• Ломакина Любовь Сергеевна, Нижегородский государственный технический университет им. Р.Е. Алексеева
• Двитовская Алиса Николаевна, Нижегородский государственный технический университет им. Р.Е. Алексеева
• Корелин Кирилл Александрович, Нижегородский государственный технический университет им. Р.Е. Алексеева

В статье исследуется применение ансамблевых методов машинного обучения для диагностики и прогнозирования состояний технических и технологических объектов в условиях зашумленных данных, нелинейных зависимостей и высокой размерности признакового пространства. Актуальность работы обусловлена необходимостью повышения надежности промышленных систем за счет минимизации аварийных рисков и оптимизации эксплуатационных процессов. Традиционные подходы демонстрируют недостаточную точность в сложных сценариях, что мотивирует использование ансамблевых технологий, объединяющих прогнозы множества моделей для достижения устойчивых результатов. Основное внимание уделено методам Бэггинг, Бустинг и Стекинг, их математическому обоснованию и практической реализации. Проведен эксперимент с ансамблем на основе сверточных нейронных сетей (CNN) для классификации дефектов микроструктуры металла. Результаты показали рост точности прогнозирования при увеличении числа классов по сравнению с одиночной моделью, что подтверждает эффективность ансамблей в снижении дисперсии ошибок и коррекции смещения моделей. Предложенный подход демонстрирует потенциал для внедрения в промышленные системы, повышая надежность диагностики и безопасность эксплуатации сложных технических систем.

диагностика технических объектов, прогнозирование состояний, ансамблевые методы, бэггинг, бустинг, стекинг, сверточные нейронные сети

2025-12-01