УДК: 656.1
https://doi.org/10.25198/2077-7175-2026-3-82
EDN: SUQNTE


просмотр

АНАЛИЗ И ПЕРСПЕКТИВЫ АДАПТАЦИИ ОПЫТА ПРИМЕНЕНИЯ МАШИННОГО ОБУЧЕНИЯ В СИСТЕМЕ ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ И РЕМОНТА ГОРОДСКИХ АВТОБУСОВ

А. Н. Стрелков 1, И. М. Блянкинштейн 2
Санкт-Петербургский государственный архитектурно-строительный университет, Санкт-Петербург, Россия
1 e-mail: tema.strelkoff2016@yandex.ru
2 e-mail: blyankinshtein@mail.ru

Аннотация. В условиях ускоренной цифровизации автомобильного транспорта методы машинного обучения формируют основу для перехода от устаревших реактивных и планово-предупредительных стратегий технического обслуживания к современным предиктивным подходам. Целью данной работы является систематизация информации и анализ опыта применения методов машинного обучения в системе технического обслуживания и ремонта транспортных средств с последующим выявлением на этой основе направлений для адаптации данных методов к задачам городских автобусных парков. Методология исследования базируется на анализе научно-технической литературы с применением формализованных критериев отбора, сравнительном анализе метрик эффективности ML-архитектур, а также синтезе полученных данных в рамках оценки их применимости и разработке концептуальной схемы адаптации предиктивных моделей к условиям эксплуатации городских автобусов. В настоящей работе проведен систематический анализ научных публикаций и промышленных решений в области применения ML-моделей для диагностики и прогнозирования технического состояния автомобилей за период 2020–2025 гг. Особое внимание уделено сравнительной оценке эффективности классических алгоритмов (Random Forest, XGBoost, LightGBM) и глубоких архитектур (LSTM, CNN, гибридные модели) при обработке данных, получаемых от бортовых систем. Установлено, что гибридные CNN-LSTM модели демонстрируют наивысшую точность диагностики (до 99,02%) при прогнозировании отказов электродвигателей, превосходя как классические методы, так и отдельные глубокие архитектуры. Экономический эффект от внедрения предиктивных систем включает снижение эксплуатационных затрат на 10-40%, сокращение простоев транспортных средств до 50% и повышение общей надежности парка. Вместе с тем, анализ выявил ключевые ограничения практического применения ML-решений: несбалансированность обучающих выборок из-за редкости отказов, высокие погрешности датчиков (превышающие 40% для некоторых параметров), проблемы интерпретируемости «черных ящиков» глубокого обучения и сложности интеграции с существующими ERP/CMMS системами. В работе обоснована необходимость развития Explainable AI (XAI) методов для повышения доверия специалистов к прогнозам.

Научная новизна работы заключается в разработке концептуальной схемы адаптации ML-моделей под циклический режим эксплуатации автобусов, включающий учет геопространственных данных, дорожных условий и требований к интерпретируемости прогнозов. На основе этого предложены направления дальнейших исследований для повышения точности прогнозирования остаточного ресурса ключевых агрегатов автобусов.

Ключевые слова: машинное обучение, предиктивное обслуживание, техническое обслуживание и ремонт, диагностирование на основе данных, автомобильный транспорт.

Для цитирования: Стрелков А. Н., Блянкинштейн И. М. Анализ и перспективы адаптации опыта применения машинного обучения в системе технического обслуживания и ремонта городских автобусов // Интеллект. Инновации. Инвестиции. – 2026. – № 3. – С. 82–96. – https://doi.org/10.25198/2077-7175-2026-3-82.


Литература

  1. Модели и алгоритмы прогнозирования технического состояния транспортных средств на основе методов нечеткой логики / Р. Н. Сафиуллин [и др.] // Вестник НЦБЖД. – 2025. – № 2(64). – С. 138–152. – EDN: KLIFSW.
  2. Попов А. В., Сафиуллин Р. Н. Исследование влияния параметров режимов заряда на энергетические показатели литий-ионных аккумуляторов транспортных средств // Известия Международной академии аграрного образования. – 2023. – № 67. – С. 98–103. – EDN: RQXPBV.
  3. Системный анализ внедрения цифровых технологий для обеспечения безопасности и эффективности транспортных средств / В. В. Камлюк [и др.] // Транспорт. Взгляд в будущее - TFV-24 : Сборник научных статей международной научно-практической конференции, Санкт-Петербург, 07–08 ноября 2024 года. – Санкт-Петербург: Санкт-Петербургский горный университет императрицы Екатерины II, 2024. – С. 23–29. – EDN: ESNZUY.
  4. Федотов М. В., Грачев В. В. Предиктивная аналитика технического состояния систем тепловозов с использованием нейросетевых прогнозных моделей // Бюллетень результатов научных исследований. – 2021. – № 3. – С. 102–114. – https://doi.org/10.20295/2223-9987-2021-3-102-114. – EDN: IKEHIN.
  5. A Comparative Analysis of Advanced Machine Learning Models for Predictive Maintenance in Modern Manufacturing // IoT Digital Twin PLM. – URL: https://iotdigitaltwinplm.com/a-comparative-analysis-of-advanced-machine-learning-models-for-predictive-maintenance-in-modern-manufacturing/ (accessed: 01.11.2025).
  6. Al-Zeyadi M., et al. (2020). Deep Learning Towards Intelligent Vehicle Fault Diagnosis. 2020 International Joint Conference on Neural Networks (IJCNN). – https://doi.org/10.1109/IJCNN48605.2020.9206972. (In Eng.).
  7. Amellal A., et al. (2023). Improving Lead Time Forecasting and Anomaly Detection for Automotive Spare Parts with A Combined CNN-LSTM. Approach. Operations and Supply Chain Management: An International Journal. – Vol. 16. – No. 2, pp. 265–278. – https://doi.org/10.31387/oscm0530388. (In Eng.).
  8. Aydın C., Evrentuğ B. (2025) Evaluation of predictive maintenance efficiency with the comparison of machine learning models in machining production process in brake industry. PeerJ Computer Science. – Vol. 11, e2999. – https://doi.org/10.7717/peerj-cs.2999. (In Eng.).
  9. Benhanifia A., et al. (2025) Systematic review of predictive maintenance practices in the manufacturing sector. Intelligent Systems with Applications. – Vol. 26, 200501. – https://doi.org/10.1016/j.iswa.2025.200501. (In Eng.).
  10. Bickelhaupt S., et al. (2023). Challenges and Opportunities of Future Vehicle Diagnostics in Software-Defined Vehicles. SAE. – https://doi.org/10.4271/2023-01-0847. (In Eng.).
  11. Boucerredj L., Benalia N. (2025) A comparative study of machine learning classifiers for intelligent fault diagnosis of electric vehicles based on FMECA data. Advances in Mechanical Engineering. – https://doi.org/10.1177/16878132251342413. (In Eng.).
  12. Chen F., et al. (2025) Collaborative multiview time series modeling for vehicle maintenance demand prediction. Scientific Reports. – Vol. 15, 13058. – https://doi.org/10.1038/s41598-025-96720-1. (In Eng.).
  13. Etukudoh E. A. (2024). Theoretical framworks of eopfm predictive maintenance (ecopfm) predictive maintenance system. Engineering Science & Technology Journal. – Vol. 5. – No. 3, pp. 913–923. – https://doi.org/10.51594/estj.v5i3.946. (In Eng.).
  14. Gong C-S. A., et al. (2022) How to Implement Automotive Fault Diagnosis Using Artificial Intelligence Scheme. Micromachines. – Vol. 13. – No. 9, 1380. – https://doi.org/10.3390/mi13091380. (In Eng.).
  15. Guo C. (2023) Fault diagnosis of automobile drive based on a novel deep neural network. Energy Harvesting and Systems. – Vol. 11. – No. 1, pp. 20230049. – https://doi.org/10.1515/ehs-2023-0049. (In Eng.).
  16. Hazem A., Alaa Y., Solayman, M. (2025) Offline Predictive Maintenance for Automotive Engines Using Machine Learning. 2025 Intelligent Methods, Systems, and Applications (IMSA), Giza, Egypt, pp. 610–615. – https://doi.org/10.1109/IMSA65733.2025.11167090. (In Eng.).
  17. Huang K., Wang J. (2023) Short-term auto parts demand forecasting based on EEMD–CNN–BiLSTM– Attention–combination model. Journal of Intelligent & Fuzzy Systems: Applications in Engineering and Technology. – Vol. 45. – No. 4, pp. 5449–5465. – https://doi.org/10.3233/JIFS-224222. (In Eng.).
  18. Kumar R. S., et al. (2025) Hybrid machine learning framework for predictive maintenance and anomaly detection in lithium-ion batteries using enhanced random forest. Scientific Reports. – Vol. 15, 6243. – https://doi.org/10.1038/s41598-025-90810-w. (In Eng.).
  19. Li P., et al. (2020). A Deep Learning Approach to Detect Real-Time Vehicle Maneuvers Based on Smartphone Sensors. IEEE Transactions on Intelligent Transportation Systems. – Vol. 23. – No. 4. – https://doi.org/10.1109/TITS.2020.3032055. (In Eng.).
  20. Mahiyudin G., Hussain M., Dewi D. D. (2025). A Comprehensive Study on Predicting the Need for Vehicle Maintenance Using Machine Learning. Engineering Proceedings. – Vol. 107. – No. 1, p. 89. – https://doi.org/10.3390/engproc2025107089. (In Eng.).
  21. Meenakshi M., Rainu N. (2023) A framework on driving behavior and pattern using On-Board diagnostics (OBD-II) tool. Materials Today: Proceedings. – Vol. 80. – No. 3, pp. 3762–3768. – https://doi.org/10.1016/j.matpr.2021.07.376. (In Eng.).
  22. Melnik Yu. Machine failure prediction using machine learning: Why it is beneficial // InData Labs. – URL: https://indatalabs.com/blog/machine-failure-prediction-machine-learning (accessed: 01.11.2025).
  23. Mishra D., et al. (2024). Fault detection and diagnosis of electric vehicles using artificial intelligence. International Journal of Applied Power Engineering (IJAPE). – Vol. 13. – No. 3, p. 653. – https://doi.org/10.11591/ijape.v13.i3.pp653-660. (In Eng.).
  24. Muthukumar G., Jyosna P. (2024). CNN-LSTM Hybrid Deep Learning Model for Remaining Useful Life Estimation. – https://doi.org/10.48550/arXiv.2412.15998. (In Eng.).
  25. National Academies of Sciences, Engineering, and Medicine (2024) Implementing and Leveraging Machine Learning at State Departments of Transportation. Washington, DC: The National Academies Press. – https://doi.org/10.17226/27902. (In Eng.).
  26. Pavlopoulos J., et al. (2023) Automotive fault nowcasting with machine learning and natural language processing. – Vol. 113, pp. 843–861. – https://doi.org/10.1007/s10994-023-06398-7. (In Eng.).
  27. Purohit Sh., Govindarasu M. (2022). ML-based Anomaly Detection for Intra-Vehicular CAN-bus Networks. IEEE International Conference on Cyber Security and Resilience. – рp. 233–238. – https://doi.org/10.1109/CSR54599.2022.9850292. (In Eng.).
  28. Quan R., Zhang J., Feng Z. (2024) Remote Fault Diagnosis for the Powertrain System of Fuel Cell Vehicles Based on Random Forest Optimized with a Genetic Algorithm. Sensors. – Vol. 24. – No. 4, pp. 1138. – https://doi.org/10.3390/s24041138. (In Eng.).
  29. Sánchez Torres N. N., et al. (2025). Fault Diagnosis in Internal Combustion Engines Using Artificial Intelligence Predictive Models. Applied System Innovation. – Vol. 8. – No. 5, pp. 147. – https://doi.org/10.3390/asi8050147. (In Eng.).
  30. Saraswat A., et al. Predictive Maintenance of Automotive Engines Using Machine Learning and Deep Learning Techniques. IJIRT. – Vol. 12. – No. 1, pp. 446–455.
  31. Sekar M. (2025) Machine learning based fault detection and classification for predictive maintenance of gas turbine engines: a comprehensive benchmarking analysis on various models. Aircraft Engineering and Aerospace Technology: An International Journal. – https://doi.org/10.1108/AEAT-04-2025-0160. (In Eng.).
  32. Shah Ch. (2024). Machine Learning Algorithms for Predictive Maintenance in Autonomous Vehicles. International Journal of Engineering and Computer Science. – Vol. 13. – No. 1, pp. 26015–26032. – https://doi.org/10.18535/ijecs/v13i01.4786. (In Eng.).
  33. Stewart A. (2024) Predictive Vehicle Maintenance: Complete 2025 Guide to AI Car Care // dialzara. – URL: https://dialzara.com/blog/ai-predictive-maintenance-in-automotive-guide (accessed: 01.11.2025).
  34. Taheri-Garavand A., et al. (2022). Application of artificial neural networks for the prediction of performance and exhaust emissions in IC engine using biodiesel-diesel blends containing quantum dot based on carbon doped. Energy Conversion and Management: X. – Vol. 16, pp. 100304. – https://doi.org/10.1016/j.ecmx.2022.100304. (In Eng.).
  35. Tunio N. A., et al. (2025). Performance Comparison Between Deep Learning Models for Fault Classification in Transmission Lines Using Time Series Data. Energy Science & Engineering. – Vol. 13. – No. 5, pp. 2330–2351. – https://doi.org/10.1002/ese3.70033. (In Eng.).
  36. Wang J., Chen J. (2024) Rapid diagnosis of power battery faults in new energy vehicles based on improved boosting algorithm and big data. Energy Informatics. – Vol. 7, pp. 139. – https://doi.org/10.1186/s42162-024-00439-8. (In Eng.).
  37. Xin Yu., et al. (2024). Machine learning based mechanical fault diagnosis and detection methods: a systematic review. Measurement Science and Technology. – Vol. 36, pp. 012004. – https://doi.org/10.1088/1361-6501/ad8cf6. (In Eng.).
  38. Yang D., et al. (2024). A Multivariate Time Series Prediction Method for Automotive Controller Area Network Bus Data. Electronics. – Vol. 13. – No. 14, pp. 2707. – https://doi.org/10.3390/electronics13142707. (In Eng.).
  39. Yang Y., Wang H. (2025). Random Forest-Based Machine Failure Prediction: A Performance Comparison. Applied Sciences. – Vol. 15. – No. 16, pp. 8841. – https://doi.org/10.3390/app15168841. (In Eng.).

Для того, чтобы мы могли качественно предоставить вам услуги, мы используем cookies, которые сохраняются на вашем компьютере (сведения о местоположении; ip-адрес; тип, язык, версия ОС и браузера; тип устройства и разрешение его экрана; источник, откуда пришел на сайт пользователь; какие страницы открывает и на какие кнопки нажимает пользователь; эта же информация используется для обработки статистических данных использования сайта посредством интернет-сервиса Яндекс.Метрика). Нажимая кнопку «Согласен», вы подтверждаете то, что вы проинформированы об использовании cookies на нашем сайте. Отключить cookies вы можете в настройках своего браузера.