ПРОГРАМНИЙ КОМПЛЕКС ДЛЯ ПРОГНОЗУВАННЯ ЕНЕРГОСПОЖИВАННЯ ТА МОНІТОРИНГУ СТАНУ ВИРОБНИЧОГО ОБЛАДНАННЯ НА ОСНОВІ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ

Автор(и)

  • Владислав ГОЛЕЦЬ Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0009-0003-8532-621X
  • Ганна САРИБОГА Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0003-0805-7899

DOI:

https://doi.org/10.32689/maup.it.2025.4.5

Ключові слова:

машинне навчання, енергоспоживання, виробниче обладнання, прогнозування, телеметрія, програмне забезпечення

Анотація

У статті представлено програмне рішення, яке забезпечує прогнозування енергоспоживання та моніторинг технічного стану виробничого обладнання в режимі реального часу. На відміну від традиційних систем, які використовують усереднені статистичні дані, запропоноване рішення інтегрує методи машинного навчання з аналізом телеметричної інформації, що дозволяє отримувати більш точні прогнози, оперативно виявляти відхилення в роботі обладнання та вчасно реагувати на них. Мета дослідження полягає у створенні інтелектуального рішення для моніторингу аналізу та прогнозу технічного стану виробничого обладнання для ефективно розподілу енергоресурсів та уникнення матеріальних збитків підприємства.. Методологія. Для аналізу даних у роботі використано часові ряди енергоспоживання та телеметрії виробничого обладнання (температура, вібрація, навантаження). Дані проходять попередню обробку (фільтрація шумів, нормалізація, агрегація) та подаються на алгоритм градієнтного бустингу LightGBM, що забезпечує точне прогнозування у реальному часі. Архітектура системи побудована за мікросервісним підходом із застосуванням Docker-контейнерів, MongoDB для збереження даних та Flask Dashboard для візуалізації результатів. Така структура дозволяє масштабувати систему, адаптуючи її під різні виробничі умови. Наукова новизна полягає у визначається впровадженням багатокомпонентної інтелектуальної системи, що одночасно виконує функції моніторингу, прогнозування та управління енергоспоживанням на основі алгоритмів машинного навчання та сучасних технологій обробки телеметрії. Висновки. Розроблена система демонструє потенціал для зменшення витрат на електроенергію, підвищення рівня автоматизації управління ресурсами та зростання ефективності виробничих процесів. Подальші дослідження передбачають інтеграцію методів само самонавчання моделі, розширення набору телеметричних параметрів та повну інтеграцію з платформами енергетичного ринку для автоматизованої торгівлі надлишковою енергією.

Посилання

Angamuthu M. Smart manufacturing: AI and cloud data engineering for predictive maintenance. European Journal of Computer Science and Information Technology. 2025. Vol. 13. P. 100–119. DOI: 10.37745/ejcsit.2013/vol13n25100119.

Avazov K., Sevinov J., Temerbekova B., Bekimbetova G., Mamanazarov U., Abdusalomov A., Cho Y. Hybrid cloud-based information and control system using LSTM-DNN neural networks for optimization of metallurgical production. Processes. 2025. Vol. 13. Art. 2237. DOI: 10.3390/pr13072237.

Bashir F., Khan F. Analysis of job failure prediction in a cloud environment by applying machine learning techniques. International Journal of Innovations in Science and Technology. 2022. Vol. 4. P. 184–192. DOI: 10.33411/IJIST/2022040407.

Hrudzinskiy J. Технології сучасних кібер-фізичних систем. Київ : НТУУ «КПІ ім. Ігоря Сікорського», 2020.

Jassas M., Mahmoud Q. Analysis of job failure and prediction model for cloud computing using machine learning. Sensors. 2022. Vol. 22. Art. 2035. DOI: 10.3390/s22052035.

Kumari P., Dubey V., Jain M., Mishra G. Machine learning-based model for predicting failure of physical machines in cloud computing. Communications in Computer and Information Science. 2023. DOI: 10.1007/978-981-99-4795-9_39.

Leroux S., Simoens P. Hybrid edge–cloud models for bearing failure detection in a fleet of machines. Electronics. 2024. Vol. 13. Art. 5034. DOI: 10.3390/electronics13245034.

Matov O. Туманні обчислення та їхнє математичне моделювання. Інститут проблем реєстрації інформації НАН України. 2021. DOI: 10.35681/1560-9189.2021.23.3.244787.

Mousavi S. Machine learning applications for predictive energy analytics. Journal of Industrial Engineering. 2023.

Real-time demand response algorithms [Electronic resource]. IEEE Xplore, 2021. URL: https://ieeexplore.ieee.org (accessed: 24.12.2025).

Shaikh M. Benchmarking and goal-driven approach for developers for Industry 4.0 applications. Scientific and Social Research. 2025. Vol. 7. P. 22–30. DOI: 10.26689/ssr.v7i5.10220.

Ullah A. A case study on improving sustainable strategies and performance through implementation of digital transformation and ESG in Schneider Electric. 2025. DOI: 10.13140/RG.2.2.31086.52803.

Wang H. et al. Architectural design alternatives based on Cloud/Edge/Fog computing for connected vehicles. IEEE Communications Surveys & Tutorials. 2020. Vol. 22, No. 4.

Zhang X., Li Y. Smart energy forecasting in industrial systems // Energy Reports. 2022.

Електронний навчальний архів КПІ ім. Ігоря Сікорського. URL: https://ela.kpi.ua/items/f88f6059-411b-43d8-84ae-799a3d87e2ba (accessed: 24.12.2025).

##submission.downloads##

Опубліковано

2025-12-30

Як цитувати

ГОЛЕЦЬ, В., & САРИБОГА, Г. (2025). ПРОГРАМНИЙ КОМПЛЕКС ДЛЯ ПРОГНОЗУВАННЯ ЕНЕРГОСПОЖИВАННЯ ТА МОНІТОРИНГУ СТАНУ ВИРОБНИЧОГО ОБЛАДНАННЯ НА ОСНОВІ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ. Інформаційні технології та суспільство, (4 (19), 33-38. https://doi.org/10.32689/maup.it.2025.4.5