Современные методы прогнозирования и оценки надежности машин на этапе проектирования и эксплуатации

Abstract

Представлен системный обзор современных методов прогнозирования и оценки надежности машин на ключевых этапах их жизненного цикла: проектировании и эксплуатации. Рассмотрены классические вероятностно-статистические подходы и их цифровая эволюция на основе больших данных и машинного обучения. Особое внимание уделено предиктивной аналитике и цифровым двойникам как инструментам перехода от планово-предупредительных ремонтов к обслуживанию по фактическому состоянию. Анализируются синергетические эффекты от интеграции данных проектирования, испытаний и реальной эксплуатации для построения сквозных моделей надежности.

This paper presents a systematic review of modern methods for predicting and assessing machine reliability at key stages of their lifecycle: design and operation. Classic probabilistic- statistical approaches and their digital evolution based on big data and machine learning are considered. Attention is paid to predictive analytics and digital twins as tools for transitioning from scheduled preventive maintenance to condition-based maintenance. The synergistic effects of integrating design, testing, and real-world operation data to build end-to-end reliability models are analyzed.