Библиографическое описание:Применение методов машинного обучения для прогнозирования остаточного ресурса подшипников карьерных экскаваторов : научное издание / В. В. Тынченко [и др.]. - Текст : непосредственный // Устойчивое развитие горных территорий. - 2026. - Т. 18, № 2. - С. 1121-1135. - ISSN 1998-4502. - ISSN 2499-975X, DOI 10.21177/1998-4502-2026-18-2-1121-1135.
Аннотация:В работе представлены результаты исследования интеллектуального подхода к оценке технического состояния вращающихся узлов горного оборудования на основе анализа вибрационных сигналов. Предложена методика обработки диагностических данных, включающая цифровую фильтрацию, нормализацию измерений, извлечение временных и спектральных признаков, уменьшение размерности признакового пространства методом главных компонент и последующее прогнозирование остаточного ресурса с использованием алгоритмов машинного обучения. Проведено сравнение нескольких моделей прогнозирования, включая линейную регрессию, случайный лес, градиентный бустинг и регрессию опорных векторов. Установлено, что предварительная обработка сигналов обеспечивает снижение уровня шумовой составляющей на 37,8 %, а применение метода главных компонент позволяет уменьшить число диагностических признаков в два раза без существенной потери информативности. Наиболее высокую точность прогнозирования показала регрессия опорных векторов, для которой коэффициент детерминации составил 0,981 при средней абсолютной ошибке 2,68 %. Показано, что совместное использование временных и спектральных характеристик вибрационного сигнала позволяет повысить достоверность оценки остаточного ресурса по сравнению с использованием отдельных групп диагностических признаков. Полученные результаты подтверждают возможность эффективного применения методов машинного обучения при построении интеллектуальных систем мониторинга технического состояния горного оборудования.
Introduction. Accurate estimation of the remaining useful life of rotating mechanical components is one of the key tasks in modern condition monitoring systems for mining equipment. Conventional diagnostic approaches based on physical degradation models and manually interpreted vibration parameters often demonstrate limited adaptability to varying operating conditions and nonlinear wear processes. The present study investigates the application of machine learning techniques for processing vibration diagnostic data and improving the prediction accuracy of bearing degradation. Particular attention is paid to the combined use of time - domain and frequency - domain features together with feature reduction techniques for enhancing the reliability of predictive models. Methods. The proposed methodology includes acquisition of vibration signals from a heavily loaded bearing assembly, digital preprocessing of the measured data, extraction of statistical and spectral diagnostic features, feature dimensionality reduction using Principal Component Analysis, and subsequent model development based on supervised machine learning algorithms. Four predictive models, namely Linear Regression, Random Forest, Gradient Boosting, and Support Vector Regression with a radial basis function kernel, were trained and evaluated using an experimental dataset containing 6,018 processed diagnostic observations. Model performance was assessed using the coefficient of determination, mean absolute error, root mean square error, mean absolute percentage error, and five - fold cross - validation. Results. Signal preprocessing reduced the high - frequency noise level by 37.8%, while Principal Component Analysis decreased the number of diagnostic features from 18 to 9 without significant information loss and shortened model training time by approximately 29%. Comparative analysis demonstrated that Support Vector Regression achieved the highest prediction accuracy, providing a coefficient of determination of 0.981, a mean absolute error of 2.68%, and more than 92% of predicted values within ±5% of the experimental measurements. The combined use of statistical vibration parameters and spectral characteristics increased the prediction accuracy by approximately 36% compared with the use of individual feature groups. The developed models also demonstrated stable performance during five - fold cross - validation, indicating good generalization capability. Conclusions. The obtained results confirm that machine learning algorithms can significantly improve the prediction of bearing degradation using vibration monitoring data without relying on complex physical degradation models. The integration of advanced signal preprocessing, informative feature extraction, and nonlinear regression models provides reliable estimation of the remaining useful life throughout different degradation stages. The proposed methodology can be employed as the analytical core of intelligent condition monitoring systems for mining machinery and may contribute to more efficient condition - based maintenance strategies for rotating equipment.
