Компонентні моделі оцінювання деградації для відновлення авіаційної техніки під час її технічного обслуговування

Анотація

Розглянуто основні архітектури нейронних мереж, які застосовуються для прогнозування попиту на продукцію. Окрему увагу приділено рекурентним нейронним мережам (RNN), що демонструють високу ефективність у роботі з часовими рядами та виявленні залежностей між даними. Детально проаналізовано архітектуру LSTM (Long Short-Term Memory), яка є вдосконаленим варіантом RNN і дозволяє ефективно вирішувати проблему зникаючих градієнтів, що є характерною для традиційних RNN. Завдяки здатності зберігати інформацію на довші періоди LSTM є ідеальною для задач, які потребують аналізу довготривалих залежностей, таких як сезонні коливання попиту на продукцію.

Проаналізовано застосування згорткових нейронних мереж (CNN), які показують добрі результати при обробці структурованих даних, таких як зображення або матриці. Завдяки своїй здатності ефективно виявляти просторові залежності CNN можуть бути корисними для прогнозування попиту, коли необхідно враховувати складні взаємозв’язки між різними ознаками даних, зокрема для оцінки попиту, що залежить від множинних факторів.

Розглянуто архітектури Feedforward Neural Networks (FNN), Gated Recurrent Units (GRU), Attention-based models (ABM) та Autoencoders (AE), які також можуть бути застосовані для вирішення задач прогнозування попиту. Виконано порівняльний аналіз архітектур з точки зору точності прогнозу та здатності працювати з часовими рядами.

Завдяки порівнянню швидкості навчання, часу обробки даних та надійності різних архітектур, з точки зору стабільності результатів та надійності прогнозів, визначено, що для прогнозування попиту на продукцію найефективнішими є мережі, які використовують архітектуру LSTM. Ці мережі забезпечують високу точність та надійність результатів, а також добре працюють з часовими рядами, що є важливим для прогнозування попиту в умовах динамічних змін.