ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ІНТЕЛЕКТУАЛЬНОГО УПРАВЛІННЯ СЕРВІСНИМИ ПРОЦЕСАМИ В АВТОМОБІЛЬНІЙ ГАЛУЗІ НА ОСНОВІ BIG DATA
DOI:
https://doi.org/10.30837/0135-1710.2026.189.057Ключові слова:
Big Data, автомобільна галузь, сервісні процеси, інформаційна технологія, технічне обслуговування, прогнозування ризику відмови, машинне навчання, аналіз даних, транспортні засоби, сервісні рішенняАнотація
Предметом дослідження є методи, моделі й засоби побудови інформаційної технології інтелектуального управління сервісними процесами на основі Big Data. Мета роботи – створення інформаційної технології інтелектуального управління сервісними процесами в автомобільній галузі на основі Big Data для персоналізації сервісних послуг, автоматизації прийняття рішень щодо обслуговування та підвищення ефективності взаємодії між сервісними центрами, виробниками й споживачами. З огляду на окреслену мету необхідно виконати такі завдання: дослідити сучасні підходи до управління сервісними процесами в автомобільній галузі та визначити можливості використання Big Data для їх інтелектуалізації; проаналізувати джерела й структури даних, які застосовуються в сервісних процесах автомобільної галузі; розробити структуру інформаційної технології інтелектуального управління сервісними процесами на основі інтеграції різнорідних даних; реалізувати запропоновану інформаційну технологію та експериментально оцінити її працездатність. Методи. У роботі використано методи системного аналізу для дослідження сервісних процесів в автомобільній галузі та визначення основних інформаційних потоків між сервісними центрами, виробниками й споживачами. Для оброблення великих масивів різнорідних даних упроваджено методи інтеграції, очищення й аналізу інформації. Інформаційна технологія розроблялася завдяки використанню методів інтелектуального аналізу даних, машинного навчання, класифікації та підтримки прийняття рішень. Для експериментальної перевірки працездатності запропонованого підходу застосовано методи обчислювального моделювання, порівняльного аналізу й оцінювання якості моделей за стандартними метриками класифікації. Програмну реалізацію виконано мовою Python у середовищі Google Colab. Результати дослідження. Розроблено інформаційну технологію управління сервісними процесами в автомобільній галузі на основі Big Data, що забезпечує інтеграцію технічних, експлуатаційних і сервісних даних, оцінювання ризику відмови й формування сервісних рішень. У середовищі Google Colab реалізовано програмний прототип цієї технології мовою Python на основі датасету scania_component_x_combined, сформованого з відкритого набору SCANIA Component X Dataset. Експериментальна перевірка підтвердила працездатність запропонованого підходу й високу якість розподілу нормальних станів і станів ризику транспортних засобів. Висновки. Результати дослідження підтвердили доцільність використання Big Data для аналітичної підтримки сервісних процесів в автомобільній галузі. Запропонована інформаційна технологія може бути застосована як основа для підвищення обґрунтованості сервісних рішень, вчасного виявлення станів ризику й подальшого розвитку цифрових систем технічного обслуговування транспортних засобів.
Посилання
Han, X., Gstrein, O. J., Andrikopoulos, V. (2024), "When we talk about Big Data, What do we really mean? Toward a more precise definition of Big Data", Front. Big Data, Vol. 7:1441869. DOI: https://doi.org/10.3389/fdata.2024.1441869
Theissler, A., Pérez-Velázquez, J., Kettelgerdes, M. Gordon Elger, (2021), "Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry", Reliability Engineering & System Safety, Vol. 215. 23 p. DOI: https://doi.org/10.1016/j.ress.2021.107864
Wang, X., Liu M., Liu, C., Ling, L., Zhang, X., (2023) "Data-driven and Knowledge-based predictive maintenance method for industrial robots for the production stability of intelligent manufacturing", Expert Systems with Applications, Vol. 234. DOI: https://doi.org/10.1016/j.eswa.2023.121136
Murtaza, A., Saher, A., Zafar, M., Moosavi, S., Aftab, M., Sanfilippo, F., (2024), "Paradigm shift for predictive maintenance and condition monitoring from Industry 4.0 to Industry 5.0: A systematic review, challenges and case study", Results in Engineering, Vol. 24. DOI: https://doi.org/10.1016/j.rineng.2024.102935
Hossain, N., Rahman, M., Ramasamy, D., (2025), "Advances in intelligent vehicular health monitor-ing and fault diagnosis: Techniques, technologies, and future directions", Measurement, Vol. 253, Part B. DOI: https://doi.org/10.1016/j.measurement.2025.117618
Errezgouny, A., Chater, Y., González, C., Cherkaoui, A., (2025), "An integrated deep learning approach for predictive vehicle maintenance", Decision Analytics Journal, Vol. 16. DOI: https://doi.org/10.1016/j.dajour.2025.100597
Takara, L., Mariani, V., Coelho, L., (2025), "Novel engine fault diagnosis framework based on machine learning and MiniRocket feature extraction using multi-correlation feature selection and predictive power score", Expert Systems with Applications, Vol. 293. DOI: https://doi.org/10.1016/j.eswa.2025.128662
Chen, F., Jia, H., Zhou, W, (2025), "Vehicle Maintenance Demand Prediction: A Survey", Applied Sciences, Vol. 15(20):11095. DOI: https://doi.org/10.3390/app152011095
Tharinda, N., Kosgoda, D., Thibbotuwawa, A., Nielsen, I., (2025), "Predictive Analytics for Demand Forecasting in Automobile and Automotive Spare Parts Industry: Comparative Study", IFAC-PapersOnLine. Vol. 59, Issue 24, pp. 356–361. DOI: https://doi.org/10.1016/j.ifacol.2025.11.891
Titu, A., Grecu, D., Pop, A., Șugar, I., (2025), "Service Process Modeling in Practice: A Case Study in an Automotive Repair Service Provider", Applied Sciences, No. 15(8):4171. DOI: https://doi.org/10.3390/app15084171
Chen, F., Shang, D., Zhou, G., Xu, M., Ye, R., Ren, F., Wu, G., (2024), "Cooperative Static and Dynamic Correlation-Aware Learning for Vehicle Maintenance Demand Prediction", IEEE Access, pp. 1–13. DOI: DOI: https://doi.org/10.1109/ACCESS.2024.3524433
Becker, S., Grunske, L., Mirandola, R., Overhage, S. (2006), "Performance Prediction of Component-Based Systems. In: Reussner, R.H., Stafford, J.A., Szyperski, C.A. (eds) Architecting Systems with Trustworthy Components", Lecture Notes in Computer Science, vol 3938, Springer, Berlin, Heidelberg. DOI: https://doi.org/10.1007/11786160_10
Mahale, Y., Kolhar, S., More, A., (2025), "A comprehensive review on artificial intelligence driven predictive maintenance in vehicles: technologies, challenges and future research directions", Discover Applied Sciences 7(4), pp. 1–26. DOI: https://doi.org/10.1007/s42452-025-06681-3
Ali, S., Abuhmed, T., El-Sappagh, S., Muhammad, K., Alonso-Moral, J., Confalonieri, R., Guidotti, R., Del Ser, J., Díaz-Rodríguez, N., Herrera, F., (2023), "Explainable Artificial Intelligence (XAI): What we know and what is left to attain Trustworthy Artificial Intelligence", Information Fusion, Vol. 99. pp. 1–52. DOI: https://doi.org/10.1016/j.inffus.2023.101805
Andersen, J., Degn, L., Fishberg, R., Graversen, E., Horbach, S., Schmidt, E., Schneider, J., Sørensen, M., (2025), "Generative Artificial Intelligence (GenAI) in the research process – A survey of researchers’ practices and perceptions", Technology in Society, Vol. 81, pp. 1–11. DOI: https://doi.org/10.1016/j.techsoc.2025.102813
SCANIA Component X Dataset: A Real-World Multivariate Time Series Dataset for Predictive Maintenance. DOI: https://doi.org/10.58141/1w9m-yz81
UA 
EN 
