Предиктивные технологии в обслуживании оборудования: драйвер роста или источник новых вызовов?
Яковлева М.В.
, Петрова Д.М.
1 Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет), Москва, Россия
Статья в журнале
Экономика высокотехнологичных производств (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 6, Номер 4 (Октябрь-декабрь 2025)
Аннотация:
Переход от реактивных стратегий обслуживания оборудования к предиктивным моделям становится ключевым элементом цифровой трансформации промышленных предприятий. Однако внедрение систем прогнозной аналитики, основанных на IoT-сенсорах, цифровых двойниках и алгоритмах машинного обучения, сопряжено с комплексом технических, экономических и организационных рисков, требующих взвешенной оценки. В статье проведен анализ противоречий между декларируемыми преимуществами предиктивного подхода - снижением незапланированных простоев, оптимизацией ресурсов и увеличением жизненного цикла оборудования - и скрытыми угрозами, такими как ложные срабатывания алгоритмов, высокая стоимость инфраструктуры и зависимость от качества данных. На основе опыта промышленных предприятий авторы выявляют критические факторы, определяющие эффективность перехода: зрелость цифровой экосистемы, компетенции персонала и адаптивность бизнес-процессов. Результаты исследования демонстрируют, что экономическая выгода от предиктивных систем проявляется только при условии комплексной трансформации управления активами, внедрение кросс-функциональных команд и создание обратной связи для обучения моделей. Работа предлагает подход для оценки готовности предприятий к внедрению прогнозного обслуживания, позволяющий минимизировать риски технологических и финансовых потерь
Ключевые слова: предиктивное обслуживание, система технического обслуживания и ремонта, промышленное оборудование, риски, эффективность, цифровая трансформация
JEL-классификация: L51, L52, O25, O32, O33
Источники:
2. Лехтцинд В. В., Трофимюк А. У. Предиктивное ТОРО на основе интеграционного решения ITPS // Автоматизация в промышленности. – 2017. – № 12. – c. 23–27.
3. Власов А. И., Григорьев П. В., Кривошеин А. И. Модель предиктивного обслуживания оборудования с применением беспроводных сенсорных сетей // Надежность и качество сложных систем. – 2018. – № 4. – c. 65–75.
4. Насонов М.А. Повышение эффективности планирования профилактического обслуживания оборудования на промышленном предприятии // ДОСТИЖЕНИЯ НАУКИ И ТЕХНОЛОГИЙ: сборник научных статей по материалам IV Всероссийской (национальной) научной конференции. Красноярск, 2025. – c. 231-239.
5. Митиогло А. М. Предиктивное обслуживание оборудования: зарубежный и отечественный опыт // Молодой ученый. – 2021. – № 25. – c. 211-214.
6. Майорова К. С. Цифровая трансформация производственной системы промышленного предприятия на основе экосистемного подхода. / дис. … канд. экон. наук. - Москва, 2024.
7. Яковлева М. В., Шалина А. И. Разработка рекомендаций по внедрению предиктивного обслуживания оборудования на высокотехнологичных предприятиях // Вопросы инновационной экономики. – 2023. – № 3. – c. 1531-1550.
8. Яковлева М. В., Шалина А. И. Алгоритм принятия решений о внедрении предиктивного обслуживания оборудования на высокотехнологичных предприятиях // Вопросы инновационной экономики. – 2023. – № 1. – c. 159-172.
9. Гагарина Л.Г., Шевнина Ю.С., Семенов М. Ю., Царапкин С. Ф., Минаков Е. И. Предиктивные модели производственных процессов микроэлектроники с учетом стохастических факторов // Известия вузов. Электроника. – 2025. – № 5. – c. 586-596.
10. Фролова М. М., Чепыжов Д. С. Предиктивное техническое обслуживание как средство обеспечения экономической безопасности промышленных предприятий // Экономическая безопасность: Материалы VII Международной научно-практической конференции. Нижний Новгород, 2019. – c. 271-275.
11. Данилин А.О., Ибатулин М.Ю. Внедрения системы мониторинга производственной линии с применением промышленных датчиков // Инжиниринг предприятий и управление знаниями. Москва, 2022. – c. 87.
12. Ellingrud K., Gupta R., Salguero J. Building the vital skills for the future of work in operations // McKinsey & Company. – 2020.
13. Siemens AG. MindSphere Case Studies. [Электронный ресурс]. URL: https://new.siemens.com/global/en/products/software/mindsphere.html (дата обращения: 26.04.2025).
14. Predix Performance Reports. General Electric. [Электронный ресурс]. URL: https://www.ge.com/digital/predix (дата обращения: 26.04.2025).
15. On Predictive Maintenance in Industry 4.0. ResearchGate. [Электронный ресурс]. URL: https://www.researchgate.net/publication/362696960_On_Predictive_Maintenance_in_Industry_40_Overview_Models_and_Challenges (дата обращения: 26.04.2025).
16. Отчёт о цифровизации производства. СИБУР. [Электронный ресурс]. URL: https://www.sibur.ru/ru/press-center/news-and-press/tsifrovizatsiya-i-transformatsiya-protsessov-k-2023-godu-prinesli-siburu-bolee-30-mlrd-rubley/ (дата обращения: 26.04.2025).
17. Severstal Strategy 2024-2028. СЕВЕРСТАЛЬ. [Электронный ресурс]. URL: https://severstal.com/upload/iblock/743/sptelixrx7rx5w6f6kgu33ef43xhb852/Severstal_strategy_2024-2028.pdf (дата обращения: 26.04.2025).
18. AI-based Predictive Maintenance. Hitachi. [Электронный ресурс]. URL: https://www.hitachi.com/New/cnews/month/2018/10/181004.pdf (дата обращения: 26.04.2025).
19. Industrial Analytics Reports. AVEVA Group. [Электронный ресурс]. URL: https://www.aveva.com/en/about/news/press-releases/2023/aveva-accelerates-progress-on-decarbonizing-operations-and-delivering-software-that-advances-net-zero-according-to-new-sustainability-report/ (дата обращения: 26.04.2025).
20. Стратегия цифровой трансформации обрабатывающих отраслей промышленности в целях достижения их «цифровой зрелости». Минпромторг России. [Электронный ресурс]. URL: https://minpromtorg.gov.ru/storage/797ced43-043d-4b4e-b72b-3d36984adbc7/documents/3a3eaba0-c6e7-4094-ad3a-5bbf8f3048ce/1bde905b-0eae-45d4-81e9-37bc043f8311.pdf?ysclid=mbay1obhe977205378 (дата обращения: 26.04.2025).
21. Стратегическое направление в области цифровой трансформации. Правительство России. [Электронный ресурс]. URL: https://minpromtorg.gov.ru/storage/797ced43-043d-4b4e-b72b-3d36984adbc7/ssp-documents/abbb33db-2a98-4ddb-bc4c-eb3a8fb09b02/a236524c-5bca-470a-8365-e2bfd472a7b3.docx?ysclid=mbay560ewh878524897 (дата обращения: 26.04.2025).
22. Майорова К. С. Цифровая трансформация производственной системы промышленного предприятия на основе эко системного подхода: дис. – 2024.
23. IBM Maximo Predictive Maintenance. IBM. [Электронный ресурс]. URL: https://www.ibm.com/products/maximo (дата обращения: 26.04.2025).
24. Unlocking Value in Manufacturing with Advanced Analytics. BCG. [Электронный ресурс]. URL: https://www.bcg.com/about/partner-ecosystem/world-economic-forum/data-value-manufacturing (дата обращения: 26.04.2025).
25. The Rise of Smart Maintenance in Manufacturing. ResearchGate. [Электронный ресурс]. URL: https://www.researchgate.net/publication/344635512_Machine_Learning_in_Predictive_Maintenance_towards_Sustainable_Smart_Manufacturing_in_Industry_40 (дата обращения: 26.04.2025).
26. AI-Powered Asset Management and Predictive Maintenance. ResearchGate. [Электронный ресурс]. URL: https://www.researchgate.net/publication/387070341_AI-Driven_Predictive_Maintenance_in_Asset_Management (дата обращения: 26.04.2025).
27. Intelligent asset management matters. Accenture. [Электронный ресурс]. URL: https://www.accenture.com/us-en/services/digital-engineering-manufacturing/intelligent-asset-management (дата обращения: 26.04.2025).
28. Predictive maintenance for manufactures. Community. [Электронный ресурс]. URL: https://community.se.com/t5/Success-Stories-Corner/Ensuring-assets-are-always-available-with-predictive-maintenance/ba-p/372065?country=Global (дата обращения: 26.04.2025).
29. Smart Factory and Predictive Maintenance Case Studies. Huawei. [Электронный ресурс]. URL: https://e.huawei.com/en/industries/manufacturing (дата обращения: 26.04.2025).
30. Predictive Maintenance and Service on SAP BTP. WordPress. [Электронный ресурс]. URL: https://sidniin.wordpress.com/2023/03/08/unleashing-the-power-of-data-analytics-via-sap-btp-how-sap-analytics-services-can-drive-business-success/ (дата обращения: 26.04.2025).
31. The Next Frontier for industrial Digitalization. Iottechexpo. [Электронный ресурс]. URL: https://www.iottechexpo.com/northamerica/talk/panel-the-next-frontier-for-industrial-digitalization/ (дата обращения: 26.04.2025).
32. Application-Wise Review of Machine Learning-Based Predictive Maintenance: Trends, Challenges, and Future Directions. MDPI. [Электронный ресурс]. URL: https://www.mdpi.com/2076-3417/15/9/4898?utm_source=chatgpt.com (дата обращения: 26.04.2025).
Страница обновлена: 22.11.2025 в 18:23:53
Predictive technologies in equipment maintenance: a growth driver or a source of new challenges?
Yakovleva M.V., Petrova D.M.Journal paper
High-tech Enterprises Economy
Volume 6, Number 4 (October-December 2025)
Abstract:
The transition from reactive equipment maintenance strategies to predictive models is becoming a key element of the digital transformation of industrial enterprises. However, the introduction of predictive analytics systems based on IoT sensors, digital twins, and machine learning algorithms involves a range of technical, economic, and organizational risks that require a balanced assessment. The article analyzes the contradictions between the declared advantages of the predictive approach - reducing unplanned downtime, optimizing resources and increasing the life cycle of equipment - and hidden threats such as false alarms of algorithms, high cost of infrastructure and dependence on data quality. Based on the experience of industrial companies, the authors identify critical factors that determine the effectiveness of the transition: the maturity of the digital ecosystem, the competence of personnel, and the adaptability of business processes. The results of the study demonstrate that the economic benefits of predictive systems are manifested only under the condition of a comprehensive transformation of asset management, the introduction of cross-functional teams, and the creation of feedback for model training. The article provides an approach for assessing the company readiness to implement predictive maintenance, which minimizes the risks of technological and financial losses.
Keywords: predictive maintenance, maintenance and repair system, industrial equipment, risk, efficiency, digital transformation
JEL-classification: L51, L52, O25, O32, O33
References:
AI-Powered Asset Management and Predictive MaintenanceResearchGate. Retrieved April 26, 2025, from https://www.researchgate.net/publication/387070341_AI-Driven_Predictive_Maintenance_in_Asset_Management
AI-based Predictive MaintenanceHitachi. Retrieved April 26, 2025, from https://www.hitachi.com/New/cnews/month/2018/10/181004.pdf
Application-Wise Review of Machine Learning-Based Predictive Maintenance: Trends, Challenges, and Future DirectionsMDPI. Retrieved April 26, 2025, from https://www.mdpi.com/2076-3417/15/9/4898?utm_source=chatgpt.com
Danilin A.O., Ibatulin M.Yu. (2022). Implementation of a production line monitoring system using industrial sensors Enterprise engineering and knowledge management. 87.
Ellingrud K., Gupta R., Salguero J. (2020). Building the vital skills for the future of work in operations McKinsey & Company. 20
Frolova M. M., Chepyzhov D. S. (2019). Predictive maintenance as a means of ensuring the economic security of industrial enterprises Economic security. 271-275.
Gagarina L.G., Shevnina Yu.S., Semenov M. Yu., Tsarapkin S. F., Minakov E. I. (2025). PREDICTIVE MODELS OF MICROELECTRONICS MANUFACTURING PROCESSES WITH ACCOUNT FOR STOCHASTIC FACTORS. Izvestiya vuzov. Elektronika. (5). 586-596.
IBM Maximo Predictive MaintenanceIBM. Retrieved April 26, 2025, from https://www.ibm.com/products/maximo
Industrial Analytics ReportsAVEVA Group. Retrieved April 26, 2025, from https://www.aveva.com/en/about/news/press-releases/2023/aveva-accelerates-progress-on-decarbonizing-operations-and-delivering-software-that-advances-net-zero-according-to-new-sustainability-report/
Intelligent asset management mattersAccenture. Retrieved April 26, 2025, from https://www.accenture.com/us-en/services/digital-engineering-manufacturing/intelligent-asset-management
Lekhttsind V. V., Trofimyuk A. U. (2017). Predictive TORO based on the ITPS integration solution. Avtomatizatsiya v promyshlennosti. (12). 23–27.
Mayorova K. S. (2024). Digital transformation of an industrial enterprise's production system based on an ecosystem approach
Mitioglo A. M. (2021). Predictive equipment maintenance: foreign and domestic experience. Molodoy uchenyy. (25). 211-214.
Nasonov M.A. (2025). Improving the efficiency of planning preventive maintenance of equipment in an industrial enterprise Editorial Board. 231-239.
On Predictive Maintenance in Industry 4.0ResearchGate. Retrieved April 26, 2025, from https://www.researchgate.net/publication/362696960_On_Predictive_Maintenance_in_Industry_40_Overview_Models_and_Challenges
Panfilov D. N. (2023). Application of digital technologies and predictive diagnostics in thermal power engineering. Avtomatizatsiya v promyshlennosti. (11). 49-53.
Predictive Maintenance and Service on SAP BTPWordPress. Retrieved April 26, 2025, from https://sidniin.wordpress.com/2023/03/08/unleashing-the-power-of-data-analytics-via-sap-btp-how-sap-analytics-services-can-drive-business-success/
Predictive maintenance for manufacturesCommunity. Retrieved April 26, 2025, from https://community.se.com/t5/Success-Stories-Corner/Ensuring-assets-are-always-available-with-predictive-maintenance/ba-p/372065?country=Global
Predix Performance ReportsGeneral Electric. Retrieved April 26, 2025, from https://www.ge.com/digital/predix
Siemens AGMindSphere Case Studies. Retrieved April 26, 2025, from https://new.siemens.com/global/en/products/software/mindsphere.html
Smart Factory and Predictive Maintenance Case StudiesHuawei. Retrieved April 26, 2025, from https://e.huawei.com/en/industries/manufacturing
The Next Frontier for industrial DigitalizationIottechexpo. Retrieved April 26, 2025, from https://www.iottechexpo.com/northamerica/talk/panel-the-next-frontier-for-industrial-digitalization/
The Rise of Smart Maintenance in ManufacturingResearchGate. Retrieved April 26, 2025, from https://www.researchgate.net/publication/344635512_Machine_Learning_in_Predictive_Maintenance_towards_Sustainable_Smart_Manufacturing_in_Industry_40
Unlocking Value in Manufacturing with Advanced AnalyticsBCG. Retrieved April 26, 2025, from https://www.bcg.com/about/partner-ecosystem/world-economic-forum/data-value-manufacturing
Vlasov A. I., Grigorev P. V., Krivoshein A. I. (2018). MODEL OF PREDICTIVE EQUIPMENT MAINTENANCE WITH APPLICATION OF WIRELESS TOUCH NETWORKS. Nadezhnost i kachestvo slozhnyh sistem. 2 (4). 65–75.
Yakovleva M. V., Shalina A. I. (2023). DECISION-MAKING ALGORITHM FOR THE IMPLEMENTATION OF PREDICTIVE EQUIPMENT MAINTENANCE IN HIGH-TECH COMPANIES. Russian Journal of Innovation Economics. 13 (1). 159-172.
Yakovleva M. V., Shalina A. I. (2023). DEVELOPING RECOMMENDATIONS FOR IMPLEMENTING PREDICTIVE MAINTENANCE IN HIGH-TECH COMPANIES. Russian Journal of Innovation Economics. 13 (3). 1531-1550.