Интеллектуальная диагностика технического состояния промышленного оборудования

Для цитирования: Чесалов А.Ю. Интеллектуальная диагностика технического состояния промышленного оборудования в условиях неопределенности данных // Будущее науки 2026 : сборник статей Международного научно-исследовательского конкурса (18 февраля 2026 г.). — Петрозаводск : МЦНП «НОВАЯ НАУКА», 2026. — С. 143 – 151. DOI 10.46916/20022026-2-978-5-00276-011-4

***

Аннотация. Актуальность исследования обусловлена необходимостью обеспечения отказоустойчивости сложных производственных комплексов в условиях неопределенности экономики данных и перехода к концепции формирования сетевых предприятий. Современные системы диагностики сталкиваются с проблемой обработки больших объемов гетерогенных мультисенсорных потоков данных, характеризующихся высокой степенью неопределенности, противоречивости и неполноты. Целью работы является разработка методологического подхода к построению интеллектуальных диагностических моделей, функционирующих в условиях неопределенности исходной информации, получаемой с множества датчиков промышленного Интернета вещей. Предложена модель и алгоритм интегрирующие аппарат нечеткой логики и расширенную теорию свидетельств Демпстера–Шафера. Новизна подхода заключается в совместном применении метрики Хеллингера для количественной оценки конфликта и энтропийной меры Денга для оценки неопределенности с последующим адаптивным перераспределением весов источников данных. Экспериментальная апробация на синтетических наборах данных подтвердила повышение точности классификации до 98.9%. Предложенное решение может быть использовано для расчетов и прогнозирования, как в облачной, так и в периферийной вычислительной среде системами прогнозируемого обслуживания.

Ключевые слова: прогнозируемое обслуживание, теория свидетельств Демпстера–Шафера, расстояние Хеллингера, энтропия убеждений, предиктивная аналитика.

INTELLIGENT DIAGNOSTICS OF INDUSTRIAL EQUIPMENT CONDITION UNDER DATA UNCERTAINTY

Alexander Yuryevich Chesalov

Abstract. The relevance of this study stems from the need to ensure the fault tolerance of complex industrial systems in the face of the uncertainty of the data economy and the transition to the concept of networked enterprises. Modern diagnostic systems face the challenge of processing large volumes of heterogeneous multisensor data streams characterized by a high degree of uncertainty, inconsistency, and incompleteness. The aim of this study is to develop a methodological approach to constructing intelligent diagnostic models that function under conditions of uncertainty in the initial information received from multiple Industrial Internet of Things (IoT) sensors. A model and algorithm integrating fuzzy logic and the extended Dempster-Shafer evidence theory are proposed. The novelty of this approach lies in the combined use of the Hellinger metric for quantifying conflict and the Deng entropy measure for estimating uncertainty, followed by adaptive redistribution of data source weights. Experimental testing on synthetic datasets confirmed an increase in classification accuracy to 98.9%. The proposed solution can be used for calculations and forecasting in both cloud and edge computing environments by predictive maintenance systems.

Keywords: predictive maintenance, Dempster-Shafer evidence theory, Hellinger distance, belief entropy, predictive analytics.