Результаты сравнительного анализа моделей 1D-CNN и GRU в задаче прогнозирования показателей швейных производств на основе эксплуатационных параметров оборудования

Д С Пономарев

doi:10.22213/2410-9304-2026-2-64-70

Авторы

Д. С. Пономарев ИжГТУ имени М. Т. Калашникова; Научно-исследовательский институт Федеральной службы исполнения наказаний

DOI:

https://doi.org/10.22213/2410-9304-2026-2-64-70

Ключевые слова:

прогнозирование производственных показателей, нейронные сети, временные ряды, 1d-cnn, gru, производственные процессы, машинное обучение, анализ временных рядов, промышленная аналитика

Аннотация

В современных производственных системах повышение эффективности управления технологическими процессами во многом связано с использованием методов интеллектуального анализа данных и машинного обучения. Одной из важных задач управления производственными предприятиями является прогнозирование объемов выпуска продукции на основе параметров эксплуатации оборудования и характеристик производственной нагрузки. Традиционные методы прогнозирования не всегда позволяют учитывать сложные нелинейные зависимости между параметрами функционирования оборудования и итоговыми производственными показателями, что ограничивает их применение в условиях динамично изменяющихся производственных процессов.В работе рассматривается задача прогнозирования объемов выпуска продукции швейных производственных участков на основе временных рядов эксплуатационных параметров оборудования. Исследование выполнено на основе данных швейных производств, функционирующих в исправительных учреждениях Приволжского федерального округа. Набор данных охватывает период с 2014 по 2022 год и включает 1129 наблюдений с месячным шагом временного ряда. В качестве входных признаков использовались показатели, характеризующие состояние и режим эксплуатации оборудования, включая коэффициенты загрузки и использования оборудования, время простоев, коэффициент отказов, среднее время восстановления оборудования, объем заказов, обеспеченность материалами и показатели кадровой загрузки производственного участка.Для решения задачи многократного прогнозирования были реализованы две архитектуры глубокого обучения: одномерная сверточная нейронная сеть (1D-CNN)и рекуррентная нейронная сеть типа GRU. Оценка точности прогнозирования проводилась с использованием метрик RMSE, MAE и MAPE. В результате экспериментального исследования было установлено, что обе модели позволяют достаточно эффективно прогнозировать динамику производственных показателей. Помимо этого, было выявлено, что модель GRU в целом может быть более точной в поставленной задаче прогнозирования. Полученные результаты подтверждают перспективность применения нейросетевых методов для анализа и прогнозирования производственных процессов на основе эксплуатационных параметров оборудования.

Биография автора

Д. С. Пономарев, ИжГТУ имени М. Т. Калашникова; Научно-исследовательский институт Федеральной службы исполнения наказаний

кандидат технических наук

Библиографические ссылки

Detection of Corona Faults in Switchgear by Using 1D-CNN, LSTM, and 1D-CNN-LSTM Methods / Ya. A. Mohammed Alsumaidaee, Ch. T. Yaw, S. P. Koh [et al.] // Sensors. 2023. Vol. 23, No. 6. P. 3108. DOI 10.3390/s23063108. EDN UTWEVL.

Deep Learning-Based Channel Estimation With 1D CNN for OFDM Systems Under High-Speed Railway Environments / A. Siriwanitpong, K. Sanada, H. Hatano [et al.] // IEEE Access. 2025. Vol. 13. P. 13128-13142. DOI 10.1109/access.2025.3531009. EDN YBNUIB.

Towards Automatic Depression Detection: A BiLSTM/1D CNN-Based Model / L. Lin, X. Chen, Y. Shen, L. Zhang // Applied Sciences (Switzerland). 2020. Vol. 10, No. 23. - P. 8701. DOI 10.3390/app10238701. EDN BZRNLD.

Jana, G. Ch. A 1D-CNN-Spectrogram Based Approach for Seizure Detection from EEG Signal / G. Ch. Jana, R. Sharma, A. Agrawal // Procedia Computer Science. 2020. Vol. 167. P. 403-412. DOI 10.1016/j.procs.2020.03.248. EDN YQOJQN.

Predicting Energy Consumption Using LSTM, Multi-Layer GRU and Drop-GRU Neural Networks / S. Mahjoub, L. Chrifi-Alaoui, B. Marhic, L. Delahoche // Sensors. 2022. Vol. 22, no. 11. P. 4062. DOI 10.3390/s22114062. EDN YPYEPY.

Cornelius Stephanus Alfredo. Time Series Forecasting of Significant Wave Height using GRU, CNN-GRU, and LSTM / Cornelius Stephanus Alfredo, D. A. Adytia // Jurnal RESTI (RekayasaSistem dan TeknologiInformasi). 2022. Vol. 6, no. 5. P. 776-781. DOI 10.29207/resti.v6i5.4160. EDN MWLDGO.

Chaudhari, S.Integration of GRU Features with Q-Learning based VARMA for Protocol DDoS Attack Analysis / S. Chaudhari, M. Solanki // International Journal of Communication Networks and Distributed Systems. 2025. Vol. 1, no. 1. DOI 10.1504/ijcnds.2025.10067549. EDN OZYSFY.

A Short-Term Power Load Forecasting Method Using CNN-GRU with an Attention Mechanism / Q. Hua, Z. Fan, W. Mu [et al.] // Energies. 2025. Vol. 18, no. 1. P. 106. DOI 10.3390/en18010106. EDN OPDKDU.

Zhang, K. Using neural network to automatic manufacture product label in enterprise under IoT environments / K. Zhang, Ch. Dong // Computer Science and Information Systems. 2023. Vol. 20, No. 2. P. 701-722. DOI 10.2298/csis220703019z. EDN AMFSRB.

Polling in the frequency domain: A new MAC protocol for industrial wireless network for factory automation / J. Lin, W. Liang, H. Yu, Y. Xiao // International Journal of Ad Hoc and Ubiquitous Computing. 2015. Vol. 20, No. 4. P. 211-222. DOI 10.1504/IJAHUC.2015.073434. EDN WRFNOD.

Chicco, D. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation / D. Chicco, M. J. Warrens, G. Jurman // PeerJ.Computer Science. 2021. Vol. 7. P. 1-24. DOI 10.7717/PEERJ-CS.623. EDN VSUBGE.

Пономарев Д. С., Горохов М. М., Пономарев С. Б., Разумова И. В. Производственная и трудовая деятельность как фактор медико-социальной адаптации осужденных : отчет о НИР / федеральное казенное учреждение «Научно-исследовательский институт Федеральной службы исполнения наказаний», 2022. С. 5-40.

Проверка надежности модели зависимости ВВП России от экспорта методом тестирования случайных остатков / А. А. Мухин, И. А. Мухина, Е. В. Марковина [и др.] // Вестник Алтайской академии экономики и права. 2022. № 4-2. С. 215-223. DOI 10.17513/vaael.2160. EDN OQDHJW.

Predicting the Wear Amount of Tire Tread Using 1D-CNN / H. Park, Ju. Seo, K. Kim, T. Kim // Sensors. 2024. Vol. 24, No. 21. P. 6901. DOI 10.3390/s24216901. EDN LDSLQN.

Pal, P. Meta-learning Based Cardiopathy Detection from PPG Signals Using GAN and 1D CNN / P. Pal, M. Mahadevappa // Circuits, Systems, and Signal Processing. 2024. DOI 10.1007/s00034-024-02941-6. EDN WGJZWB.

GRU-INC: An inception-attention based approach using GRU for human activity recognition / T. R. Mim, M. Amatullah, S. Afreen [et al.] // Expert Systems with Applications. 2023. Vol. 216. P. 119419. DOI 10.1016/j.eswa.2022.119419. EDN YGNKXC.