В статье представлена модульная архитектура отказоустойчивой аналитической платформы для прогнозирования отказов в парке дорожной техники, разработанная с учётом специфики эксплуатации катков, асфальтоукладчиков и гусеничных экскаваторов. Архитектура интегрирует классические статистические методы и нейросетевые модели в единую гибридную систему, способную обрабатывать нестационарные, неполные и зашумлённые данные с бортовых сенсоров. Особое внимание уделено снижению числа ложных срабатываний за счёт механизма динамической калибровки порогов и оценки доверительных интервалов. Экспериментальная верификация проведена на реальных данных, собранных в ходе эксплуатации 14 единиц техники в течение 8 месяцев. Результаты показали, что предложенная платформа обеспечивает F1-меру не ниже 0,93 при уровне пропусков до 20 % и снижает количество ложных тревог на 34 % по сравнению с традиционными решениями на основе изолированных моделей машинного обучения. Разработанная архитектура совместима с бортовыми вычислительными модулями и может быть интегрирована в существующие системы управления парком техники.