В современных условиях цифровизации промышленности проблема минимизации внезапных производственных простоев оборудования приобретает критическое значение. Переход от реактивных стратегий технического обслуживания к проактивному раннему предупреждению является основой повышения эффективности предприятий. Цель статьи заключается в разработке и апробации системно-имитационного подхода к оценке эффективности предиктивных моделей производственных сбоев. В ходе исследования предложена гибридная архитектура, объединяющая предиктивные возможности алгоритмов машинного обучения (на базе градиентного бустинга) и среду дискретно-событийного имитационного моделирования (программа AnyLogic). Для оценки качества прогнозирования отказов обоснована необходимость использования событийно-ориентированной метрики полноты обнаружения (Event Recall). Эксперимент проведен на открытом массиве телеметрических данных автомобильного производства, включающем более 500 тыс. записей. В среде AnyLogic сформирован цифровой двойник производственной линии, реализующий различные регламенты реагирования. В ходе сценарного моделирования доказано, что интеграция предиктора машинного обучения в логику цифрового двойника позволяет обосновать выбор порога тревоги, соблюдая баланс между частотой ложных срабатываний и пропущенными авариями. Сценарий упреждающей профилактики продемонстрировал сокращение суммарного времени аварийных простоев оборудования по сравнению с базовым подходом работы до отказа. Научная новизна работы состоит в формировании архитектуры сквозного моделирования, которая переводит оценку алгоритмов машинного обучения в плоскость прикладного системного анализа. Разработанный инструментарий обладает высокой практической значимостью для предприятий, реализующих концепцию «Индустрия 4.0», позволяя тестировать экономический эффект от искусственного интеллекта в виртуальной среде до физического внедрения.
In modern conditions of industrial digitalization, the problem of minimizing sudden production equipment downtime is of critical importance. The transition from reactive maintenance strategies to proactive early warning is the basis for increasing enterprise efficiency. Purpose of the article is to develop and test a system-simulation approach to evaluating the effectiveness of predictive models of production failures. The study proposes a hybrid architecture combining the predictive capabilities of machine learning algorithms (based on gradient boosting) and a discrete-event simulation environment (AnyLogic software). To assess the quality of failure forecasting, the necessity of using the event-oriented metric of detection completeness (Event Recall) is justified. The experiment was conducted on an open dataset of automotive manufacturing telemetry, including over five hundred thousand records. A digital twin of the production line was formed in the AnyLogic environment, implementing various response regulations. Scenario modeling proved that integrating the machine learning predictor into the digital twin logic makes it possible to justify the choice of the alarm threshold, maintaining a balance between the frequency of false alarms and missed accidents. The proactive prevention scenario demonstrated a reduction in total emergency equipment downtime compared to the baseline run-to-failure approach. The scientific novelty of the work lies in the formation of an end-to-end modeling architecture that translates the evaluation of machine learning algorithms into the plane of applied system analysis. The developed tools have high practical significance for enterprises implementing the “Industry 4.0” concept, allowing them to test the economic effect of artificial intelligence in a virtual environment prior to physical implementation.
1. Боровков А. И., Рябов Ю. А. Цифровые двойники: определение, подходы и методы разработки // Цифровая трансформация экономики и промышленности. СПб.: СпбПУ, 2019. С. 234–245. URL: https://cyberleninka.ru/article/n/tsifrovye-dvoyniki-v-upravlenie-zhiznennym-tsiklom-izdeliy-i-tehnologiy (дата обращения: 29.06.2026). DOI: 10.18720/IEP/2019.3/25. EDN: ZUPIWC.
2. Давыдов И. Д. 3D технологии и искусственный интеллект - эпоха автоматизации // Педагогика, психология и экономика: вызовы современности и тенденции развития. М.: ММА, 2024. С. 15–22. URL: https://mmamos.ru/wp-content/uploads/science/pedagog-aspir_2024.pdf (дата обращения: 29.06.2026).
3. Савицкий О. М. Разработка интеллектуальной системы мониторинга и прогнозирования состояния горнодобывающего оборудования на основе технологий граничных вычислений и машинного обучения // Научные исследования в области цифровых технологий. Кемерово: КузГТУ, 2025. С. 31507.1–31507.4. URL: https://elibrary.ru/item.asp?id=84077357 (дата обращения: 29.06.2026).
4. Хасти Т., Тибширани Р., Фридман Дж. Основы статистического обучения. Интеллектуальный анализ данных, логический вывод и прогнозирование. М.: Вильямс, 2020. 768 с. ISBN 978-5-907144-42-2.
5. Давыдов И. Д. Оптимизация уровня ошибок процессов 3D-печати и аддитивного производства при интеграции искусственного интеллекта // Инженерный вестник Дона. 2025. № 11. URL: https://cyberleninka.ru/article/n/optimizatsiya-urovnya-oshibok-protsessov-3d-pechati-i-additivnogo-proizvodstva-pri-integratsii-iskusstvennogo-intellekta (дата обращения: 29.06.2026).
6. Прохоров А., Лысачев М. Цифровой двойник. Анализ, тренды, мировой опыт. М.: АльянсПринт, 2020. 401 с. [Электронный ресурс]. URL: https://datafinder.ru/files/new4/digital_twin_book.pdf (дата обращения: 29.06.2026). ISBN 978-5-98094-008-9.
7. Ismail L., Abdelmoti A., Basu A., Berini A. D. E., Naouss M. A Systematic Review of Digital Twin-Driven Predictive Maintenance in Industrial Engineering: Taxonomy, Architectural Elements, and Future Research Directions. 2025. Art. 2509. 24443. DOI: 10.48550/arXiv.2509.24443.
8. Errandonea I., Beltrán S., Arrizabalaga S. Digital Twin for maintenance: A literature review // Computers in Industry. 2020. Vol. 123. Art. 103316. URL: https://www.sciencedirect.com/science/article/pii/S016636152030118X (дата обращения: 29.06.2026). DOI: 10.1016/j.compind.2020.103316.
9. Aheleroff S., Xu X., Zhong R. Y., Lu Y. Digital Twin as a Service (DTaaS) in Industry 4.0: an Architecture Reference Model // Advanced Engineering Informatics. 2021. Vol. 47. Art. 101225. URL: https://www.sciencedirect.com/science/article/pii/S147403462030232X (дата обращения: 29.06.2026). DOI: 10.1016/j.aei.2020.101225.
10. Гусев П. Ю., Таволжанский А. В. Алгоритмизация обработки и подготовки данных для построения моделей предиктивной аналитики // Вестник ВГТУ. 2024. Т. 20. № 2. С. 14–19. URL: https://cyberleninka.ru/article/n/algoritmizatsiya-obrabotki-i-podgotovki-dannyh-dlya-postroeniya-modeley-prediktivnoy-analitiki (дата обращения: 29.06.2026). DOI: 10.36622/1729-6501.2024.20.2.002.
11. Дьяконов А. Г. Машинное обучение и анализ данных (курс лекций) [Электронный ресурс] // GitHub. 2024. URL: https://github.com/Dyakonov/MLDM_BOOK (дата обращения: 29.06.2026).
12. Кормин Т. Г., Царицон Н. И., Тихонов И. Н., Хирнов С. А. Применение имитационного моделирования при вводе в эксплуатацию производственной линии // Вестник ПНИПУ. 2025. № 53. С. 88–110. URL: https://cyberleninka.ru/article/n/primenenie-imitatsionnogo-modelirovaniya-pri-vvode-v-ekspluatatsiyu-proizvodstvennoy-linii (дата обращения: 29.06.2026). DOI: 10.15593/2224-9397/2025.1.05.
13. Абдулнагимов А. И., Агеев Г. К. Нейросетевые технологии в полунатурном моделировании: принципы реализации цифровых двойников ГТД // Вестник УГАТУ. 2019. Т. 23. № 4 (86). С. 115–121. URL: https://cyberleninka.ru/article/n/neyrosetevye-tehnologii-v-polunaturnom-modelirovanii-printsipy-realizatsii-tsifrovyh-dvoynikov-gtd (дата обращения: 09.07.2026).
14. Неупокоева Е. О., Быстров В. В., Шишаев М. Г. Гибридная технология синтеза транспортно-логистических систем на основе машинного обучения и имитационного моделирования // Экономика. Информатика. 2024. Т. 51. № 3. С. 670–681. URL: https://cyberleninka.ru/article/n/gibridnaya-tehnologiya-sinteza-transportno-logisticheskih-sistem-na-osnove-mashinnogo-obucheniya-i-imitatsionnogo-modelirovaniya (дата обращения: 29.06.2026). DOI: 10.52575/2687-0932-2024-51-3-670-681.
15. Добренко Н. В., Бабан В. Ю., Чернышева А. В., Говоров А. И. Разработка интегрированной панели управления жизненным циклом моделей машинного обучения для ИТ-организаций с распределенной инфраструктурой // Экономика. Право. Инновации. 2025. Т. 13. № 4. С. 83–100. URL: https://cyberleninka.ru/article/n/razrabotka-integrirovannoy-paneli-upravleniya-zhiznennym-tsiklom-modeley-mashinnogo-obucheniya-dlya-it-organizatsiy-s (дата обращения: 29.06.2026). DOI: 10.17586/2713-1874-2025-4-83-100.
16. Давыдов И. Д. Исходный код и модели машинного обучения для системы предиктивного обслуживания (DT-driven PdM) [Электронный ресурс] // GitHub. [Электронный ресурс]. URL: https://github.com/Bibabus/predictive-maintenance-ml (дата обращения: 28.06.2026).
17. Акопов А. С. Имитационное моделирование: учебник и практикум для вузов. М.: Юрайт, 2020. 389 с. EDN: KJJXUP. ISBN 978-5-534-02528-6.
18. Борщев А. В. Практическое агентное моделирование и его место в арсенале аналитика // Exponenta Pro. 2004. № 3–4. С. 38–47. URL: http://simulation.su/uploads/files/default/borchev.pdf (дата обращения: 29.06.2026).
19. Culligan L. Bosch Production Line Performance [Электронный ресурс] // GitHub. [Электронный ресурс]. URL: https://github.com/liamculligan/bosch-production-line-performance (дата обращения: 25.06.2026).
20. Лычкина Н. Н. Имитационное моделирование экономических процессов. М. ИНФРА-М, 2024. 254 с. [Электронный ресурс]. URL: https://znanium.ru/read?id=431111 (дата обращения: 29.06.2026). DOI: 10.12737/724. ISBN 978-5-16-018933-8.
21. Каримов А. И., Хафизов А. Р. Цифровой двойник как основа самообучающейся системы предсказательного обслуживания в строительстве // Наука молодых – инновационному развитию АПК в обеспечении продовольственной безопасности Российской Федерации: материалы Всероссийской (национальной) научно-практической конференции молодых ученых (г. Уфа, 26 ноября 2025 г.). Уфа: БГАУ, 2025. С. 175–180. [Электронный ресурс]. URL: https://www.elibrary.ru/item.asp?id=89168160 (дата обращения: 29.06.2026).
22. Welch G., Bishop G. An Introduction to the Kalman Filter // University of North Carolina at Chapel Hill, Department of Computer Science. 1995. TR 95-041. [Электронный ресурс]. URL: https://www.cs.cmu.edu/~motionplanning/papers/sbp_papers/kalman/welch_intro_kalman.pdf (дата обращения: 07.07.2026).
23. Gama J., Žliobaitė I., Bifet A., Pechenizkiy M., Bouchachia H. A survey on concept drift adaptation // ACM Computing Surveys (CSUR). 2014. Vol. 46. Is. 4. P. 1–37. URL: https://www.researchgate.net/publication/261961254_A_Survey_on_Concept_Drift_Adaptation (дата обращения: 07.07.2026). DOI: 10.1145/2523813.