Представлен подход к прогнозированию остаточного срока службы подшипников качения на основе анализа одноканального акселерометрического вибрационного сигнала. Для классификации текущего состояния подшипников (норма/неисправность) использован алгоритм Random Forest, а для оценки остаточного ресурса применены модели XGBoost и LSTM, обученные на производных статистических признаках вибросигнала. Обучение и валидация моделей выполнены на открытом экспериментальном наборе NASA Bearing Dataset, содержащем записи вибрации подшипников вплоть до их полного отказа. Показано, что использование ограниченного числа простых временных и частотных признаков обеспечивает высокую точность классификации (до 98–99 %) при невысокой вычислительной сложности. Визуализация динамики прогнозируемого остаточного ресурса во времени и анализ значимости признаков с помощью метода SHAP подтверждают применимость разработанной модели в задачах технической диагностики, мониторинга состояния и предиктивного обслуживания подшипниковых узлов.

остаточный срок службы, подшипники качения, предиктивное обслуживание, вибродиагностика, вибросигнал, XGBoost, Random Forest, LSTM, машинное обучение, интерпретация модели, NASA Bearing Dataset.