Abstract
<jats:p>У статті розглянуто проблему зниження якості моделей машинного навчання для вібродіагностики вузлів мобільних машин за умов доменного зсуву (зміна режимів роботи, навантаження, стендових/польових умов, датчиків) та шуму міток (неточні записи технічного сервісу, помилки класифікації станів, перехідні режими). Запропоновано умовну методику вибору архітектури моделі у вигляді матриці рішень, яка пов’язує тип і “суворість” доменного зсуву, обсяг і якість розмічених даних, рівень зашумлення сигналу та міток із доцільним класом моделей (класичні моделі на інженерних ознаках, гібридні підходи, ансамблеві та напівнаглядові стратегії). Методика підтверджена експериментами на задачах діагностики підшипників і редукторів: для помірного доменного зсуву показано перевагу робастифікованих ансамблів за високого шуму міток, тоді як для сильного доменного зсуву встановлено обмежену ефективність складних ансамблевих стратегій і доцільність простіших рішень із доменною адаптацією. Отримані результати формують практичні рекомендації для побудови інтелектуальної системи технічного сервісу, орієнтованої на обслуговування за станом у реальних польових умовах.</jats:p>