Диагностика и прогнозирование неисправностей транспортных средств на основе искусственного интеллекта и машинного обучения: обзор современных подходов
Ключевые слова:
транспортные средства, искусственный интеллект, машинное обучение, техническая диагностика, выявление неисправностей, прогнозирование неисправностей, предиктивное техническое обслуживание, эксплуатационная надёжность, CAN-bus, OBD, нейронные сети, остаточный ресурсАннотация
В статье представлен обзор современных подходов к применению технологий искусственного интеллекта и машинного обучения для контроля технического состояния, раннего выявления и прогнозирования неисправностей транспортных средств. Рассматривается значение интеллектуальных диагностических систем для повышения эксплуатационной надёжности автомобилей, снижения затрат на техническое обслуживание и предупреждения внезапных отказов. Обобщены особенности применения алгоритмов контролируемого и неконтролируемого машинного обучения, нейронных сетей, глубокого обучения, ансамблевых моделей и методов предиктивного технического обслуживания. Особое внимание уделяется обработке эксплуатационных данных, получаемых через CAN-bus, OBD, телематические системы и различные датчики, с целью классификации неисправностей, оценки технического состояния и прогнозирования остаточного ресурса компонентов транспортных средств. По результатам анализа определены преимущества, существующие ограничения и перспективные направления развития интеллектуальных систем диагностики транспортных средств.
Библиографические ссылки
Jardine A. K. S., Lin D., Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance // *Mechanical Systems and Signal Processing*. – 2006. – Vol. 20, No. 7. – P. 1483–1510. – DOI: 10.1016/j.ymssp.2005.09.012.
Zhao R., Yan R., Chen Z., Mao K., Wang P., Gao R. X. Deep learning and its applications to machine health monitoring // *Mechanical Systems and Signal Processing*. – 2019. – Vol. 115. – P. 213–237. – DOI: 10.1016/j.ymssp.2018.05.050
Lei Y., Yang B., Jiang X., Jia F., Li N., Nandi A. K. Applications of machine learning to machine fault diagnosis: A review and roadmap // *Mechanical Systems and Signal Processing*. – 2020. – Vol. 138. – Art. 106587. – DOI: 10.1016/j.ymssp.2019.106587
Theissler A., Pérez-Velázquez J., Kettelgerdes M., Elger G. Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry // *Reliability Engineering & System Safety*. – 2021. – Vol. 215. – Art. 107864. – DOI: 10.1016/j.ress.2021.107864.
Jain M., Vasdev D., Pal K., Sharma V. Systematic literature review on predictive maintenance of vehicles and diagnosis of vehicle’s health using machine learning techniques // *Computational Intelligence*. – 2022. – Vol. 38, No. 6. – P. 1990–2008. – DOI: 10.1111/coin.12553.
Shafi U., Safi A., Shahid A. R., Ziauddin S., Saleem M. Q. Vehicle Remote Health Monitoring and Prognostic Maintenance System // *Journal of Advanced Transportation*. – 2018. – Vol. 2018. – Art. ID 8061514. – 10 p. – DOI: 10.1155/2018/8061514.
Li X., Wang N., Lyu Y., Duan Y., Zhao J. Data-Driven Fault Early Warning Model of Automobile Engines Based on Soft Classification // *Electronics*. – 2023. – Vol. 12, No. 3. – Art. 511. – DOI: 10.3390/electronics12030511.
Cervantes-Bobadilla M., García-Morales J., Saavedra-Benítez Y. I., Hernández-Pérez J. A., Adam-Medina M., Guerrero-Ramírez G. V., Escobar-Jiménez R. F. Multiple fault detection and isolation using artificial neural networks in sensors of an internal combustion engine // *Engineering Applications of Artificial Intelligence*. – 2023. – Vol. 117, Part A. – Art. 105524. – DOI: 10.1016/j.engappai.2022.105524.
Rahim M. A., Rahman M. M., Islam M. S., Muzahid A. J. M., Rahman M. A., Ramasamy D. Deep learning-based vehicular engine health monitoring system utilising a hybrid convolutional neural network/bidirectional gated recurrent unit // *Expert Systems with Applications*. – 2024. – Vol. 257. – Art. 125080. – DOI: 10.1016/j.eswa.2024.125080.
Rauf H., Khalid M., Arshad N. Machine learning in state of health and remaining useful life estimation: Theoretical and technological development in battery degradation modelling // *Renewable and Sustainable Energy Reviews*. – 2022. – Vol. 156. – Art. 111903. – DOI: 10.1016/j.rser.2021.111903.
Renold A. P., Kathayat N. S. Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles // *IEEE Access*. – 2024. – Vol. 12. – P. 43984–43999. – DOI: 10.1109/ACCESS.2024.3380452.
Lv Z., Ou S., Jing H., Wu G., Shi D. Self-supervised learning for electric vehicle battery remaining useful life prediction using real-world unlabeled data // *Energy*. – 2026. – Vol. 356. – Art. 141302. – DOI: 10.1016/j.energy.2026.141302.
Hossain M. N., Rahman M. M., Ramasamy D. Advances in intelligent vehicular health monitoring and fault diagnosis: Techniques, technologies, and future directions // *Measurement*. – 2025. – Vol. 253, Part B. – Art. 117618. – P. 1–22. – DOI: 10.1016/j.measurement.2025.117618
Mahale Y., Kolhar S., More A. S. A comprehensive review on artificial intelligence driven predictive maintenance in vehicles: Technologies, challenges and future research directions // *Discover Applied Sciences*. – 2025. – Vol. 7. – Art. 243. – DOI: 10.1007/s42452-025-06681-3
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
