Библиографическое описание:Intelligent diagnostics and prediction of wear of drilling equipment elements using LSTM and GRU models : научное издание / K. A. Bashmur [et al.]. - Текст : непосредственный // Известия Национальной академии наук Республики Казахстан. Серия геологии и технических наук. - 2025. - Т. 4, № 472. - P. 46-58. - ISSN 2224-5278. - ISSN 2518-170X, DOI 10.32014/2025.2518-170X.529.
Аннотация:Traditional approaches to maintenance demonstrate limited effectiveness in predicting the remaining resource. In this regard, there is a growing interest in intelligent diagnostics and forecasting systems based on machine learning technologies and time series analysis. Objective. The aim of the study is to develop and verify an intelligent system for diagnostics of the technical condition and forecasting of wear of drilling equipment elements based on LSTM and GRU recurrent neural network models. Methods. The work uses data obtained during the operation of the UGB-50M drilling rig equipped with a monitoring system with vibration sensors, strain gauges and thermocouples. More than 1.9 million data points were collected and preprocessed. LSTM and GRU models with three hidden layer architecture and regularization were built and trained. Random Forest and linear regression models were used to verify the results. Results and Conclusions. LSTM and GRU models demonstrated high accuracy in predicting the remaining life of drilling equipment components. The LSTM model achieved R² = 0.9986 and MAPE = 3.87%, while the GRU model achieved R² = 0.9983 and MAPE = 4.12%. These results significantly exceed the performance of traditional models (Random Forest, linear regression). Typical patterns preceding failures were identified, such as a 20–30% increase in vibrations 20–40 minutes before a lock failure. An assessment of the short-term and medium-term forecast of the remaining resource was carried out; within 30 minutes, the error did not exceed 5%, and the accuracy of the technical condition classification reached 91.3% (LSTM).
Износ компонентов буровых установок приводит к внеплановым простоям. Традиционные подходы к техническому обслуживанию демонстрируют ограниченную эффективность при прогнозировании остаточного ресурса. В этой связи растет интерес к интеллектуальным системам диагностики и прогноза на основе технологий машинного обучения и анализа временных рядов. Цель. Целью исследования является разработка и верификация интеллектуальной системы диагностики технического состояния и прогнозирования износа элементов бурового оборудования на основе моделей рекуррентных нейронных сетей LSTM и GRU. Методы. В работе использованы данные, полученные при эксплуатации буровой установки УГБ-50М, оснащенной системой мониторинга с вибродатчиками, тензометрами и термопарами. Проведен сбор и предобработка более 1,9 млн точек данных. Построены и обучены модели LSTM и GRU с архитектурой из трёх скрытых слоев и регуляризацией. Для верификации результатов применялись модели Random Forest и линейной регрессии. Результаты и выводы. Модели LSTM и GRU продемонстрировали высокую точность прогнозирования остаточного ресурса элементов бурового оборудования. Для модели LSTM достигнуто значение R² = 0.9986 и MAPE =3.87 %, для GRU — R² = 0.9983 и MAPE = 4.12 %. Эти результаты существенно превосходят показатели традиционных моделей (Random Forest, линейная регрессия). Выявлены типичные закономерности, предшествующие отказам — например, рост вибраций на 20–30 % за 20–40 минут до поломки замка. Проведена оценка краткосрочного и среднесрочного прогноза остаточного ресурса, в пределах 30 минут ошибка не превышала 5 %, а точность классификации технического состояния достигла 91.3 % (LSTM).
