Филиал Федерального государственного бюджетного образовательного учреждения высшего образования «Национальный исследовательский университет «МЭИ» в г. Смоленске, Смоленск, Россия

М. И. Дли, заведующий кафедрой «Информационных технологий в экономике и управлении», докт. техн. наук, профессор, эл. почта: midli@mail.ru
А. Ю. Пучков, доцент кафедры «Информационных технологий в экономике и управлении», канд. техн. наук, доцент, эл. почта: putchkov63@mail.ru
А. М. Соколов, научный сотрудник, канд. техн. наук, эл. почта: andreisokol98@gmail.com
М. Ю. Воротилова, аспирант кафедры «Информационных технологий в экономике и управлении», эл. почта: rita.vorotilova@mail.ru

Предложена оригинальная программная модель выявления аномалий в технологических данных обжиговой машины конвейерного типа, применяемой в подготовке сырья для производства цветных металлов, а также оценки времени полезного использования оборудования этой машины. Решение перечисленных задач выполняется в рамках предиктивной аналитики, цель которой в этом случае состоит в прогнозе аварийных ситуаций, негативных трендов в динамике термической обработки окатышей и использование этих прогнозов для проведения профилактических мероприятий и предупредительных ремонтов. Причиной, обуславливающей актуальность решаемой исследовательской задачи, является необходимость повышения точности моделей прогнозной аналитики для современных производств цветных металлов на основе внедрения передовых цифровых, интеллектуальных технологий анализа данных. Это создает дополнительные конкурентные преимущества для производств, так как применяемые традиционные статистические модели позволяют давать приемлемые решения лишь в узком диапазоне возможных динамических вариаций контролируемого технологического процесса. Новизна результатов исследований состоит в разработанной многоканальной структуре нейросетевой модели предиктивной аналитики, выполненной на основе ансамбля автокодировщиков. Модель выявляет и локализует аномалии по технологическим зонам обжиговой машины. Особенность модели заключается также в том, что динамика ошибки восстановления автокодировщиком входных данных применяется для прогноза времени появления аномалий, что трактуется как оценка времени полезного использования оборудования и выполняется на основе рекуррентного метода наименьших квадратов. Проведены модельные эксперименты, показавшие способность предложенной модели предиктивной аналитики выявлять аномалии и прогнозировать время полезного использования обжиговой машины. Экономический эффект от внедрения предложенной модели предиктивной аналитики будет проявляться в снижении затрат на выполнение незапланированных ремонтов и устранение последствий аварийных ситуаций на обжиговой машине.

Работа выполнена при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках проекта государственного задания № FSWF-2026-0010.

1. Apata O., Munda J. L., Migabo E. M. Artificial Intelligence for Predictive Maintenance and Performance Optimization in Renewable Energy Systems: A Comprehensive Review // Energies. 2026. Vol. 19, Iss. 536. DOI: 10.3390/en19020536
2. Дьяконов Н. А., Логунова О. С. Системы управления технологическим процессом на основе предиктивной аналитики: проектирование // Электротехнические системы и комплексы. 2021. № 1. С. 58–64.
3. Coil C., Faber K., Sniezynski B. et al. Distance-based change point detection for novelty detection in concept-agnostic continual anomaly detection // J. Intell. Inf. Syst. 2025. DOI: 10.1007/s10844-025-00949-1
4. Rahmati F., Gharaei R. H., Nezamabadi-pour H. ARDOD: adaptive radius density-based outlier detection // Evol. Intel. 2024. Vol. 17. DOI: 10.1007/s12065-024-00953-4
5. Zahoor A., Abbasi W., Babar M. Z. et al. Robust IoT security using isolation forest and one class SVM algorithms // Sci Rep. 2025. Vol. 15. DOI: 10.1038/s41598-025-20445-4
6. Bhatia S., Jain A., Li P., Kumar R., Hooi B. MStream: fast anomaly detection in multi-aspect streams // Proceedings of the Web Conference 2021 (WWW ‘21). Association for Computing Machinery, New York, NY, USA, P. 3371–3382. DOI: 10.1145/3442381.3450023
7. Al Amin Sarker M., Jayaraj I. A., Shanmugam B. et al. A review of artificial intelligence techniques for anomaly detection in smart grid // Artif Intell Rev. 2026. Vol. 59, Iss. 69. DOI: 10.1007/s10462-025-11429-x
8. Lee J. H., Kim M. Y. Manufacturing quality management based on TimeGAN and Seq2Seq models with magnetic press machine data // Int. J. Control Autom. Syst. 2025. Vol. 23. P. 1199–1209. DOI: 10.1007/s12555-024-0448-5
9. Rusanovsky M., Beeri O., Oren G. An end-to-end computer vision methodology for quantitative metallography // Sci Rep. 2022. Vol. 12. 4776. DOI: 10.1038/s41598-022-08651-w
10. Симаков А. С., Масько О. Н., Николаев М. Ю. Система технического зрения для оценки качества кварцевого сырья // Цветные металлы. 2025. № 3. С. 81–88.
11. The CMS ECAL Collaboration. Autoencoder-Based Anomaly Detection System for Online Data Quality Monitoring of the CMS Electromagnetic Calorimeter // Comput Softw Big Sci. 2024. Vol. 8, Iss. 11. DOI: 10.1007/s41781-024-00118-z
12. Zhan K., Wang C., Zheng X. et al. Seq2Seq-based GRU autoencoder for anomaly detection and failure identification in coal mining hydraulic support systems // Sci Rep. 2025. Vol. 15. 542. DOI: 10.1038/s41598-024-84130-8
13. Пучков А. Ю., Дли М. И., Лобанева Е. И. Метод оценки времени полезного использования оборудования на основе ней ронных сетей // Известия СПбГТИ (ТУ). 2021. № 59. С. 107–112.
14. Apata O., Munda J. L., Migabo E. M. Artificial intelligence for predictive maintenance and performance optimization in renewable energy systems: a comprehensive // Review. Energies. 2026. Vol. 19, Iss. 2. 536. DOI: 10.3390/en19020536
15. Шолле Ф. Глубокое обучение на Python. – 2-е межд. издание. – СПб. : Питер, 2023. – 576 с.
16. Bobkov V. I. The heat-technological process optimization of a moving dense multilayer weight of phosphorite pellets drying process by the energy-resource efficiency criterion // Systems of Control, Communication and Security. 2018. No. 2. P. 56–68.