Алгоритмические методы событийно-прогнозного управления качеством сложных систем обработки данных: интеграция системного анализа и вычислительного моделирования
(Стр. 75-81)

Целью исследования является разработка алгоритмического комплекса событийно-прогнозного управления качеством сложных систем обработки данных (ССОД) через интеграцию методов системного анализа и вычислительного моделирования. Современные подходы к оценке качества, основанные на статических метриках ГОСТ Р 59797–2021, не учитывают динамические эмерджентные свойства и прогнозные сценарии функционирования ССОД. [4: 51]. В работе предложена гибридная модель, сочетающая многоуровневый системный анализ с L-устойчивыми методами численного моделирования, что позволило формализовать «событийно-прогнозный уровень качества» как функцию временных параметров системы. Разработанный алгоритмический комплекс включает трехуровневую архитектуру агрегирования данных с адаптивными весовыми коэффициентами, динамическую систему управления качеством, интегрированную в жизненный цикл ССОД, нейросетевой модуль превентивной оптимизации на базе обучения с подкреплением. Экспериментальная апробация на 15 промышленных ССОД продемонстрировала повышение точности прогнозирования критических событий до 89,7% и сокращение времени реакции системы с 15,3 до 2,7 с. Внедрение решения в контур управления нефтеперерабатывающим предприятием позволило снизить энергоемкость операций на 33% и увеличить межсервисный интервал на 27%. Оригинальность работы заключается в синтезе методов реляционного анализа с нейросетевыми архитектурами глубокого обучения, принципов управления качеством ISO 25010 с прогнозной аналитикой жестких систем, динамической адаптации параметров в реальном времени через модифицированный (2,1)-метод. Практическая значимость подтверждена интеграцией алгоритма в этапы проектирования, тестирования и эксплуатации ССОД, что соответствует требованиям ГОСТ Р 59797–2021. Результаты исследования могут быть применены при создании отказоустойчивых систем управления для критически важных объектов в энергетике, телекоммуникациях и финансовом секторе. Перспективы работы связаны с адаптацией алгоритма для квантовых вычислительных систем и распределенных IoT-архитектур.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Самохина Н.С., Ефремов А.С. Алгоритмические методы событийно-прогнозного управления качеством сложных систем обработки данных: интеграция системного анализа и вычислительного моделирования // Computational Nanotechnology. 2025. Т. 12. № 2. С. 75-81. DOI: 10.33693/2313-223X-2025-12-2-75-81. EDN: QWZBHA

Аршинский Л.В., Лебедев В.С. Объективизация баз знаний интеллектуальных систем на основе индуктивного вывода с использованием нестрогих вероятностей // Информационные и математические технологии в науке и управлении. 2022. № 4 (28). С. 190–200. DOI: 10.38028/ESI.2022.28.4.015. EDN: LGJXFH.
Васильев Н.Н. Моделирование маршрутов бампинга в алгоритме RSK и анализ их подхода к ограничению форм // Информационно-управляющие системы. 2022. № 6. С. 2–8. DOI: 10.31799/1684-8853-2022-6. EDN: WRCOSH.
Вересников Г.С., Голев А.В., Московцев А.М., Мартиросян М.П. Методы и алгоритмы для решения задачи ранней диагностики технических объектов с использованием методов интеллектуального анализа данных // Информационные технологии. 2022. № 9 (28). С. 475–484. DOI: 10.17587/it.28.475-484. EDN: UJWIRT.
Десницкий В.А., Новикова Е.С. Обнаружение неисправностей в промышленных изделиях с использованием малых обучающих наборов данных // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2024. № 1. С. 49–61. DOI: 10.17308/sait/1995-5499/2024/1/49-61. EDN: DHNYCM.
Душкин Р.В. Принципы решения проблемы привязки символов при разработке искусственных когнитивных агентов общего уровня // Информационные технологии. 2022. № 7. С. 15–29. DOI: 10.17587/it.28.368-377. EDN: BZMVWL.
Еременко В.Т., Логинов И.В., Фисун А.П., Рытов М.Ю. Управление перестроением информационно-вычислительных платформ эволюционирующих киберфизических систем в условиях неопределенности // Вестник компьютерных и информационных технологий. 2023. № 2. С. 26–36. DOI: 10.14489/vkit.2023.02.pp.026-036. EDN: HOSPS.
Мельников А.В., Кобяков Н.С. Численный метод модификации моделей, разработанных на основе метода анализа иерархий, с использованием искусственной нейронной сети // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2025. № 4. C. 5–21. DOI: 10.17308/sait/1995-5499/2024/4/5-21. EDN: CENQIP.
Меньших В.В., Морозова В.О. Численный метод исследования динамических рядов с апериодическими аномалиями // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2023. № 2. С. 22–30. DOI: 10.17308/sait/1995-5499/2023/2/22-30. EDN: GVIANX.
Попов А.П., Тихомиров С.Г., Хаустов И.А. и др. Системный анализ и синтез предиктивной системы управления процессом термоокислительной деструкции полимера в реакторе периодического действия // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2020. № 1. С. 36–50. DOI: 10.17308/sait.2020.1/2582. EDN: LLVDQL.
Резова Н.Л., Казаковцев Л.А., Шкаберина Г.Ш., Цепкова М.И. Предварительная обработка данных для анализа поведения сложных систем // Системы управления и информационные технологии. 2022. № 2 (88). DOI: 10.36622/VSTU.2022.88.2.008. EDN: BYGESB.
Чуканов С.Н., Чуканов И.С. Формирование признаков машинного обучения на основе топологического анализа данных // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2022. № 3. С. 115–126. DOI: 10.17308/sait/1995-5499/2022/3/115-126. EDN: GEZXCX.

сложные системы обработки данных, событийно-прогнозное управление качеством, системный анализ, вычислительное моделирование, нейросетевые алгоритмы, динамическая адаптация, ГОСТ Р 59797–2021, эмерджентные свойства, жизненный цикл системы.