Ильнур Ильдарович Хасанов, кандидат технических наук, доцент
Москва
Ilnur I. Khasanov, Ph.D.(Eng.), associate professor
Moscow
Дмитрий Олегович Хорт, доктор технических наук, главный научный сотрудник
Москва
Dmitriy O. Khort, Dr.Sc.(Eng.), chief researcher
Moscow
Никита Васильевич Бережанский, старший преподаватель
Москва
Nikita V. Berezhansky, senior lecturer
Moscow
В условиях цифровизации агропромышленного комплекса и роста объемов данных, формируемых при эксплуатации сельскохозяйственных машин и технологического оборудования, возрастает потребность в интеллектуальных методах анализа, способных учитывать нелинейную динамику и адаптироваться к изменяющимся режимам работы оборудования. Особый интерес представляют методы прогнозирования временных рядов технологических параметров, обеспечивающие повышение точности мониторинга и переход к предиктивным стратегиям управления и обслуживания. (Цель исследования) Изучение возможностей рекуррентных нейронных сетей типа LSTM для краткосрочного прогнозирования временных рядов технологических параметров сельскохозяйственных машин и оборудования с учетом длительных временных зависимостей и нестационарного характера данных. (Материалы и методы) В качестве исходных данных использовались телеметрические временные ряды, полученные в процессе эксплуатации промышленного оборудования. Применен подход к формированию обучающих последовательностей, ориентированный на сохранение временного контекста. Для моделирования использовалась рекуррентная нейронная сеть архитектуры LSTM, обеспечивающая учет долгосрочных зависимостей. Качество прогнозирования оценивалось с использованием показателей MAE, MSE и RMSE. Для сравнения применялись модели ARIMA и полносвязная нейронная сеть. (Результаты и обсуждение) Разработанная LSTM-модель продемонстрировала высокую точность прогнозирования, эффективно воспроизводя как стационарные, так и переходные участки временных рядов. В ходе эксперимента получены значения MAE = 0,0094, MSE = 0,00014 и RMSE = 0,0119, превосходящие результаты моделей сравнения. (Выводы) Подтверждены эффективность применения LSTM-моделей для анализа и прогнозирования технологических процессов, а также перспективность их использования в системах промышленного мониторинга и предиктивного управления.
The digitalization of the agro-industrial sector and the growing volume of data generated by agricultural machinery and technological equipment create a demand for intelligent analytical methods capable of capturing nonlinear dynamics and adapting to changing operating modes. Time-series forecasting methods for technological parameters are of particular interest, as they can improve monitoring accuracy and enable the transition to predictive control and maintenance strategies. (Research purpose) The study aims to assess the potential of Long Short-Term Memory (LSTM) recurrent neural networks for short-term forecasting time series of technological parameters in agricultural machinery and equipment, taking into account long-term temporal dependencies and the non-stationary nature of the data. (Materials and methods) The study used telemetric time series obtained during the operation of industrial equipment as the initial data. Training sequences were developed to preserve the temporal context of the observations. Modelling was performed using a recurrent neural network based on the LSTM architecture, which allows long-term dependencies in the data to be captured. Forecasting performance was evaluated using the MAE, MSE, and RMSE metrics. ARIMA models and a fully connected neural network were employed as baseline methods for comparison. (Results and discussion) The developed LSTM model demonstrated high forecasting accuracy, effectively reproducing both stationary segments and transition periods of the time series. The experimental results yielded MAE = 0.0094, MSE = 0.00014, and RMSE = 0.0119, indicating that the proposed LSTM model outperformed the benchmark models. (Conclusions) The results confirm the effectiveness of LSTM-based models for the analysis and forecasting of technological processes and indicate their strong potential for application in industrial monitoring and predictive control systems.
The authors declare that there are no conflicts of interest present.