Стаття

Отримано 11.01.2026

Доопрацьовано 19.05.2026

Прийнято 25.06.2026

Опубліковано 04.07.2026

Взято з Том 29, № 1, 2026

Сторінки 39 -49

Kulbovskyi, I., & Staruk, O. (2026). Systemic assessment of the technical condition of vehicles as a tool for optimising production processes of motor transport enterprises. Transport Systems and Technologies, 29(1), 39-49. https://doi.org/10.32703/2617-9040-2026-47-3

Системна оцінка технічного стану транспортних засобів як інструмент оптимізації виробничих процесів автотранспортних підприємств

Іван Кульбовський*, Олександр Старук

i.kulbovskyi@ntu.edu.ua

Метою цього дослідження було розроблення методологічної основи для системного оцінювання технічного стану транспортних засобів та визначення його ролі в оптимізації виробничих процесів на підприємствах автомобільного транспорту. Методологія дослідження ґрунтувалася на кількісному підході, який поєднував системний аналіз, моделювання на основі симуляцій, порівняльний аналіз, багатокритеріальну оцінку та бінарну логістичну регресію для визначення взаємозв’язку між станом транспортного засобу та ймовірністю його відмови. Для відтворення стохастичної операційної мінливості, характерної для середніх підприємств автомобільного транспорту, було розроблено симульований масив даних, що відображав експлуатацію 50 транспортних засобів протягом 12 місяців за допомогою симуляції Монте-Карло. Масив даних включав технічні, експлуатаційні, надійності та економічні параметри. Для забезпечення порівнянності гетерогенних змінних застосовувалася нормалізація методом «мінімум-максимум», після чого було розроблено інтегрований індикатор технічного стану з використанням динамічних коефіцієнтів ваги на основі експертної оцінки та кореляційного аналізу. Валідація моделі здійснювалася за допомогою коефіцієнта Nagelkerke R², середньої абсолютної помилки, кореня середньоквадратичної помилки та статистичних тестів Вальда для визначення значущості коефіцієнтів регресії. Результати показали, що запропонована модель дозволяє здійснювати комплексну класифікацію транспортних засобів за рівнем технічної готовності та значно підвищує ефективність планування технічного обслуговування порівняно з традиційними підходами до планових ремонтів. Аналіз засвідчив, що технічне погіршення у поєднанні з високим експлуатаційним навантаженням суттєво підвищує ймовірність відмов. Запропонована методологічна основа зменшила обсяг незапланованого простою транспортних засобів на 42 %, скоротила витрати на технічне обслуговування на 20 % та підвищила точність прогнозування з 62 % до 85 %. Регресійна модель підтвердила наявність сильного оберненого зв’язку між інтегрованим індикатором технічного стану та ймовірністю відмови транспортного засобу. Практичне значення дослідження полягає у наданні підприємствам автомобільного транспорту інструменту, заснованого на даних, для планування прогнозованого обслуговування, розподілу ресурсів, прийняття рішень щодо модернізації автопарку та підвищення експлуатаційної надійності в умовах динамічної транспортної діяльності

прогнозне технічне обслуговування; управління парком транспортних засобів; виробничі процеси; інтелектуальна діагностика; модель; ефективність
  1. Aulin, V., Rogovskii, I., Lyashuk, O., Titova, L., Hrynkiv, A., Mironov, D., & Lysenko, S. (2024). Comprehensive assessment of technical condition of vehicles during operation based on Harrington’s desirability function. Eastern-European Journal of Enterprise Technologies, 1(3(127)), 37-46. doi: 10.15587/1729-4061.2024.298567.
  2. Bokrantz, J., Skoogh, A., Berlin, C., & Stahre, J. (2020). Smart maintenance: A research agenda for industrial maintenance management. International Journal of Production Economics, 224, article number 107547. doi: 10.1016/j.ijpe.2019.107547.
  3. Carvalho, T.P., Soares, F.A.A.M.N., Vita, R., Francisco, R.P., Basto, J.P., & Alcalá, S.G.S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, article number 106024.
    doi: 10.1016/j.cie.2019.106024.
  4. Chernyaev, I., Oleshchenko, E., & Danilov, I. (2020). Methods for continuous monitoring of compliance of vehicles’ technical condition with safety requirements during operation. Transportation Research Procedia, 50, 77-85. doi: 10.1016/j.trpro.2020.10.010.
  5. Crespo del Castillo, A., & Parlikad, A.K. (2024). Dynamic fleet management: Integrating predictive and preventive maintenance with operation workload balance to minimise cost. Reliability Engineering & System Safety, 249, article number 110243. doi: 10.1016/j.ress.2024.110243.
  6. de Jonge, B., Teunter, R., & Tinga, T. (2017). The influence of practical factors on the benefits of condition-based maintenance over time-based maintenance. Reliability Engineering & System Safety, 158, 21-30. doi: 10.1016/j.ress.2016.10.002.
  7. Eddy, C.W., Castanier, M.P., & Wagner, J.R. (2024). Predictive maintenance of a ground vehicle using digital twin technology. SAE International Journal of Advances and Current Practices in Mobility, 7(2), 865-876. doi: 10.4271/2024-01-2867.
  8. Ersöz, O.Ö., İnal, A.F., Aktepe, A., Türker, A.K., & Ersöz, S. (2022). A systematic literature review of predictive maintenance from transportation systems aspect. Sustainability, 14(21), article number 14536. doi: 10.3390/su142114536.
  9. Giannoulidis, A., & Gounaris, A. (2022). A context-aware unsupervised predictive maintenance solution for fleet management. Journal of Intelligent Information Systems, 58(2), 521-547. doi: 10.1007/s10844-022-00744-2.
  10. Gorzelańczyk, P., Kliszewski, Ł., & Piątkowski, P. (2023). Analysis of the impact of the technical condition of vehicles on road safety. The Archives of Automotive Engineering – Archiwum Motoryzacji, 100(2), 62-74. doi: 10.14669/AM/168680.
  11. Hudec, J., Šarkan, B., & Czó­dörová, R. (2021). Examination of the results of the vehicles technical inspections in relation to the average age of vehicles in selected EU states. Transportation Research Procedia, 55, 2-9. doi: 10.1016/j.trpro.2021.07.063.
  12. Jachymczyk, U., Knap, P., & Lalik, K. (2024). Improved intelligent condition monitoring with diagnostic indicator selection. Sensors, 25(1), article number 137. doi: 10.3390/s25010137.
  13. Lei, Y., Li, N., Guo, L., Li, N., Yan, T., & Lin, J. (2018). Machinery health prognostics: A systematic review from data acquisition to RUL prediction. Mechanical Systems and Signal Processing, 104, 799-834. doi: 10.1016/j.ymssp.2017.11.016.
  14. Lorenc, A., & Kuźnar, M. (2024). Minimization of material waste through maintenance interval optimization in transport systems. Applied Sciences, 14(23), article number 11318. doi: 10.3390/app142311318.
  15. Nota, G., Nota, F.D., Toro, A., & Nastasia, M. (2024). A framework for unsupervised learning and predictive maintenance in Industry 4.0. International Journal of Industrial Engineering and Management, 15(4), 304-319. doi: 10.24867/IJIEM-2024-4-365.
  16. Patil, A., Soni, G., Prakash, A., & Karwasra, K. (2021). Maintenance strategy selection: A comprehensive review of current paradigms and solution approaches. International Journal of Quality & Reliability Management, 38(3), 675-703. doi: 10.1108/IJQRM-04-2021-0105.
  17. Taoufyq, H., El Guemmat, K., Mansouri, K., & Akef, F. (2025). Predictive maintenance approaches: A systematic literature review. Journal of Industrial Engineering and Management, 18(3), 427-458. doi: 10.3926/jiem.8537.
  18. Tiddens, W.W., Braaksma, J., & Tinga, T. (2023). Decision framework for predictive maintenance method selection. Applied Sciences, 13, article number 3. doi: 10.3390/app13032021.
  19. van Dinter, R., Tekinerdogan, B., & Catal, C. (2022). Predictive maintenance using digital twins: A systematic literature review. Information and Software Technology, 151, article number 107008. doi: 10.1016/j.infsof.2022.107008.
  20. Wang, Y., Lim, S., Nguyen, D.V., Olhofer, M., & Bäck, T. (2021). Optimizing the maintenance schedule for a vehicle fleet: A simulation-based case study. Engineering Optimization, 54(7), 1258-1271. doi: 10.1080/0305215X.2021.1919888.
  21. Werbińska-Wojciechowska, S., Giel, R., & Winiarska, K. (2024). Digital twin approach for operation and maintenance of transportation system: A systematic review. Sensors, 24(18), article number 6069. doi: 10.3390/s24186069.
  22. Xiao, B., Zhong, J., Bao, X., Chen, L., Bao, J., & Zheng, Y. (2024). Digital twin-driven prognostics and health management for industrial assets. Science Reports, 14, article number 13443. doi: 10.1038/s41598-024-63990-0.
  23. Zonta T., da Costa C.A., da Rosa Righi R., de Lima M.J., da Trindade E.S., & Li G.P. (2021). Predictive maintenance in Industry 4.0: A systematic literature review. Computers & Industrial Engineering, 150, article number 106889. doi: 10.1016/j.cie.2020.106889.

https://doi.org/10.32703/2617-9040-2026-47-3