Опубликовано: 04.08.2026 | Источник: TechCrunch

Перед генерацией провела семантический анализ: - **Поддомен**: AI/ML — предиктивное техническое обслуживание. - **Роль**: Data/ML-инженер. - **Основной поисковый запрос**: «предиктивное техническое обслуживание в ВКР». - **LSI-запросы**: модели временных рядов, Random Forest, MAE/RMSE, датасеты PHM, архитектура C4, ГОСТ 34.601, ISO/IEC 25010, Kubernetes для ML-сервиса, экономический эффект от предсказательного ремонта. - **Вопросы студентов**: какой стек выбрать, где взять данные для теста, как рисовать диаграммы по ГОСТ, как посчитать эффективность, как защитить работу без переделок. - **Ключевые сущности**: ГОСТ 34.601, ISO/IEC 25010, UML/C4, RMSE/MAE, Random Forest / LSTM. Выбрана схема **B**: Введение → Основная часть (с темами ВКР) → FAQ → Чек-лист → Ошибки → CTA → Эксперт → Источник. ```html

Предиктивное обслуживание в ВКР: опыт Gecko Robotics и реализация модели машинного обучения

Пятилетний контракт Gecko Robotics с ВМС США на мониторинг и прогнозирование обслуживания кораблей показал: роботы и машинное обучение — не фантастика, а рабочий инструмент для экономии миллионов. Для студента ИТ это готовый индустриальный кейс. Разберём, как превратить новость TechCrunch в структуру ВКР: от анализа временных рядов до защиты с расчётом экономического эффекта. Вы получите конкретные темы, тезисы для глав и метрики, которые усилят вашу работу.

Основная часть: от новости к главам диплома

Темы ВКР по мотиву статьи

Как встроить кейс в главу 1: анализ предметной области

Начните с обзора рынка предиктивного обслуживания. Упомяните, что Gecko Robotics выиграла крупнейший контракт с ВМС США для мониторинга и предсказания ремонтов кораблей — это доказывает промышленную зрелость технологии. Покажите переход от планово-предупредительного ремонта (ТО по регламенту) к ремонту по фактическому состоянию (Condition-based Maintenance). Определите роли: роботы собирают данные (толщина металла, вибрация, температура), а ML предсказывает отказ.

Для дипломной работы постройте диаграмму Use Case и контекстную схему C4 для будущей системы.

@startuml
actor "Судовой инженер" as eng
actor "Робот-дефектоскоп" as robot

robot --> (Сбор телеметрии)
(Сбор телеметрии) --> (Обработка сигналов)
(Обработка сигналов) --> (Прогноз остаточного ресурса)
(Прогноз остаточного ресурса) --> eng
@enduml

Глава 2: проектируем ML-систему

Возьмите за основу архитектуру «датчики → шлюз → брокер → ML-сервис → API». Опишите компоненты: сбор, валидация, предобработка, модель, экспозиция метрик. Для диплома достаточно одного сервиса на FastAPI и очереди RabbitMQ. Покажите диаграмму классов UML для сущностей «Equipment», «SensorReading», «Prediction».

class Equipment:
    id: int
    name: str
    type: str
    max_rul: float

class SensorReading:
    equipment_id: int
    timestamp: datetime
    value: float

class Prediction:
    equipment_id: int
    model_name: str
    predicted_rul: float
    confidence: float

В коде реализуйте пайплайн обучения. Ниже пример на Python для случайного леса.

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error

df = pd.read_csv('train.csv')
X = df.drop('rul', axis=1)
y = df['rul']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = RandomForestRegressor(n_estimators=120, max_depth=15)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

print(f'MAE = {mean_absolute_error(y_test, y_pred):.2f} цикла')

Глава 3: тестирование и эффективность

Используйте метрики MAE, RMSE, а также коэффициент детерминации R². Для задач классификации (нормальное состояние / отказ) — precision, recall, F1. В таблице сравните baseline и вашу модель.

Экономический эффект считают по снижению затрат на внеплановые ремонты. Пусть средний простой судна стоит 1 млн руб/сутки. Система предсказала отказ за 10 дней — экономия составила 10 млн рублей на одном инциденте. Опишите такую формулу в главе 3 и подтвердите итоговую окупаемость.

Практические выводы: чему вы научитесь в дипломе

• Строить конвейер обработки временных рядов от сырых данных до признаков.
• Сравнивать классические ML-модели и нейросети по метрикам MAE/RMSE.
• Проектировать архитектуру ML-сервиса и оформлять по ГОСТ 34.601.
• Проводить экономическое обоснование внедрения предиктивного обслуживания.
• Защищать работу с понятными диаграммами C4/UML и цифрами эффективности.

FAQ

Где взять данные для ВКР, если нет доступа к военным кораблям?

Используйте открытые наборы NASA C-MAPSS или данные PHM Society по подшипникам. В них уже есть метки «остаточный ресурс». Этого достаточно для учебного проекта и экспериментов.

Какие модели лучше всего показывают себя в предиктивном обслуживании?

Для табличных данных — Gradient Boosting (XGBoost, LightGBM). Для временных последовательностей — LSTM/GRU. Также стоит попробовать Transformer, но учтите, что для диплома достаточно обосновать выбор и сравнить 2–3 модели.

Как оформить схемы по ГОСТ без лишней бюрократии?

Используйте PlantUML для UML-диаграмм и Archi для C4. ГОСТ 34.601 требует наличие «Контекстной диаграммы», «Схемы архитектуры» и «Схемы информационных потоков». Подпишите каждую как рисунок, добавьте пояснительный текст и ссылку на стандарт.

Как рассчитать экономический эффект, если нет реальных данных о затратах?

Возьмите среднерыночные цифры из открытых источников (например, стоимость часа простоя производственной линии). Опишите допущения и сделайте чувствительность — при изменении стоимости простоя на ±30% результат остаётся положительным. Это добавляет защищаемости работе.

Чек-лист «Что проверить перед сдачей»

Типичные ошибки студентов

Блок эксперта

Мягкий CTA

Источник: Gecko Robotics lands the largest US Navy robotics deal yet (опубликовано 2026-03-17)

```