Главная / Технологические фронты / Мониторинг состояния инструмента с применением ИИ в машиностроении

Мониторинг состояния инструмента с применением ИИ в машиностроении

Оценка износа и прогноз стойкости режущего инструмента методами машинного обучения.

В 2025 году направлению посвящено 376 работ, в 2020 году — 139 работ; доля работ направления в корпусе с 2020 по 2025 год выросла в 2,4 раза.

Публикации по годам

Скачать данные в CSV

Кто лидирует, 2021–2025

Страны по вкладу в работы направления за 2021–2025 годы (1 273 работы). Счет дробный: каждая работа делится между авторами и их странами. Для 18 % авторского вклада страна в данных не указана; доли считаются от всех работ.

Организации

Россия

За 2021–2025 годы — 16 работ с участием российских организаций; по дробному вкладу 15-е место среди 81 стран. Больше всего работ у организаций: Industrial University of Tyumen (2), Belgorod State Technological University (1), Perm National Research Polytechnic University (1), Don State Technical University (1), Institute of Machines Science (1).

Ключевые работы

Наиболее цитируемые работы 2015–2025 годов, среди них до двух обзоров. Заглавия — на языке оригинала; аннотации не приводятся, ссылки ведут к публикациям.

1. Machine Health Monitoring Using Local Feature-Based Gated Recurrent Unit Networks. IEEE Transactions on Industrial Electronics, 2017. Цитирований: 881. DOI
2. Learning to Monitor Machine Health with Convolutional Bi-Directional LSTM Networks. Sensors, 2017. Цитирований: 740. DOI
3. A Comparative Study on Machine Learning Algorithms for Smart Manufacturing: Tool Wear Prediction Using Random Forests. Journal of Manufacturing Science and Engineering, 2017. Цитирований: 668. DOI
4. Motion Capture Technology in Industrial Applications: A Systematic Review. Sensors, 2020. Цитирований: 301. Обзор. DOI
5. Physics guided neural network for machining tool wear prediction. Journal of Manufacturing Systems, 2020. Цитирований: 290. DOI
6. A Cost-Sensitive Deep Belief Network for Imbalanced Classification. IEEE Transactions on Neural Networks and Learning Systems, 2018. Цитирований: 283. DOI
7. Predictive Maintenance of Machine Tool Systems Using Artificial Intelligence Techniques Applied to Machine Condition Data. Procedia CIRP, 2019. Цитирований: 256. DOI
8. A data-driven model for milling tool remaining useful life prediction with convolutional and stacked LSTM network. Measurement, 2019. Цитирований: 250. DOI
9. Deep heterogeneous GRU model for predictive analytics in smart manufacturing: Application to tool wear prediction. Computers in Industry, 2019. Цитирований: 231. DOI
10. Tool wear classification using time series imaging and deep learning. The International Journal of Advanced Manufacturing Technology, 2019. Цитирований: 229. DOI

Как считали

Корпус — научные работы с 2010 года по 185 темам OpenAlex, отнесенным к машиностроению (перечень тем по 11 слоям); выгрузка OpenAlex — август 2026 года, метаданные распространяются по лицензии CC0. Учтены работы с аннотацией, в заглавии или аннотации которых встречаются термины направления. Доля — число работ направления на 100 тыс. работ корпуса с аннотацией за тот же год: так рост корпуса в целом не завышает рост направления. 2026 год неполный и в ряды не входит.

Искомые термины (в работе должен встретиться хотя бы один термин из каждой группы):

tool wear · tool condition · tool life · tool breakage · flank wear

machine learning · deep learning · neural network · artificial intelligence · reinforcement learning · large language model · generative ai · convolutional · random forest · support vector · gradient boosting · xgboost · lstm

Ограничения. Термины ищутся только на английском языке, поэтому работы на русском и других языках без английской аннотации недоучтены. Работы без аннотации в подсчет не входят. Классификация тем OpenAlex автоматическая и содержит ошибки. Число работ отражает интерес исследователей и не измеряет внедрение в производство.

Обновлено 04.11.2026