БАГАТОЗАДАЧНІ АРХІТЕКТУРИ РЕКУРЕНТНИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ІНФОРМАЦІЙНОЇ ТЕХНОЛОГІЇ МОНІТОРИНГУ БЕЗПЕКИ МОНОРЕЙКОВОГО КРАНА

Анотація

Забезпечення безпеки монорейкових кранів є критичним завданням у сучасному будівництві. Сучасним рішенням є застосування рекурентних нейронних мереж (GRU) для аналізу даних крана у реальному часі. Метою даної роботи є розробка та порівняльний аналіз архітектур багатозадачних рекурентних нейронних мереж для одночасного прогнозування стійкості монорейкового крана за критеріями на перекидання та на зсув. Для цього було розроблено та досліджено дві архітектури: багатозадачну GRU з механізмом самоуваги та багатозадачну GRU з байєсівським механізмом уваги.

Дослідження охоплює оцінювання регресійної точності (MAE, RMSE, R²), ефективності бінарної класифікації небезпечних станів (Precision, Recall, Specificity, F1) та характеристик невизначеності прогнозу (ширина 95% довірчого інтервалу, кореляція між помилкою та оцінкою невизначеності). Для статистичної перевірки відмінностей між моделями застосовано критерій Вілкоксона для пов’язаних вибірок.

Отримані результати показали, що обидві моделі забезпечують високу прогностичну здатність (R² > 0.85). Для задачі прогнозування стійкості на перекидання модель з механізмом самоуваги продемонструвала статистично значуще вищу точність (p < 0.001) та зменшення середньої абсолютної помилки на 25.8% порівняно з байєсівською моделлю. Для задачі зсуву статистично значущої різниці в регресійній точності не виявлено (p = 0.54), однак байєсівська модель забезпечила вищу повноту виявлення небезпечних станів. Аналіз невизначеності засвідчив більш консервативну поведінку байєсівської моделі, яка формує ширші довірчі інтервали, тоді як модель із самоувагою продемонструвала кращу калібровку невизначеності для задачі зсуву (ρ = 0.93). Статистичні тести підтвердили значущість відмінностей у поведінці моделей щодо оцінювання невизначеності (p < 0.001).

Результати дослідження свідчать про доцільність комбінованого використання детермінованої та байєсівської архітектур у системах ІТ-моніторингу стабільності крана. Подальші дослідження будуть спрямовані на розроблення методу підтримки прийняття рішень, що інтегрує одночасний прогноз обох моделей для формування адаптивного індикатора ризику з урахуванням точності та невизначеності прогнозів.