Метод прогнозирования отказов медицинского оборудования без телеметрии на основе событийных данных эксплуатации

Состояние вопроса. Предиктивное техническое обслуживание – одно из ключевых направлений применения машинного обучения в управлении жизненным циклом оборудования. Телеметрические методы обеспечивают высокую точность и требовательны к инфраструктуре и модификации оборудования, ограничивая их применимость для медицинской техники, работающей без телеметрии. Классические статистические методы анализа и оценки надежности (Вейбулл, Кокс) не учитывают динамику событийной последовательности, подходы процессной аналитики не адаптированы к редким сервисным записям. Ни одно из рассмотренных направлений применения методов предиктивного обслуживания не удовлетворяет одновременно трем ключевым требованиям: независимости от телеметрической инфраструктуры, учета динамики дискретных эксплуатационных событий и возможности прямого применения к стандартным сервисным журналам медицинского оборудования. В связи с этим целью настоящего исследования является разработка и верификация метода прогнозирования отказов медицинского оборудования на основе дискретных событийных данных эксплуатации, не требующего телеметрии и использующего только стандартные журналы сервисного обслуживания.

Материалы и методы. Для бинарной классификации отказов применены логистическая регрессия с балансировкой классов и градиентный бустинг XGBoost с учетом требований интерпретируемости и дисбаланса классов (14 %). Валидация выполнена с разбиением по объектам и стратифицированной кросс‑валидацией (5 фолдов); основная метрика – ROC‑AUC. Метод верифицирован на данных эксплуатации электроэнцефалографического оборудования ООО «Нейрософт» (г. Иваново).

Результаты. Разработан и верифицирован метод прогнозирования отказов медицинского оборудования по дискретным событийным данным без телеметрии. Разработан метод формирования признакового пространства из дискретных событийных данных с агрегацией на горизонтах 30, 90 и 180 дней, применимый к стандартным журналам сервисных заявок. Установлено, что модель XGBoost достигает значения ROC‑AUC = 0,82 на горизонте 90 дней, против 0,60 у логистической регрессии. По данным SHAP, сокращение интервалов между ремонтами менее ~281 дня – значимый индикатор роста вероятности отказа.

Выводы. Значение ROC‑AUC = 0,82 свидетельствует о хорошем качестве модели при дисбалансе классов, а стандартное отклонение 0,13 указывает на достаточную устойчивость результата. Модель позволяет ранжировать парк по риску отказа на горизонте 90 дней, планировать внеплановое обслуживание и оптимизировать запасы комплектующих. Перспективы дальнейших исследований связаны с валидацией предложенного метода на расширенных выборках, включением признаков фактической нагрузки оборудования и адаптацией модели к дополнительным горизонтам прогнозирования (30 и 180 дней).