLP, LSTM, синтетичні дані, модель Арчарда, предиктивне обслуговування
Повний текст:
PDF
Посилання
1. Aulin, V. V., Hryn'kiv, A. V., & Holovatyi, A. O. (2020). Cyber-physical approach to the creation of transport and production systems. Tsentralnoukrains'kyi naukovyi visnyk. Tekhnichni nauky, 3(34), 331–343 [in Ukrainian].
2. Holovatyi, A. O., Chumak, V. M., Man’ko, Ye. V., et al. (2025). Improvement of mathematical modeling of mechanical engineering technologies for smart enterprises in the machine vision system. Tsentralnoukrains'kyi naukovyi visnyk. Tekhnichni nauky, 11(42), part 2, 143–159. Kropyvnytskyi: CNTU [in Ukrainian]. https://doi.org/10.32515/2664-262X.2025.11(42).2.143-159 (accessed September 1, 2025).
3. Indus, M. P., & Levchenko, O. V. (2019). Mathematical modeling of technical systems. Kyiv: Lybid’ [in Ukrainian].
4. Zhang, B., Zhang, S., & Li, W. (2019). Bearing performance degradation assessment using long short-term memory recurrent network. Computers in Industry, 106, 14–29. doi.org/10.1016/j.compind.2018.12.01 (accessed September 15, 2025).
5. Singh, K., Kumar, S., Singh, K. K., et al. (2022). Computational data-driven based optimization of tribological performance of graphene filled glass fiber reinforced polymer composite using machine learning approach. Materials Today: Proceedings, 66, 3838–3846. https://doi.org/10.1016/j.matpr.2022.06.25 (accessed September 15, 2025).
6. Susto, G. A., Schirru, A., Pampuri, S., et al. (2015). Machine learning for predictive maintenance: A multiple classifier approach. IEEE Transactions on Industrial Informatics, 11(3), 812–820. https://doi.org/10.1109/TII.2014.2349359 (accessed September 2, 2025).
7. Shah, R., Pai, N., Thomas, G., et al. (2025). Machine learning in wear prediction. Journal of Tribology, 147(4), Article 040801. https://doi.org/10.1115/1.4066865 (accessed September 1, 2025).
8. Wang, X., Qin, Q., Dai, S., et al. (2025). Machine learning-based prediction of mechanical properties for large bearing housing castings. Materials, 18(17), 4036. https://doi.org/10.3390/ma18174036 (accessed 18/08/2025).
9. Liu, Y., Pan, D., Zhang, H., et al. (2023). Remaining useful life prediction of bearing via a double attention-based deep neural network. In 2022 IEEE Smart World, Ubiquitous Intelligence & Computing, Scalable Computing & Communications, Digital Twin, Privacy Computing, Metaverse (pp. 92). Piscataway: IEEE. https://doi.org/10.1109/SmartWorld-UIC-ATC-ScalCom-DigitalTwin-PriComp- Metaverse56740.2022.00092 (accessed September 12, 2025).
10. Asmai, S. A., Basari, A. S. H., Shibghatullah, A. S., et al. (2011). Neural network prognostics model for industrial equipment maintenance. In 2011 11th International Conference on Hybrid Intelligent Systems (HIS) (pp. 637–642). Piscataway: IEEE. https://doi.org/10.1109/HIS.2011.6122176 (accessed August 18, 2025).
11. Paredes, J., Chávez, D., Isa-Jara, R., et al. (2025). A hybrid machine learning algorithm approach to predictive maintenance tasks: A comparison with machine learning algorithms. Results in Engineering, 25, 105137. https://doi.org/10.1016/j.rineng.2025.105137 (accessed August 18, 2025).
12. Kisten, M., Ezugwu, A. E., & Olusanya, M. O. (2024). Explainable artificial intelligence model for predictive maintenance in smart agricultural facilities. IEEE Access, 12, 24348–24367. doi.org/10.1109/ACCESS.2024.3365586 (accessed August 26, 2025).
13. Tran, K. P. (2021). Artificial intelligence for smart manufacturing: Methods and applications. Sensors, 21(16), 5584. https://doi.org/10.3390/s21165584 (accessed August 20, 2025).
14. Mondal, S., & Goswami, S. S. (2024). Machine learning applications in automotive engineering: Enhancing vehicle safety and performance. Journal of Process Management New Technologies, 12(1–2), 61–71. https://doi.org/10.5937/jpmnt12-50607 (accessed August 18, 2025).
15. Jin, L. (2021). Application of neural network method in engineering prediction. Journal of Physics: Conference Series, 2083(4), Article 042080. https://doi.org/10.1088/1742-6596/2083/4/042080 (accessed August 17, 2025).
16. Ali, Y. (2018). Artificial intelligence application in machine condition monitoring and fault diagnosis. In Artificial Intelligence – Emerging Trends and Applications. IntechOpen. doi.org/10.5772/intechopen.74932 (accessed September 2, 2025).
17. Olivares, D. C. (2025). Feature engineering for data-based predictive maintenance (Doctoral dissertation, Universidad de Sevilla) [in Spanish].
18. Baptista, M., de Medeiros, I. P., Malere, J. P., et al. (2016). Comparative case study of life usage and data- driven prognostics techniques using aircraft fault messages. Computers in Industry, 87, 68–81. https://doi.org/10.1016/j.compind.2016.12.008 (accessed September 3, 2025).
19. Ismoilov, N., & Jang, S.-B. (2018). A comparison of regularization techniques in deep neural networks. Symmetry, 10(11), 648. https://doi.org/10.3390/sym10110648 (accessed September 3, 2025).
20. Chien, C.-F., Ku, C.-C., & Lu, Y.-Y. (2023). Ensemble learning for demand forecast of after-market spare parts to empower data-driven value chain and an empirical study. Computers & Industrial Engineering, 184, 109670. https://doi.org/10.1016/j.cie.2023.109670 (accessed September 3, 2025).
21. Dix, M., Manca, G., & Fay, A. (2025). Measuring the robustness of supervised ML models to label noise in industrial data. In 2025 IEEE 8th International Conference on Industrial Cyber-Physical Systems (ICPS), Article 11087835. IEEE. https://doi.org/10.1109/ICPS65515.2025.11087835 (accessed September 3, 2025).
22. Lisiecki, A. (2019). Tribology and surface engineering. Coatings, 9(10), 663. https://doi.org/10.3390/coatings9100663 (accessed August 30, 2025).
23. Hofmann, M., Neukart, F., & Bäck, T. (2017). Artificial intelligence and data science in the automotive industry. arXiv. https://doi.org/10.48550/arXiv.1709.01989 (accessed August 30, 2025).
24. Hermann, M., Pentek, T., & Otto, B. (2016). Design principles for Industrie 4.0 scenarios. In 2016 49th Hawaii International Conference on System Sciences (HICSS) (pp. 3928–3937). IEEE. https://doi.org/10.1109/HICSS.2016.488 (accessed August 30, 2025).
Пристатейна бібліографія ГОСТ
1. Аулін В. В., Гриньків А. В., Головатий А. О. Кіберфізичний підхід при створенні транспортно-виробничих систем. Центральноукраїнський науковий вісник. Технічні науки. 2020. Вип. 3 (34). С. 331–343.
2. Головатий А. О., Чумак В. М., Манько Є. В. та ін. Вдосконалення математичного моделювання машинобудівних технологій для смарт-підприємств в системі машинного зору. Центральноукраїнський науковий вісник. Технічні науки : зб. наук. пр. Кропивницький : ЦНТУ, 2025. Вип. 11(42), ч. 2. С. 143–159. URL: https://doi.org/10.32515/2664-262X.2025.11(42).2.143-159 (дата звернення: 01.09.2025).
3. Індус М. П., Левченко О. В. Математичне моделювання технічних систем. К. : Либідь, 2019. 312 с.
4. Zhang B., Zhang S., Li W. Bearing performance degradation assessment using long short-term memory recurrent network. Computers in Industry. 2019. Vol. 106. P. 14–29. URL: https://doi.org/10.1016/j.compind.2018.12.01 (дата звернення: 15.09.2025).
5. Singh K., Kumar S., Singh K. K. та ін. Computational data-driven based optimization of tribological performance of graphene filled glass fiber reinforced polymer composite using machine learning approach. Materials Today: Proceedings. 2022. Vol. 66. P. 3838–3846. URL: https://doi.org/10.1016/j.matpr.2022.06.25 (дата звернення: 15.09.2025).
6. Susto G. A., Schirru A., Pampuri S. та ін. Machine Learning for Predictive Maintenance: A Multiple Classifier Approach. IEEE Transactions on Industrial Informatics. 2015. Vol. 11(3). P. 812–820. URL: https://doi.org/10.1109/TII.2014.2349359 (дата звернення: 02.09.2025).
7. Shah R., Pai N., Thomas G. та ін. Machine Learning in Wear Prediction. Journal of Tribology. 2025. Vol. 147(4). Art. 040801. URL: https://doi.org/10.1115/1.4066865 (дата звернення: 01.09.2025).
8. Wang X., Qin Q., Dai S. та ін. Machine Learning-Based Prediction of Mechanical Properties for Large Bearing Housing Castings. Materials. 2025. Vol. 18, Iss. 17. P. 4036. URL: https://doi.org/10.3390/ma18174036 (дата звернення: 18.08.2025).
9. Liu Y., Pan D., Zhang H. та ін. Remaining Useful Life Prediction of Bearing via a Double Attention-Based Deep Neural Network. 2022 IEEE Smart World, Ubiquitous Intelligence & Computing, Scalable Computing & Communications, Digital Twin, Privacy Computing, Metaverse : матеріали міжнар. конф. (м. Haikou, China, 15–18 грудня 2022 р.). Piscataway : IEEE, 2023. P. 92. URL: https://doi.org/10.1109/SmartWorld-UIC-ATC-ScalCom-DigitalTwin-PriComp- Metaverse56740.2022.00092 (дата звернення: 12.09.2025).
10. Asmai S. A., Basari A. S. H., Shibghatullah A. S. та ін. Neural network prognostics model for industrial equipment maintenance. 2011 11th International Conference on Hybrid Intelligent Systems (HIS) : матеріали міжнар. конф. (м. Melacca, Malaysia, 5–8 грудня 2011 р.). Piscataway : IEEE, 2011. P. 637– 642. URL: https://doi.org/10.1109/HIS.2011.6122176 (дата звернення: 18.08.2025).
11. Paredes J., Chávez D., Isa-Jara R. та ін. A hybrid machine learning algorithm approach to predictive maintenance tasks: A comparison with machine learning algorithms. Results in Engineering. 2025. Vol. 25. P. 105137. URL: https://doi.org/10.1016/j.rineng.2025.105137 (дата звернення: 18.08.2025).
12. Kisten M., Ezugwu A. E., Olusanya M. O. Explainable Artificial Intelligence Model for Predictive Maintenance in Smart Agricultural Facilities. IEEE Access. 2024. Vol. 12. P. 24348–24367. URL: https://doi.org/10.1109/ACCESS.2024.3365586 (дата звернення: 26.08.2025).
13. Tran K. P. Artificial Intelligence for Smart Manufacturing: Methods and Applications. Sensors. 2021. Vol. 21(16). P. 5584. URL: https://doi.org/10.3390/s21165584 (дата звернення: 20.08.2025).
14. Mondal S., Goswami S. S. Machine learning applications in automotive engineering: Enhancing vehicle safety and performance. Journal of Process Management New Technologies. 2024. Vol. 12, № 1–2. P. 61–71. URL: https://doi.org/10.5937/jpmnt12-50607 (дата звернення: 18.08.2025).
15. Jin L. Application of neural network method in engineering prediction. Journal of Physics: Conference Series. 2021. Vol. 2083, № 4. Art. 042080. doi.org/10.1088/1742-6596/2083/4/042080 (дата звернення: 17.08.2025).
16. Ali Y. Artificial Intelligence Application in Machine Condition Monitoring and Fault Diagnosis. Artificial Intelligence – Emerging Trends and Applications. IntechOpen, 2018. URL: doi.org/10.5772/intechopen.74932 (дата звернення: 2.09.2025).
17. Olivares D. C. Feature Engineering for Data-Based Predictive Maintenance : дис. … докт. техн. наук : 08.00.11. Universidad de Sevilla, 2025. 154 с.
18. Baptista M., de Medeiros I. P., Malere J. P. та ін. Comparative case study of life usage and data-driven prognostics techniques using aircraft fault messages. Computers in Industry. 2016. Vol. 87. P. 68–81. URL: https://doi.org/10.1016/j.compind.2016.12.008 (дата звернення: 03.09.2025).
19. Ismoilov N., Jang S.-B. A Comparison of Regularization Techniques in Deep Neural Networks. Symmetry. 2018. Vol. 10, Iss. 11. Art. 648. URL: https://doi.org/10.3390/sym10110648 (дата звернення: 03.09.2025).
20. Chien C.-F., Ku C.-C., Lu Y.-Y. Ensemble learning for demand forecast of After-Market spare parts to empower data-driven value chain and an empirical study. Computers & Industrial Engineering. 2023. Vol. 184. Art. 109670. URL: https://doi.org/10.1016/j.cie.2023.109670 (дата звернення: 03.09.2025).
21. Dix M., Manca G., Fay A. Measuring the Robustness of Supervised ML Models to Label Noise in Industrial Data. 2025 IEEE 8th International Conference on Industrial Cyber-Physical Systems (ICPS) : матеріали міжнар. конф. 2025. Art. 11087835. URL: https://doi.org/10.1109/ICPS65515.2025.11087835 (дата звернення: 03.09.2025).
22. Lisiecki A. Tribology and Surface Engineering. Coatings. 2019. Vol. 9, Iss. 10. Art. 663. URL: https://doi.org/10.3390/coatings9100663 (дата звернення: 30.08.2025).
23. Hofmann M., Neukart F., Bäck T. Artificial Intelligence and Data Science in the Automotive Industry. arXiv. 2017. URL: https://doi.org/10.48550/arXiv.1709.01989 (дата звернення: 30.08.2025).
24. Hermann M., Pentek T., Otto B. Design Principles for Industrie 4.0 Scenarios. 2016 49th Hawaii International Conference on System Sciences (HICSS) : матеріали міжнар. конф. (м. Гонолулу, Гаваї, США, 5–8 січ. 2016 р.). IEEE, 2016. P. 3928–3937. URL: https://doi.org/10.1109/HICSS.2016.488 (дата звернення: 30.08.2025).
Copyright (c) 2025 В. М. Чумак, В. В. Аулін, А. В. Гриньків, С. В. Лисенко, О. В. Кузик
Підвищення зносостійкості та надійності ресурсовизначальних деталей транспортної та сільськогосподарської техніки методамиінжинірингу із застосуванням нейронних мереж
Про авторів
Чумак Віталій Миколайович , здобувач вищої освіти на третьому (освітньо-науковому) рівні за спеціальністю «Галузеве машинобудування», Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0009-0002-1913-9371, e-mail: vitaly.chumak33@gmail.com
Аулін Віктор Васильович , професор, доктор технічних наук, професор кафедри експлуатації та ремонту машин, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0000-0003-2737-120X, e-mail: aulinvv@gmail.com
Гриньків Андрій Вікторович , старший дослідник, кандидат технічних наук, старший викладач кафедри експлуатації та ремонту машин, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0000-0002-4478-1940, e-mail: AVGrinkiv@gmail.com
Лисенко Сергій Володимирович , доцент, кандидат технічних наук, доцент кафедри експлуатації та ремонту машин, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0000-0003-0845-7817, e-mail: sv07091976@gmail.com
Кузик Олександр Володимирович, доцент, кандидат технічних наук, завідувач кафедри матеріалознавства та ливарного виробництва, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, ORCID: https://orcid.org/0000-0002-3047-3760, e-mail: kuzykov@gmail.com
Анотація
Ключові слова
Повний текст:
PDFПосилання
1. Aulin, V. V., Hryn'kiv, A. V., & Holovatyi, A. O. (2020). Cyber-physical approach to the creation of transport and production systems. Tsentralnoukrains'kyi naukovyi visnyk. Tekhnichni nauky, 3(34), 331–343 [in Ukrainian].
2. Holovatyi, A. O., Chumak, V. M., Man’ko, Ye. V., et al. (2025). Improvement of mathematical modeling of mechanical engineering technologies for smart enterprises in the machine vision system. Tsentralnoukrains'kyi naukovyi visnyk. Tekhnichni nauky, 11(42), part 2, 143–159. Kropyvnytskyi: CNTU [in Ukrainian]. https://doi.org/10.32515/2664-262X.2025.11(42).2.143-159 (accessed September 1, 2025).
3. Indus, M. P., & Levchenko, O. V. (2019). Mathematical modeling of technical systems. Kyiv: Lybid’ [in Ukrainian].
4. Zhang, B., Zhang, S., & Li, W. (2019). Bearing performance degradation assessment using long short-term memory recurrent network. Computers in Industry, 106, 14–29. doi.org/10.1016/j.compind.2018.12.01 (accessed September 15, 2025).
5. Singh, K., Kumar, S., Singh, K. K., et al. (2022). Computational data-driven based optimization of tribological performance of graphene filled glass fiber reinforced polymer composite using machine learning approach. Materials Today: Proceedings, 66, 3838–3846. https://doi.org/10.1016/j.matpr.2022.06.25 (accessed September 15, 2025).
6. Susto, G. A., Schirru, A., Pampuri, S., et al. (2015). Machine learning for predictive maintenance: A multiple classifier approach. IEEE Transactions on Industrial Informatics, 11(3), 812–820. https://doi.org/10.1109/TII.2014.2349359 (accessed September 2, 2025).
7. Shah, R., Pai, N., Thomas, G., et al. (2025). Machine learning in wear prediction. Journal of Tribology, 147(4), Article 040801. https://doi.org/10.1115/1.4066865 (accessed September 1, 2025).
8. Wang, X., Qin, Q., Dai, S., et al. (2025). Machine learning-based prediction of mechanical properties for large bearing housing castings. Materials, 18(17), 4036. https://doi.org/10.3390/ma18174036 (accessed 18/08/2025).
9. Liu, Y., Pan, D., Zhang, H., et al. (2023). Remaining useful life prediction of bearing via a double attention-based deep neural network. In 2022 IEEE Smart World, Ubiquitous Intelligence & Computing, Scalable Computing & Communications, Digital Twin, Privacy Computing, Metaverse (pp. 92). Piscataway: IEEE. https://doi.org/10.1109/SmartWorld-UIC-ATC-ScalCom-DigitalTwin-PriComp- Metaverse56740.2022.00092 (accessed September 12, 2025).
10. Asmai, S. A., Basari, A. S. H., Shibghatullah, A. S., et al. (2011). Neural network prognostics model for industrial equipment maintenance. In 2011 11th International Conference on Hybrid Intelligent Systems (HIS) (pp. 637–642). Piscataway: IEEE. https://doi.org/10.1109/HIS.2011.6122176 (accessed August 18, 2025).
11. Paredes, J., Chávez, D., Isa-Jara, R., et al. (2025). A hybrid machine learning algorithm approach to predictive maintenance tasks: A comparison with machine learning algorithms. Results in Engineering, 25, 105137. https://doi.org/10.1016/j.rineng.2025.105137 (accessed August 18, 2025).
12. Kisten, M., Ezugwu, A. E., & Olusanya, M. O. (2024). Explainable artificial intelligence model for predictive maintenance in smart agricultural facilities. IEEE Access, 12, 24348–24367. doi.org/10.1109/ACCESS.2024.3365586 (accessed August 26, 2025).
13. Tran, K. P. (2021). Artificial intelligence for smart manufacturing: Methods and applications. Sensors, 21(16), 5584. https://doi.org/10.3390/s21165584 (accessed August 20, 2025).
14. Mondal, S., & Goswami, S. S. (2024). Machine learning applications in automotive engineering: Enhancing vehicle safety and performance. Journal of Process Management New Technologies, 12(1–2), 61–71. https://doi.org/10.5937/jpmnt12-50607 (accessed August 18, 2025).
15. Jin, L. (2021). Application of neural network method in engineering prediction. Journal of Physics: Conference Series, 2083(4), Article 042080. https://doi.org/10.1088/1742-6596/2083/4/042080 (accessed August 17, 2025).
16. Ali, Y. (2018). Artificial intelligence application in machine condition monitoring and fault diagnosis. In Artificial Intelligence – Emerging Trends and Applications. IntechOpen. doi.org/10.5772/intechopen.74932 (accessed September 2, 2025).
17. Olivares, D. C. (2025). Feature engineering for data-based predictive maintenance (Doctoral dissertation, Universidad de Sevilla) [in Spanish].
18. Baptista, M., de Medeiros, I. P., Malere, J. P., et al. (2016). Comparative case study of life usage and data- driven prognostics techniques using aircraft fault messages. Computers in Industry, 87, 68–81. https://doi.org/10.1016/j.compind.2016.12.008 (accessed September 3, 2025).
19. Ismoilov, N., & Jang, S.-B. (2018). A comparison of regularization techniques in deep neural networks. Symmetry, 10(11), 648. https://doi.org/10.3390/sym10110648 (accessed September 3, 2025).
20. Chien, C.-F., Ku, C.-C., & Lu, Y.-Y. (2023). Ensemble learning for demand forecast of after-market spare parts to empower data-driven value chain and an empirical study. Computers & Industrial Engineering, 184, 109670. https://doi.org/10.1016/j.cie.2023.109670 (accessed September 3, 2025).
21. Dix, M., Manca, G., & Fay, A. (2025). Measuring the robustness of supervised ML models to label noise in industrial data. In 2025 IEEE 8th International Conference on Industrial Cyber-Physical Systems (ICPS), Article 11087835. IEEE. https://doi.org/10.1109/ICPS65515.2025.11087835 (accessed September 3, 2025).
22. Lisiecki, A. (2019). Tribology and surface engineering. Coatings, 9(10), 663. https://doi.org/10.3390/coatings9100663 (accessed August 30, 2025).
23. Hofmann, M., Neukart, F., & Bäck, T. (2017). Artificial intelligence and data science in the automotive industry. arXiv. https://doi.org/10.48550/arXiv.1709.01989 (accessed August 30, 2025).
24. Hermann, M., Pentek, T., & Otto, B. (2016). Design principles for Industrie 4.0 scenarios. In 2016 49th Hawaii International Conference on System Sciences (HICSS) (pp. 3928–3937). IEEE. https://doi.org/10.1109/HICSS.2016.488 (accessed August 30, 2025).
Пристатейна бібліографія ГОСТ
1. Аулін В. В., Гриньків А. В., Головатий А. О. Кіберфізичний підхід при створенні транспортно-виробничих систем. Центральноукраїнський науковий вісник. Технічні науки. 2020. Вип. 3 (34). С. 331–343.
2. Головатий А. О., Чумак В. М., Манько Є. В. та ін. Вдосконалення математичного моделювання машинобудівних технологій для смарт-підприємств в системі машинного зору. Центральноукраїнський науковий вісник. Технічні науки : зб. наук. пр. Кропивницький : ЦНТУ, 2025. Вип. 11(42), ч. 2. С. 143–159. URL: https://doi.org/10.32515/2664-262X.2025.11(42).2.143-159 (дата звернення: 01.09.2025).
3. Індус М. П., Левченко О. В. Математичне моделювання технічних систем. К. : Либідь, 2019. 312 с.
4. Zhang B., Zhang S., Li W. Bearing performance degradation assessment using long short-term memory recurrent network. Computers in Industry. 2019. Vol. 106. P. 14–29. URL: https://doi.org/10.1016/j.compind.2018.12.01 (дата звернення: 15.09.2025).
5. Singh K., Kumar S., Singh K. K. та ін. Computational data-driven based optimization of tribological performance of graphene filled glass fiber reinforced polymer composite using machine learning approach. Materials Today: Proceedings. 2022. Vol. 66. P. 3838–3846. URL: https://doi.org/10.1016/j.matpr.2022.06.25 (дата звернення: 15.09.2025).
6. Susto G. A., Schirru A., Pampuri S. та ін. Machine Learning for Predictive Maintenance: A Multiple Classifier Approach. IEEE Transactions on Industrial Informatics. 2015. Vol. 11(3). P. 812–820. URL: https://doi.org/10.1109/TII.2014.2349359 (дата звернення: 02.09.2025).
7. Shah R., Pai N., Thomas G. та ін. Machine Learning in Wear Prediction. Journal of Tribology. 2025. Vol. 147(4). Art. 040801. URL: https://doi.org/10.1115/1.4066865 (дата звернення: 01.09.2025).
8. Wang X., Qin Q., Dai S. та ін. Machine Learning-Based Prediction of Mechanical Properties for Large Bearing Housing Castings. Materials. 2025. Vol. 18, Iss. 17. P. 4036. URL: https://doi.org/10.3390/ma18174036 (дата звернення: 18.08.2025).
9. Liu Y., Pan D., Zhang H. та ін. Remaining Useful Life Prediction of Bearing via a Double Attention-Based Deep Neural Network. 2022 IEEE Smart World, Ubiquitous Intelligence & Computing, Scalable Computing & Communications, Digital Twin, Privacy Computing, Metaverse : матеріали міжнар. конф. (м. Haikou, China, 15–18 грудня 2022 р.). Piscataway : IEEE, 2023. P. 92. URL: https://doi.org/10.1109/SmartWorld-UIC-ATC-ScalCom-DigitalTwin-PriComp- Metaverse56740.2022.00092 (дата звернення: 12.09.2025).
10. Asmai S. A., Basari A. S. H., Shibghatullah A. S. та ін. Neural network prognostics model for industrial equipment maintenance. 2011 11th International Conference on Hybrid Intelligent Systems (HIS) : матеріали міжнар. конф. (м. Melacca, Malaysia, 5–8 грудня 2011 р.). Piscataway : IEEE, 2011. P. 637– 642. URL: https://doi.org/10.1109/HIS.2011.6122176 (дата звернення: 18.08.2025).
11. Paredes J., Chávez D., Isa-Jara R. та ін. A hybrid machine learning algorithm approach to predictive maintenance tasks: A comparison with machine learning algorithms. Results in Engineering. 2025. Vol. 25. P. 105137. URL: https://doi.org/10.1016/j.rineng.2025.105137 (дата звернення: 18.08.2025).
12. Kisten M., Ezugwu A. E., Olusanya M. O. Explainable Artificial Intelligence Model for Predictive Maintenance in Smart Agricultural Facilities. IEEE Access. 2024. Vol. 12. P. 24348–24367. URL: https://doi.org/10.1109/ACCESS.2024.3365586 (дата звернення: 26.08.2025).
13. Tran K. P. Artificial Intelligence for Smart Manufacturing: Methods and Applications. Sensors. 2021. Vol. 21(16). P. 5584. URL: https://doi.org/10.3390/s21165584 (дата звернення: 20.08.2025).
14. Mondal S., Goswami S. S. Machine learning applications in automotive engineering: Enhancing vehicle safety and performance. Journal of Process Management New Technologies. 2024. Vol. 12, № 1–2. P. 61–71. URL: https://doi.org/10.5937/jpmnt12-50607 (дата звернення: 18.08.2025).
15. Jin L. Application of neural network method in engineering prediction. Journal of Physics: Conference Series. 2021. Vol. 2083, № 4. Art. 042080. doi.org/10.1088/1742-6596/2083/4/042080 (дата звернення: 17.08.2025).
16. Ali Y. Artificial Intelligence Application in Machine Condition Monitoring and Fault Diagnosis. Artificial Intelligence – Emerging Trends and Applications. IntechOpen, 2018. URL: doi.org/10.5772/intechopen.74932 (дата звернення: 2.09.2025).
17. Olivares D. C. Feature Engineering for Data-Based Predictive Maintenance : дис. … докт. техн. наук : 08.00.11. Universidad de Sevilla, 2025. 154 с.
18. Baptista M., de Medeiros I. P., Malere J. P. та ін. Comparative case study of life usage and data-driven prognostics techniques using aircraft fault messages. Computers in Industry. 2016. Vol. 87. P. 68–81. URL: https://doi.org/10.1016/j.compind.2016.12.008 (дата звернення: 03.09.2025).
19. Ismoilov N., Jang S.-B. A Comparison of Regularization Techniques in Deep Neural Networks. Symmetry. 2018. Vol. 10, Iss. 11. Art. 648. URL: https://doi.org/10.3390/sym10110648 (дата звернення: 03.09.2025).
20. Chien C.-F., Ku C.-C., Lu Y.-Y. Ensemble learning for demand forecast of After-Market spare parts to empower data-driven value chain and an empirical study. Computers & Industrial Engineering. 2023. Vol. 184. Art. 109670. URL: https://doi.org/10.1016/j.cie.2023.109670 (дата звернення: 03.09.2025).
21. Dix M., Manca G., Fay A. Measuring the Robustness of Supervised ML Models to Label Noise in Industrial Data. 2025 IEEE 8th International Conference on Industrial Cyber-Physical Systems (ICPS) : матеріали міжнар. конф. 2025. Art. 11087835. URL: https://doi.org/10.1109/ICPS65515.2025.11087835 (дата звернення: 03.09.2025).
22. Lisiecki A. Tribology and Surface Engineering. Coatings. 2019. Vol. 9, Iss. 10. Art. 663. URL: https://doi.org/10.3390/coatings9100663 (дата звернення: 30.08.2025).
23. Hofmann M., Neukart F., Bäck T. Artificial Intelligence and Data Science in the Automotive Industry. arXiv. 2017. URL: https://doi.org/10.48550/arXiv.1709.01989 (дата звернення: 30.08.2025).
24. Hermann M., Pentek T., Otto B. Design Principles for Industrie 4.0 Scenarios. 2016 49th Hawaii International Conference on System Sciences (HICSS) : матеріали міжнар. конф. (м. Гонолулу, Гаваї, США, 5–8 січ. 2016 р.). IEEE, 2016. P. 3928–3937. URL: https://doi.org/10.1109/HICSS.2016.488 (дата звернення: 30.08.2025).
Copyright (c) 2025 В. М. Чумак, В. В. Аулін, А. В. Гриньків, С. В. Лисенко, О. В. Кузик