Registration Number
2126U002388, Article
popup.category
Стаття
Title
Classification of recommendation system algorithms for industrial equipment
popup.author
Пакула А.
Гармаш В. В.
Pakula A.
Garmash V.
Pakula A.
Garmash V.
popup.publication
01-01-2026
popup.source_user
Вінницький національний технічний університет
popup.source
https://ir.lib.vntu.edu.ua/handle/123456789/55588
popup.publisher
Хмельницький національний університет
Description
У статті представлено систематичну класифікацію та комплексний аналіз алгоритмів рекомендаційних систем, що застосовуються для прогнозного технічного обслуговування промислового обладнання в умовах Industry 4.0. Розглянуто еволюцію підходів від традиційних методів машинного навчання до сучасних архітектур глибокого навчання. Проаналізовано три основні категорії: методи collaborative filtering, що базуються на аналізі подібності поведінки обладнання; content-based підходи, які використовують характеристики та історичні дані; а також гібридні системи, що поєднують переваги обох методологій. Особлива увага приділена рекурентним нейронним мережам, зокрема архітектурам LSTM та GRU, які демонструють найвищу ефективність під час аналізу часових рядів сенсорних даних із довготривалими залежностями. Представлено математичні моделі основних алгоритмів, включно з формалізацією процесів навчання та прогнозування. Проведено порівняльний аналіз продуктивності на основі метрик точності, обчислювальної складності та практичної застосовності. Результати показують, що LSTM досягають точності 94–97% при прогнозуванні відмов, тоді як класичні методи забезпечують 88–92% за суттєво нижчої обчислювальної складності. Досліджено інтеграцію рекомендаційних систем з IoT-інфраструктурою та хмарними обчисленнями для моніторингу в реальному часі. Визначено оптимальні області застосування різних алгоритмічних підходів залежно від специфіки промислового обладнання, доступних обчислювальних ресурсів та вимог до точності прогнозування. Отримані результати надають практичні рекомендації щодо вибору та впровадження систем прогнозного обслуговування в промисловості, підкреслюючи необхідність балансу між точністю прогнозу та наявними ресурсами. Для критично важливих застосувань, де пріоритетом є точність, рекомендовано гібридні підходи або Bi-LSTM; для систем з обмеженими ресурсами оптимальним вибором є XGBoost або GRU.
popup.nrat_date
2026-11-03
