В статье рассматривается применение методов машинного обучения в системах моделирования технологических процессов с целью прогнозирования состояния оборудования в различных отраслях промышленности. Актуальность темы обусловлена необходимостью повышения эффективности производственных операций в условиях растущей конкуренции и быстро меняющейся рыночной среды. В работе представлен обзор современных систем моделирования технологических процессов, а также описаны области их применения. Особое внимание уделено таким методам прогнозирования, как линейная регрессия, рекуррентные нейронные сети долгосрочной памяти и авторегрессионная интегрированная модель скользящего среднего. В практической части проведен анализ данных, а также эксперимент по прогнозированию значений температуры с использованием указанных методов. Полученные результаты показали, что для используемых данных более высокую точность прогнозирования обеспечивают модели LSTM и ARIMA.