Рекурентна нейронна мережа з механізмом уваги та Байєсівським наближенням для прогнозування стійкості монорейкового крана на перекидання
DOI:
https://doi.org/10.32347/2412-9933.2025.64.217-224Ключові слова:
рекурентні нейронні мережі, механізм уваги, байєсівське наближення, прогностичне моделювання, машинне навчання, стійкість крана, інтелектуальні системи моніторингуАнотація
Дослідження присвячено розробці моделі прогнозування стійкості монорейкового крана у першому положенні. Об’єктом дослідження є процес прогнозування стійкості крана в експлуатаційних умовах. Проблема, що вирішується у роботі, полягає у підвищенні точності прогнозування, яка в класичних рекурентних нейронних мережах обмежена через ефект згасання градієнтів та втрату довгострокових залежностей у часових рядах. У роботі розроблено рекурентну нейронну мережу типу GRU з механізмом уваги та байєсівським наближенням, що дозволяє враховувати вплив попередніх станів системи та оцінювати невизначеність прогнозів. Запропонована архітектура забезпечує стабільність процесу навчання, що підтверджується відсутністю згасання градієнтів та ефективним оновленням ваг. Отримані результати показали, що модель досягає середньоквадратичної помилки 0,009, середньої абсолютної помилки 0,066 і відносної точності 0,96. Це свідчить про можливість прогнозування коефіцієнта стійкості крана з похибкою менше 10% у 96% випадків. Висока точність пояснюється ефективністю механізму уваги, який дозволяє моделі зосереджуватись на найінформативніших параметрах, та байєсівським наближенням, що підвищує надійність прогнозів за рахунок врахування невизначеності. Відмінною рисою розробленої моделі є поєднання рекурентної структури GRU, механізму уваги та стохастичної (байєсівської) параметризації, що забезпечує стабільне навчання, узагальнення результатів і підвищену точність у порівнянні з класичними нейронними архітектурами. Практичне значення отриманих результатів полягає у можливості використання запропонованої моделі в інтелектуальних системах моніторингу безпечної роботи монорейкового крана, а також у створенні основи для подальших досліджень, зокрема оцінювання стійкості на зсув, що виникає при переміщенні стріли поперек рейкового шляху.
Посилання
Ministry of Social Policy of Ukraine. (2014). On approval of the Occupational Health and Safety Rules for the operation of load-lifting cranes, lifting devices and related equipment (Order No. 9). URL: https://zakon.rada.gov.ua/laws/show/z0083-14 [In Ukrainian].
Terentyev, O., & Solovei, B. (2025). Machine learning of a Bayesian neural network with gamma distribution for stability assessment of a monorail crane. Management of Development of Complex Systems, 62, 134–140. https://doi.org/2412-9933.2025.62.134-140.
Li, W., & Law, K. E. (2024). Deep learning models for time series forecasting: A review. IEEE Access, 12, 92306–92327. https://doi.org/10.1109/ACCESS.2024.3422528.
Mienye, I. D., Swart, T. G., & Obaido, G. (2024). Recurrent neural networks: A comprehensive review of architectures, variants, and applications. Information, 15(9), 517. https://doi.org/10.3390/info15090517.
Hua, Q., Fan, Z., Mu, W., Cui, J., Xing, R., Liu, H., & Gao, J. (2024). A short-term power load forecasting method using CNN-GRU with an attention mechanism. Energies, 18 (1), 106. https://doi.org/10.3390/en18010106.
Cui, X., Chipusu, K., Ashraf, M. A., Riaz, M., Xiahou, J., & Huang, J. (2024). Symmetry-Enhanced LSTM-Based Recurrent Neural Network for Oscillation Minimization of Overhead Crane Systems during Material Transportation. Symmetry, 16(7), 920. https://doi.org/10.3390/sym16070920.
Awasthi, A., Krpalkova, L., & Walsh, J. (2024). Deep Learning-Based Boolean, Time Series, Error Detection, and Predictive Analysis in Container Crane Operations. Algorithms, 17 (8), 333. https://doi.org/10.3390/a17080333.
Safaei, M., Hejazian, M., Pedrammehr, S., Pakzad, S., Ettefagh, M., & Fotouhi, M. (2024). Damage Detection of Gantry Crane with a Moving Mass Using Artificial Neural Network. Buildings, 14(2), 458. https://doi.org/10.3390/buildings14020458.
Arshad, H., Zayed, T., Bakhtawar, B., Chen, A., & Li, H. (2025). Damage assessment of modular integrated construction during transport and assembly using a hybrid CNN–Gated recurrent unit model. Automation in Construction, 174, 106136. https://doi.org/10.1016/j.autcon.2025.106136.
Shao, X., Ma, Y., Chang, D., & Zhang, Q. (2024). Predictive Maintenance for Gantry Crane Shafts: Enhancing Sensor Features With Dynamic Dual-Domain Competitive Attention GRU Autoencoder. IEEE Sensors Journal, 24 (11), 18154–18171. https://doi.org/10.1109/JSEN.2024.3391373.
Obi, N. E., Nwosu, H. U., & Shadrack, M. U. (2024). A new machine learning model for predicting reliability of cranes. Journal of African Sustainable Development.
Noor, T., Lone, S. N., Ramana, G. V., & Nayek, R. (2025). A recursive Bayesian neural network for constitutive modeling of sands under monotonic loading. arXiv preprint arXiv:2501.10088.
Shorinwa, O., Mei, Z., Lidard, J., Ren, A. Z., & Majumdar, A. (2025). A survey on uncertainty quantification of large language models: Taxonomy, open research challenges, and future directions. ACM Computing Surveys.
Gorbatyuk, E., Bulavka, O., & Voliyanuk, V. (2023). Analysis of studies of stationary tower cranes under wind loads. Mining, Construction, Road and Reclamation Machines, 102, 17–23. https://doi.org/10.32347/gbdmm.2023.102.01 [In Ukrainian].
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Олександр Олександрович Терентьєв, Богдан Анатолійович Соловей
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
