В статье рассматривается многогоризонтное прогнозирование неисправностей для интеллектуального мониторинга инженерных и промышленных систем в условиях вычислительных ограничений и ограничений по времени отклика. Цель – разработать скоординированный вычислительный метод, в котором общее представление текущего состояния системы используется для генерации траекторий прогнозирования, специфичных для каждого горизонта, и поддержки последующей оценки технического состояния. Предлагаемый метод сочетает общую подготовку входных данных со специализированными траекториями прогнозирования: Seq2Seq-LSTM для прогнозирования на 6 и 12 часов и Temporal Fusion Transformer (TFT) для прогнозирования на 24 часа. После формирования общего представления траектории выполняются параллельно, а их выходы согласуются по времени для единого анализа состояния системы. Метод экспериментально сравнивается с последовательным базовым вариантом при использовании идентичных моделей, входных данных и параметров на двух аппаратных конфигурациях: GPU NVIDIA Tesla T4 и платформе только с CPU. Оценка учитывает задержку инференса и качество прогнозирования. На NVIDIA Tesla T4 параллельное выполнение сокращает критическое время инференса моделей с примерно 22 мс до 17 мс, что соответствует сокращению примерно на 23 %, сохраняя функциональность прогнозирования рассматриваемых траекторий. На платформе только с CPU последовательная организация требует примерно 453 мс, а параллельная – примерно 585 мс, что соответствует увеличению критического пути инференса на 29 %. Результаты характеризуют исследуемые вычислительные конфигурации и создают основу для низколатентного многогоризонтного мониторинга в условиях ограниченных ресурсов, подчеркивая аппаратно-зависимый характер наблюдаемого сокращения задержки.
1. Дахе А., Стучилин В.В. Использование алгоритмов машинного обучения для обнаружения и диагностики неисправностей в системах жизнеобеспечения. Известия Санкт-Петербургского государственного технологического института (Технического университета). 2024;(70):93–99.
2. Mehdiyev Sh. On monitoring the technical condition and technological safety of functional elements of the cyber-physical infrastructure. In: Cybersecurity for Critical Infrastructure Protection via Reflection of Industrial Control Systems, 27–29 October 2021, Baku, Azerbaijan. IOS Press; 2022. P. 18–26. https://doi.org/10.3233/NICSP220029
3. Demidova L., Marchev D. Development of the forecasting model for the complex technical systems' failures time during the proactive maintenance using the recurrent neural networks' technology. In: Proceedings of the 2020 2nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), 11–13 November 2020, Lipetsk, Russia. IEEE; 2020. P. 370–374. https://doi.org/10.1109/SUMMA50634.2020.9280781
4. Xiao X., Ma Z., Xu D., Liu J. Remaining useful life prediction method of product based on improved transformer and GRU. In: Proceedings of the 12th International Conference on Quality, Reliability, Risk, Maintenance, and Safety Engineering (QR2MSE 2022), 27–30 July 2022, Emeishan, China. IET; 2022. P. 1725–1729. https://doi.org/10.1049/icp.2022.3115
5. Gulomov Sh.R., Yusupov B.K., Kamilov Sh.Sh.U. Models and algorithms for solving problems associated with large amounts of data in the military sphere. In: Proceedings of the 2020 International Conference on Information Science and Communications Technologies (ICISCT), 04–06 November 2020, Tashkent, Uzbekistan. IEEE; 2020. https://doi.org/10.1109/ICISCT50599.2020.9351506
6. Benjelloun S., El Aissi M.E.M., Loukili Y., et al. Big data processing: batch-based processing and stream-based processing. In: Proceedings of the 2020 4th International Conference on Intelligent Computing in Data Sciences (ICDS), 21–23 October 2020, Fez, Morocco. IEEE; 2020. https://doi.org/10.1109/ICDS50568.2020.9268684
7. Pan H. Lightweight design and implementation of machine learning models in time series forecasting. International Scientific Technical and Economic Research. 2025;3(2):160–171. https://doi.org/10.71451/istaer2533
8. Zhadan A.A., Shynkarenko V.I. Modern methods and tools for working with time series. Science and Transport Progress. 2025;(4):142–154. (In Ukrainian).
9. Lim B., Arık S.Ö., Loeff N., Pfister T. Temporal Fusion Transformers for interpretable multi-horizon time series forecasting. International Journal of Forecasting. 2021;37(4):1748–1764. https://doi.org/10.1016/j.ijforecast.2021.03.012
10. García-Nava J.-L., Flores J.J., Tellez V.M., Calderon F. Fast training of a transformer for global multi-horizon time series forecasting on tensor processing units. The Journal of Supercomputing. 2023;79(8):8475–8498. https://doi.org/10.1007/s11227-022-05009-x
11. Lazcano A., Sandubete J.E., Jaramillo-Morán M.A. A comparative framework for multi-horizon time series forecasting: neural networks with adaptive preprocessing. Machine Learning with Applications. 2025;22:100781. https://doi.org/10.1016/j.mlwa.2025.100781
Дахе Ахмад
Национальный исследовательский технологический университет «МИСИС»
Москва, Российская Федерация
Стучилин Владимир Валерьевич
Кандидат технических наук, доцент
Национальный исследовательский технологический университет «МИСИС»
Москва, Российская Федерация