ISSN 1995-2732 (Print), 2412-9003 (Online)
УДК 669.1:004.9
DOI: 10.18503/1995-2732-2025-23-3-187-194
Аннотация
В статье рассматриваются актуальные проблемы развития предиктивной аналитики на предприятиях промышленности с учетом специфики и возможностей внедрения в Российской Федерации. Ключевым вызовом является необходимость сбора и обработки огромных массивов достоверных данных при минимальной нагрузке на вычислительную инфраструктуру. В качестве альтернативы полностью облачным решениям предлагается использование альтернативного построения архитектуры технических решений. В статье рассматриваются туманные и edge-вычисления, которые позволяют обрабатывать данные ближе к их источнику, снижая задержки и затраты. На основе практического опыта выделен комплекс проблем, сдерживающих развитие предиктивной аналитики в России: отсутствие системного подхода к внедрению, завышенные ожидания от готовых решений, неготовность предприятий к масштабной цифровой трансформации, сложности с обменом данными и использованием облачных решений. В заключение предлагаются пути решения, включая унификацию подходов к разработке устройств на «нижнем уровне» и протоколов передачи данных, стратегическое партнерство промышленных предприятий, а также создание обезличенных банков промышленных данных при государственной поддержке для совместной разработки и совершенствования прогнозных моделей.
Ключевые слова
предиктивная аналитика промышленного оборудования, интернет вещей (IoT), анализ больших данных, алгоритмы прогнозирования, туманные и edge-вычисления, искусственный интеллект, машинное обучение, предиктивное техническое обслуживание (PdM), промышленность 4.0, киберфизические системы, сбор данных, достоверность данных, аномалии данных, обработка данных, прогнозная модель, математическое моделирование, цифровая трансформация, отечественные разработки, системный подход, банки промышлен-ных данных
Для цитирования
Ершов А.Н. Актуальные проблемы развития предиктивной аналитики в промышленности // Вестник Маг-нитогорского государственного технического университета им. Г.И. Носова. 2025. Т. 23. №3. С. 187-194. https://doi.org/10.18503/1995-2732-2025-23-3-187-194
1. From knowledge-based to big data analytic model: a novel IoT and machine learning based decision support system for predictive maintenance in Industry 4.0 / Rosati R. et al. // Journal of Intelligent Manufacturing. 2023, vol. 34, no. 1, pp. 107-121.
2. Machine learning and deep learning based methods toward industry 4.0 predictive maintenance in induction motors: State of the art survey / Drakaki M. et al. // Journal of Industrial Engineering and Management (JIEM). 2022, vol. 15, no. 1, pp. 31-57.
3. Nunes P., Santos J., Rocha E. Challenges in predictive maintenance–A review // CIRP Journal of Manufacturing Science and Technology. 2023, vol. 40, pp. 53-67.
4. Implementation of predictive models in industrial machines with proposed automatic adaptation algorithm / Kuric I. et al. // Applied Sciences. 2022, vol. 12, no. 4, p. 1853.
5. Duan L., Da Xu L. Data analytics in industry 4.0: A survey // Information Systems Frontiers. 2021, pp. 1-17.
6. Advanced predictive analytics for control of industrial automation process / Bhogaraju S.D. et al. // Innovations in the Industrial Internet of Things (IIoT) and Smart Factory. IGI Global, 2021. Pp. 33-49.
7. Predictive maintenance in the Industry 4.0: A systematic literature review / Zonta T. et al. // Computers & Industrial Engineering. 2020, vol. 150, pp. 106889.
8. Digital transformation in smart manufacturing with industrial robot through predictive data analysis / Kumar M. et al. // Machine Learning for Robotics Applications. 2021, pp. 85-105.
9. Machine learning for predictive and prescriptive analytics of operational data in smart manufacturing / Lepenioti K. et al. // Advanced Information Systems Engineering Workshops: CAiSE 2020 International Workshops, Grenoble, France, June 8–12, 2020, Proceedings 32. Springer International Publishing, 2020. Pp. 5-16.
10. Heterogeneous bi-directional recurrent neural network combining fusion health indicator for predictive analytics of rotating machinery / Chang Y. et al. // ISA transactions. 2022, vol. 122, pp. 409-423.
11. A survey on data-driven predictive maintenance for the railway industry / Davari N. et al. // Sensors. 2021, vol. 21, no. 17, p. 5739.
12. Industrial artificial intelligence in industry 4.0-systematic review, challenges and outlook / Peres R. S. et al. // IEEE access. 2020, vol. 8, pp. 220121-220139.
13. Sahal R., Breslin J. G., Ali M. I. Big data and stream processing platforms for Industry 4.0 requirements mapping for a predictive maintenance use case // Journal of manufacturing systems. 2020, vol. 54, pp. 138-151.
14. On predictive maintenance in industry 4.0: Overview, models, and challenges / Achouch M. et al. // Applied Sciences. 2022, vol. 12, vol. 16, p. 8081.
15. Sang G. M., Xu L., de Vrieze P. A predictive mainte-nance model for flexible manufacturing in the context of industry 4.0 // Frontiers in big Data. 2021, vol. 4, p. 663466.