Предмет исследования. Предложен новый способ организации систем превентивного сервисного обслуживания (включая системы обслуживания по состоянию и системы предсказательного обслуживания), основанных на использовании современных методов машинного обучения и функционирующих с привлечением оригинального, непараметрического метода идентификации текущей фазы деградации обслуживаемого оборудования. Метод. Предложенный подход заключается в сведении задачи идентификации текущей фазы деградации оборудования к интервальному оцениванию величины параметра «индекс здоровья» оборудования, представляющего собой ступенчатую функцию. Аргументами этой функции является некоторый набор измеримых параметров, объективно характеризующих состояние оборудования. Текущая фаза деградации оборудования определяется с использованием классификационного подхода, в рамках которого на основании анализа наблюдаемых данных, принимается решение о том, какому классу (фазе состояния) эти данные соответствуют. В качестве данных, используемых для идентификации стадии деградации оборудования, рассматриваются измерения от группы сенсоров в общем случае различной физической природы, которые размещены как на поверхности, так и внутри контролируемого оборудования. Математически предложенный подход сводится к взвешенной комбинации двух классификаторов. Один из классификаторов этой комбинации основан на решении группы задач бинарной классификации. Второй классификатор базируется на оценивании параметра «оставшийся срок полезного использования» методом непараметрической регрессии. Основные результаты. В отличие от традиционных предложенный подход использует минимум априорной информации о принципах функционирования и устройстве обслуживаемого оборудования и основан на использовании ступенчатой функции «индекс здоровья» оборудования. Новизна подхода заключена в одновременном использовании ступенчатой функции «индекс здоровья» и взвешенной комбинации двух классификаторов различной структуры. Разработанный метод показал положительные результаты при его тестировании на базе данных C-MAPPS Dataset, которая содержит данные об отказах турбовентиляторных двигателей, смоделированных с использованием термодинамической имитационной модели. Предотказный статус оборудования идентифицирован с вероятностью 99 %. Практическая значимость. Полученные результаты и алгоритмы могут быть использованы в системах превентивного обслуживания с целью высоконадежной идентификации текущей стадии деградации оборудования.