dtЦифровая трансформацияDigital Transformation2522-96132524-2822Educational Establishment “Belarusian State University of Informatics and Radioelectronics”10.35596/1729-7648-2026-32-1-45-50dt-1006Research ArticleЭКОНОМИЧЕСКИЕ НАУКИ, ОБРАЗОВАНИЕECONOMIC SCIENCES, EDUCATIONОптимизация энергопотребления в ОАО «МАЗ» с помощью IoT-датчиков и нейросетей для предиктивного анализаOptimizing Energy Consumption at MAZ Using IoT Sensors and Neural Networks for Predictive AnalysisПолоскоЕ. И.PoloskoE.

Полоско Екатерина Ивановна, ст. преп. каф. экономической информатики 

220013, Минск, ул. П. Бровки, 6, Тел.: +375 25 530-89-43

Polosko Ekaterina, Senior Lecturer at the Department of Economic Informatics

220013, Minsk, Brovki St., 6, Тel.: +375 25 530-89-43

e.i.polosko@gmail.comГолдаО.HoldaO.

канд. экон. наук, доц. каф. программного обеспечения информационных систем

Минск

Cand. Sci. (Econ.), Associate Professor at the Software of Information Systems Department

Minsk

Белорусский государственный университет информатики и радиоэлектроникиBelarusian State University of Informatics and Radioelectronics2026050420263214550Copyright © Полоско Е.И., Голда О., 20262026Полоско Е.И., Голда О.Polosko E., Holda O.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://dt.bsuir.by/jour/article/view/1006

Энергоемкость машиностроения Беларуси остается высокой – около 250 кВт⋅ч на 1 бел. руб. произведенной продукции, что делает задачу дальнейшего повышения энергоэффективности стратегически важной. ОАО «МАЗ» в первом полугодии 2025 г. достигло показателя энергосбережения 6,9 %. На предприятии по-прежнему отсутствует интегрированная система реального времени, которая анализировала бы данные с датчиков и прогнозировала энергопотребление оборудования для оптимального планирования режимов и снижения пиковых нагрузок. В статье представлена интегрированная модель: IoT-датчики собирают данные о мощности, вибрациях и нагрузке, нейросеть LSTM делает точный прогноз энергопотребления на несколько часов вперед, а интеллектуальный оптимизатор автоматически перераспределяет производственные процессы по выгодным тарифным зонам. Система интегрируется с действующей АСКУЭ МАЗ. В перспективе модель обеспечит снижение энергоемкости до 98,9 кВт⋅ч/бел. руб. при поэтапном внедрении системы в 2026 г., начиная с пилотного проекта во II квартале текущего года и достигая полного эффекта к 2027 г.

The energy intensity of the Belarusian mechanical engineering industry remains high – approximately 250 kWh per 1 BYR of output, making further improvements to energy efficiency strategically important. In the first half of 2025, MAZ OJSC achieved an energy savings rate of 6.9 %. The company still lacks an integrated real-time system that would analyze sensor data and predict equipment energy consumption for optimal mode planning and peak load reduction. This article presents an integrated model: IoT sensors collect data on power, vibration, and load, an LSTM neural network accurately forecasts energy consumption for several hours in advance, and an intelligent optimizer automatically redistributes production processes among favorable tariff zones. The system integrates with MAZ’s existing automated metering systems. The model will reduce energy consumption to 98.9 kWh/BYR with a phased implementation of the system in 2026, beginning with a pilot project in the second quarter of this year and achieving full effectiveness by 2027.

IoTнейросетипредиктивная аналитикаэнергосбережениецифровая трансформацияLSTM-моделиАСКУЭэнергоэффективностьимитационное моделированиеIoTneural networkspredictive analyticsenergy savingdigital transformationLSTM modelsautomated metering systemsenergy efficiencysimulation modelingReferencesГалькин, Ю. Д. Улучшенная модель двухзатворного JFET для аналоговых интегральных схем / Ю. Д. Галькин, О. В. Дворников, В. А. Чеховский // Доклады БГУИР. 2022. Т. 20, № 3. С. 20–25.Galkin Yu. D., Dvornikov O. V., Chekhovsky V. A. (2022) Improved Dual-Gate JFET Model for Analog Integrated Circuits. Doklady BGUIR. 20 (3), 20–25 (in Russian).Кравченко, О. А. Модификация стохастической модели оптимизации затрат на электроснабжение предприятия / О. А. Кравченко // Вестник БГУ. Серия 1. 2020. № 2. С. 45–52.Kravchenko O. A. (2020) Modification of a Stochastic Model for Optimizing Electricity Supply Costs at an Enterprise. Vestnik BSU. Series 1. (2), 45–52 (in Russian).Вилкина, М. В. Развитие инструментального хозяйства в рамках Индустрии 4.0 / М. В. Вилкина // РИТМ машиностроения. 2022. № 3. С. 30–36.Vilkina M. V. (2022) Development of Tool Management Within the Framework of Industry 4.0. Rhythm of Mechanical Engineering. (3), 30–36 (in Russian).Карпенко, С. М. Прогнозирование электропотребления на горнопромышленных предприятиях с использованием статистических методов / С. М. Карпенко, Н. В. Карпенко, Г. Ю. Безгинов // Горная промышленность. 2022. № 1. С. 82–88. DOI: 10.30686/1609-9192-2022-1-82-88.Karpenko S. M., Karpenko N. V., Bezginnov G. Yu. (2022) Forecasting of Electricity Consumption at Mining Enterprises Using Statistical Methods. Mining Industry. (1), 82–88. DOI: 10.30686/1609-9192-2022-1-82-88 (in Russian).Боровский, А. В. Модель стохастической электрической нагрузки в жилом секторе с использованием плотности вероятности Вейбулла / А. В. Боровский, А. А. Юменчук // Моделирование, оптимизация и информационные технологии. 2024. Т. 12, № 4. С. 1–18.Borovsky A. V., Yumenchuk A. A. (2024) Stochastic Electrical Load Model in the Residential Sector Using the Weibull Probability Density Function. Modeling, Optimization and Information Technologies. 12 (4), 1–18 (in Russian).Hacker, P. S. Range Distance Requirement for Measuring Low and Ultralow Sidelobe Antenna Patterns / P. S. Hacker, H. E. Schrank // IEEE Transactions on Antennas and Propagation. 1982. Vol. AP-30, No 5. P. 956–966.Hacker P. S., Schrank H. E. (1982) Range Distance Requirement for Measuring Low and Ultralow Sidelobe Antenna Patterns. IEEE Transactions on Antennas and Propagation. AP-30 (5), 956–966.Respiration Rate and Volume Measurements Using Wearable Strain Sensors / M. Chu [et al.] // npj Digital Medicine. 2019. No 2. DOI: 10.1038/s41746-019-0083-3.Chu M., Nguyen T., Pandey V., Zhou Y., Pham N H., Bar-Yoseph R., et al. (2019) Respiration Rate and Volume Measurements Using Wearable Strain Sensors. npj Digital Medicine. (2). DOI: 10.1038/s41746-019-0083-3.Wen, L. A Data-Driven Strategy Using Long Short-Term Memory Models and Reinforcement Learning to Predict Building Electricity Consumption / L. Wen, X. Zhou, Y. Yang // Applied Energy. 2022. Vol. 309. DOI: 10.1016/j.apenergy.2021.118437.Wen L., Zhou X., Yang Y. (2022) A Data-Driven Strategy Using Long Short-Term Memory Models and Reinforcement Learning to Predict Building Electricity Consumption. Applied Energy. 309. DOI: 10.1016/j.apenergy.2021.118437.Stochastic Modelling of Variable Renewables in Long-Term Energy Models: Dataset, Scenario Generation & Quality of Results / P. Seljom [et al.] // Energy. 2021. Vol. 236. DOI: 10.1016/j.energy.2021.121415.Seljom P., Kvalbein L., Hellemo L., Kaut M., Muсoz Ortiz M. (2021) Stochastic Modelling of Variable Renewables in Long-Term Energy Models: Dataset, Scenario Generation & Quality of Results. Energy. 236. DOI: 10.1016/j.energy.2021.121415.Вандер Плас, Дж. Python для сложных задач: наука о данных и машинное обучение / Дж. Вандер Плас; пер. с англ. СПб.: Питер, 2021.VanderPlas J. (2021) Python Data Science Handbook: Data Science and Machine Learning with Python. Saint Petersburg, Piter Publ.

The authors declare that there are no conflicts of interest present.