Research indexJournal article
ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО И ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗНОГО ПЛАНИРОВАНИЯ И РЕСУРСОСБЕРЕЖЕНИЯ В ПРОИЗВОДСТВЕННЫХ СИСТЕМАХ
Искакова, Алгожаева, Курманкулова and 2 others
INTERNATIONAL JOURNAL OF INFORMATION AND COMMUNICATION TECHNOLOGIES21 Oct 2026Open access
NobleIDark:/48914/w1/20261119/3FEB850CDOI10.54309/ijict.2026.27.3.002
ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО И ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗНОГО ПЛАНИРОВАНИЯ И РЕСУРСОСБЕРЕЖЕНИЯ В ПРОИЗВОДСТВЕННЫХ СИСТЕМАХ
Искакова, Алгожаева, Курманкулова and 2 others · INTERNATIONAL JOURNAL OF INFORMATION AND COMMUNICATION TECHNOLOGIES · 2026
NobleIDark:/48914/w1/20261119/3FEB850CDOI10.54309/ijict.2026.27.3.002
Abstract
Цифровизация производственных предприятий и совмест-ное использование интеллектуальных цеховых устройств и программных систем в системах управления производством (СУП) привели к резкому росту объёма доступных данных. Степень способности предприятий извлекать ценные знания из больших данных и получать полезные инсайты является ключевым фактором при построении систем управления, направленных на оптимизацию производ-ства и эффективное использование ресурсов. Технологии машинного обучения и больших данных находят всё более широкое применение в различных обла-стях планирования и управления. Облачное производство (Cloud Manufacturing) позволяет использовать эти технологии в режиме реального времени, сокращая затраты на внедрение и развертывание. В связи с этим в данной статье рассма-тривается применение подхода машинного обучения для обеспечения информа-ционной прозрачности объекта и его оптимизации в облачной среде. Основная цель работы заключается в оптимизации энергопотребления в производственных системах косвенным путем – посредством эффективного управления ресурсами и предиктивного моделирования технологических параметров оборудования. В ходе исследования для прогнозирования временных рядов предложены гибрид-ные модели на основе LSTM и CNN+LSTM. Предложенный подход позволяет предотвратить аварийные остановки за счет заблаговременного прогнозирования перегрева оборудования, снизить затраты энергии и повысить точность планиро-вания. Экспериментальные результаты демонстрируют эффективность модели и доказывают перспективы ее применения в реальной производственной среде.