Аннотації

РЕКУРЕНТНА НЕЙРОННА МЕРЕЖА З МЕХАНІЗМОМ УВАГИ ТА БАЙЄСІВСЬКИМ НАБЛИЖЕННЯМ ДЛЯ ПРОГНОЗУВАННЯ СТІЙКОСТІ МОНОРЕЙКОВОГО КРАНА НА ПЕРЕКИДАННЯ

Автор(и):
Терентьєв О. О., Соловей Б. А.
Автор(и) (англ)
Terentyev O., Solovei B.
Дата публікації:

25.12.2025

Анотація (укр):

Дослідження присвячено розробці моделі прогнозування стійкості монорейкового крана у першому положенні. Об’єктом дослідження є процес прогнозування стійкості крана в експлуатаційних умовах. Проблема, що вирішується у роботі, полягає у підвищенні точності прогнозування, яка в класичних рекурентних нейронних мережах обмежена через ефект згасання градієнтів та втрату довгострокових залежностей у часових рядах. У роботі розроблено рекурентну нейронну мережу типу GRU з механізмом уваги та байєсівським наближенням, що дозволяє враховувати вплив попередніх станів системи та оцінювати невизначеність прогнозів. Запропонована архітектура забезпечує стабільність процесу навчання, що підтверджується відсутністю згасання градієнтів та ефективним оновленням ваг. Отримані результати показали, що модель досягає середньоквадратичної помилки 0,009, середньої абсолютної помилки 0,066 і відносної точності 0,96. Це свідчить про можливість прогнозування коефіцієнта стійкості крана з похибкою менше 10% у 96% випадків. Висока точність пояснюється ефективністю механізму уваги, який дозволяє моделі зосереджуватись на найінформативніших параметрах, та байєсівським наближенням, що підвищує надійність прогнозів за рахунок врахування невизначеності. Відмінною рисою розробленої моделі є поєднання рекурентної структури GRU, механізму уваги та стохастичної (байєсівської) параметризації, що забезпечує стабільне навчання, узагальнення результатів і підвищену точність у порівнянні з класичними нейронними архітектурами. Практичне значення отриманих результатів полягає у можливості використання запропонованої моделі в інтелектуальних системах моніторингу безпечної роботи монорейкового крана, а також у створенні основи для подальших досліджень, зокрема оцінювання стійкості на зсув, що виникає при переміщенні стріли поперек рейкового шляху.

Анотація (рус):

Анотація (англ):

This study is devoted to the development of a model for predicting the stability of a monorail crane in its first position. The object of the study is the process of predicting the stability of a monorail crane under operating conditions. The problem addressed in the paper is the improvement of prediction accuracy, which is limited in classical recurrent neural networks due to the gradient vanishing effect and the loss of long-term dependencies in time series. In this work, a Gated Recurrent Unit (GRU) type recurrent neural network with an attention mechanism and Bayesian approximation has been developed, allowing for the consideration of previous system states and the estimation of forecast uncertainty. The proposed architecture ensures the stability of the training process, as confirmed by the absence of vanishing gradients and efficient weight updates. The results obtained showed that the model achieves a Root Mean Square Error of 0.009, a Mean Absolute Error of 0.066, and a relative accuracy of 0.96. This indicates the possibility of predicting the crane's stability coefficient with an error of less than 10% in 96% of cases. The high accuracy is explained by the effectiveness of the attention mechanism, which allows the model to focus on the most informative parameters, and the Bayesian approximation, which increases the reliability of forecasts by accounting for uncertainty. A distinctive feature of the developed model is the combination of the GRU recurrent structure, the attention mechanism, and stochastic (Bayesian) parameterization, which ensures stable learning, generalization of results, and increased accuracy compared to classical neural architectures. The practical significance of the results lies in the possibility of using the proposed model in intelligent monitoring systems for the safe operation of a monorail crane, as well as serving as a basis for further research, specifically for assessing shear stability that occurs when moving the boom across the rail track.

Література:

  1. Міністерство соціальної політики України. Про затвердження Правил охорони праці під час експлуатації вантажопідіймальних кранів, підіймальних пристроїв і відповідного обладнання : Наказ від 15.01.2014 № 9. URL: https://zakon.rada.gov.ua/laws/show/z0083-14 (дата звернення: 28.01.2026).
  2. Terentyev O., Solovei B. Machine learning of a Bayesian neural network with gamma distribution for stability assessment of a monorail crane. Management of Development of Complex Systems. 2025. 62. P. 134–140. DOI: https://doi.org/2412-9933.2025.62.134-140.
  3. Li W., Law K. E. Deep learning models for time series forecasting: A review. IEEE Access. 2024. 12. P. 92306–92327. DOI: https://doi.org/10.1109/ACCESS.2024.3422528.
  4. Mienye I. D., Swart T. G., Obaido G. Recurrent neural networks: A comprehensive review of architectures, variants, and applications. Information. 2024. 15(9). 517. DOI: https://doi.org/10.3390/info15090517.
  5. Hua Q., Fan Z., Mu W., Cui J., Xing R., Liu H., Gao J. A short-term power load forecasting method using CNN-GRU with an attention mechanism. Energies. 2024. 18(1). 106. DOI: https://doi.org/10.3390/en18010106.
  6. Cui X., Chipusu K., Ashraf M. A., Riaz M., Xiahou J., Huang J. Symmetry-Enhanced LSTM-Based Recurrent Neural Network for Oscillation Minimization of Overhead Crane Systems during Material Transportation. Symmetry. 2024. 16(7). 920. DOI: https://doi.org/10.3390/sym16070920.
  7. Awasthi A., Krpalkova L., Walsh J. Deep Learning-Based Boolean, Time Series, Error Detection, and Predictive Analysis in Container Crane Operations. Algorithms. 2024. 17(8). 333. DOI: https://doi.org/10.3390/a17080333.
  8. Safaei M., Hejazian M., Pedrammehr S., Pakzad S., Ettefagh M., Fotouhi M. Damage Detection of Gantry Crane with a Moving Mass Using Artificial Neural Network. Buildings. 2024. 14(2). 458. DOI: https://doi.org/10.3390/buildings14020458.
  9. Arshad H., Zayed T., Bakhtawar B., Chen A., Li H. Damage assessment of modular integrated construction during transport and assembly using a hybrid CNN–Gated recurrent unit model. Automation in Construction. 2025. 174. 106136. DOI: https://doi.org/10.1016/j.autcon.2025.106136.
  10. Shao X., Ma Y., Chang D., Zhang Q. Predictive Maintenance for Gantry Crane Shafts: Enhancing Sensor Features With Dynamic Dual-Domain Competitive Attention GRU Autoencoder. IEEE Sensors Journal. 2024. 24(11). P. 18154–18171. DOI: https://doi.org/10.1109/JSEN.2024.3391373.
  11. Obi N. E., Nwosu H. U., Shadrack M. U. A new machine learning model for predicting reliability of cranes. Journal of African Sustainable Development. 2024.
  12. Noor T., Lone S. N., Ramana G. V., Nayek R. A recursive Bayesian neural network for constitutive modeling of sands under monotonic loading. arXiv preprint arXiv:2501.10088. 2025.
  13. Shorinwa O., Mei Z., Lidard J., Ren A. Z., Majumdar A. A survey on uncertainty quantification of large language models: Taxonomy, open research challenges, and future directions. ACM Computing Surveys. 2025.
  14. Gorbatyuk E., Bulavka O., Voliyanuk V. Analysis of studies of stationary tower cranes under wind loads. Гірничі, будівельні, дорожні та меліоративні машини. 2023. 102. С. 17–23. DOI: https://doi.org/10.32347/gbdmm.2023.102.01.

 

References:

  1. Ministry of Social Policy of Ukraine. (2014). On approval of the Occupational Health and Safety Rules for the operation of load-lifting cranes, lifting devices and related equipment (Order No. 9). URL: https://zakon.rada.gov.ua/laws/show/z0083-14 [In Ukrainian].
  2. Terentyev, O., & Solovei, B. (2025). Machine learning of a Bayesian neural network with gamma distribution for stability assessment of a monorail crane. Management of Development of Complex Systems, 62, 134–140. https://doi.org/2412-9933.2025.62.134-140.
  3. Li, W., & Law, K. E. (2024). Deep learning models for time series forecasting: A review. IEEE Access, 12, 92306–92327. https://doi.org/10.1109/ACCESS.2024.3422528.
  4. Mienye, I. D., Swart, T. G., & Obaido, G. (2024). Recurrent neural networks: A comprehensive review of architectures, variants, and applications. Information, 15(9), 517. https://doi.org/10.3390/info15090517.
  5. Hua, Q., Fan, Z., Mu, W., Cui, J., Xing, R., Liu, H., & Gao, J. (2024). A short-term power load forecasting method using CNN-GRU with an attention mechanism. Energies, 18 (1), 106. https://doi.org/10.3390/en18010106.
  6. Cui, X., Chipusu, K., Ashraf, M. A., Riaz, M., Xiahou, J., & Huang, J. (2024). Symmetry-Enhanced LSTM-Based Recurrent Neural Network for Oscillation Minimization of Overhead Crane Systems during Material Transportation. Symmetry, 16(7), 920. https://doi.org/10.3390/sym16070920.
  7. Awasthi, A., Krpalkova, L., & Walsh, J. (2024). Deep Learning-Based Boolean, Time Series, Error Detection, and Predictive Analysis in Container Crane Operations. Algorithms, 17 (8), 333. https://doi.org/10.3390/a17080333.
  8. Safaei, M., Hejazian, M., Pedrammehr, S., Pakzad, S., Ettefagh, M., & Fotouhi, M. (2024). Damage Detection of Gantry Crane with a Moving Mass Using Artificial Neural Network. Buildings, 14(2), 458. https://doi.org/10.3390/buildings14020458.
  9. Arshad, H., Zayed, T., Bakhtawar, B., Chen, A., & Li, H. (2025). Damage assessment of modular integrated construction during transport and assembly using a hybrid CNN–Gated recurrent unit model. Automation in Construction, 174, 106136. https://doi.org/10.1016/j.autcon.2025.106136.
  10. Shao, X., Ma, Y., Chang, D., & Zhang, Q. (2024). Predictive Maintenance for Gantry Crane Shafts: Enhancing Sensor Features With Dynamic Dual-Domain Competitive Attention GRU Autoencoder. IEEE Sensors Journal, 24 (11), 18154–18171. https://doi.org/10.1109/JSEN.2024.3391373.
  11. Obi, N. E., Nwosu, H. U., & Shadrack, M. U. (2024). A new machine learning model for predicting reliability of cranes. Journal of African Sustainable Development.
  12. Noor, T., Lone, S. N., Ramana, G. V., & Nayek, R. (2025). A recursive Bayesian neural network for constitutive modeling of sands under monotonic loading. arXiv preprint arXiv:2501.10088.
  13. Shorinwa, O., Mei, Z., Lidard, J., Ren, A. Z., & Majumdar, A. (2025). A survey on uncertainty quantification of large language models: Taxonomy, open research challenges, and future directions. ACM Computing Surveys.
  14. Gorbatyuk, E., Bulavka, O., & Voliyanuk, V. (2023). Analysis of studies of stationary tower cranes under wind loads. Mining, Construction, Road and Reclamation Machines, 102, 17–23. https://doi.org/10.32347/gbdmm.2023.102.01 [In Ukrainian].