Прогнозирование временных рядов технологических параметров оборудования на основе рекуррентных нейронных сетей LSTM

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.

1. Костомахин М.Н., Пестряков Е.В. Программный комплекс для дистанционного контроля узлов и агрегатов // Сельскохозяйственные машины и технологии. 2022. Т. 16. N4. С. 19-25. DOI: 10.22314/2073-7599-2022-16-4-19-25.

2. Pashshoev B., Petrusevich D.A. Neural network analysis in time series forecasting. Russ. Technol. J. 2024;12(4):106−116. DOI: 10.32362/2500-316X-2024-12-4-106-116.

3. Qin S.J. Process data analytics in the era of big data. AIChE Journal. 2020. Vol. 66. Iss. 4. e16865. DOI:10.1002/aic.14523.

4. Napoleone A., Macchi M., Pozzetti A.A review on the characteristics of cyber-physical systems for the future smart factories. Journal of Manufacturing Systems. 2020. 54. 305-335. DOI: 10.1016/j.jmsy.2020.01.007.

5. Gao Y., Wang R., Zhou E. Stock prediction based on optimized LSTM and GRU models. Wireless Communications and Mobile Computing. 2021. 4055281. DOI: 10.1155/2021/4055281.

6. Mathonsi T., van Zyl T. L. A statistics and deep learning hybrid method for multivariate time series forecasting and mortality modeling. Forecasting. 2022. Vol. 4. N1. 1-25. DOI: 10.48550/arXiv.2112.08618.

7. Zhang C., Sjarif N.N.A., Ibrahim R. Deep learning models for price forecasting of financial time series: A review of recent advancements: 2020-2022. 2023. DOI: 10.1002/widm.1519.

8. Smyl S., Dudek G., Pelka P. ES-dRNN: a hybrid exponential smoothing and dilated recurrent neural network model for short-term load forecasting. 2112.02663 [cs.LG]. 2021. DOI: 10.48550/arXiv.2112.02663.

9. Саввин Н.В. Прогнозирование временных рядов: улучшение LSTM-моделей с помощью векторно-временного кодирования // Инженерные системы и сооружения. 2025. N2 (60). С. 148-154. DOI: 10.36622/2074-188X.2025.54.65.015.

10. Zhang G., Ren T., Yang Y. A new unified deep learning approach with decomposition-reconstruction-ensemble framework for time series forecasting. 2002.09695 [stat. ML]. 2020. DOI: 10.48550/arXiv.2002.09695.

11. Erichson N.B., Lim S.H., Mahoney M.W. Gated recurrent neural networks with weighted time-delay feedback. 2212.00228 [cs.LG]. 2022. DOI: 10.48550/arXiv.2212.00228.

12. Пашшоев Б.А., Петрусевич Д.А. Анализ нейросетевых моделей для прогнозирования временных рядов. Russian Technological Journal. 2024. Т. 12. N4. С. 106-116. DOI: 10.32362/2500-316X-2024-12-4-106-116.

13. Nurhaida I., Noprisson H., Ayumi V. et al. Implementation of deep learning predictor (LSTM) algorithm for human mobility prediction. 2020. International Journal of Interactive Mobile Technologies. 2020. Vol. 14. N18. 132-144. DOI: 10.3991/ijim.v14i18.16867.

14. Рапаков Г.Г., Горбунов В.А., Дианов С.В., Елизарова Л.В. Исследование LSTM-нейросетевого подхода при моделировании временных рядов // Вестник Череповецкого государственного университета. 2023. N3 (114). С. 47-54. DOI: 10.23859/1994-0637-2023-3-114-4.

15. Wang Q., Chen L., Zhao J., Wang W. A deep granular network with adaptive unequal-length granulation strategy for long-term time series forecasting and its industrial applications. Artificial Intelligence Review. 2020. Vol. 53. N7. 5353-5381. DOI: 10.1007/s10462-020-09822-9.

16. Смирнов И.Г., Хорт Д.О., Кутырев А.И. Интеллектуальные технологии и роботизированные машины для возделывания садовых культур // Сельскохозяйственные машины и технологии. 2021. Т. 15. N4. С. 35-41. DOI: 10.22314/2073-7599-2021-15-4-35-41.