Внедрение предиктивной аналитики в системы управления производственно-технологическими комплексами при риск-ориентированном подходе

Е А Мажайцев; Е Г Семенова

doi:10.22213/2410-9304-2026-3-12-16

Авторы

Е. А. Мажайцев Балтийский государственный технический университет «ВОЕНМЕХ им. Д. Ф. Устинова»
Е. Г. Семенова Балтийский государственный технический университет «ВОЕНМЕХ им. Д. Ф. Устинова»

DOI:

https://doi.org/10.22213/2410-9304-2026-3-12-16

Ключевые слова:

интеграционные риски, предиктивная аналитика, производственно-технологический комплекс, нечёткие множества, анализ иерархий, метод Монте-Карло, роза ветров рисков

Аннотация

Интеграция предиктивных аналитических моделей в системы управления производственно-технологическими комплексами (ПТК) сопряжена с многокомпонентными рисками, которые возникают на стыке алгоритмических, информационных и организационных факторов. Традиционные методы анализа рисков, такие как анализ видов и последствий отказов (Failure Mode and Effects Analysis - FMEA) или экспертные опросы, не позволяют в полной мере учесть неопределенность экспертных суждений и системные эффекты от внедрения интеллектуальных алгоритмов. В статье предложена комплексная методика количественной оценки интеграционных рисков, основанная на синтезе трех математических аппаратов: нечетких множеств (треугольные нечеткие числа), метода анализа иерархий (МАИ) для определения весов групп рисков и метода Монте-Карло для статистического обоснования результатов. Представлена формализованная структура из девяти ключевых рисков, распределенных по трем группам: данные, алгоритмы, организация. На основе экспертных оценок для типового ПТК рассчитаны композитные индексы каждого риска с определением медианных значений, 95%-х доверительных интервалов и коэффициентов вариации, а также интегральный показатель системного риска, который с помощью квартильного анализа отнесен к среднему уровню угроз. Разработана полярная диаграмма, позволяющая наглядно сравнивать профили рисков для трех вариантов внедрения: централизованного, децентрализованного и гибридного. Показано, что гибридная архитектура обеспечивает наиболее сбалансированный профиль. Высокая корреляция результатов с классическим методом FMEA (коэффициент Спирмена ρ = 0,97) подтверждает адекватность разработанной методики. Предложенный подход не противоречит существующим стандартам и может быть использован на этапе проектирования интеграции систем предиктивной аналитики в промышленных ПТК.

Биографии авторов

Е. А. Мажайцев, Балтийский государственный технический университет «ВОЕНМЕХ им. Д. Ф. Устинова»

аспирант

Е. Г. Семенова, Балтийский государственный технический университет «ВОЕНМЕХ им. Д. Ф. Устинова»

доктор технических наук, профессор

Библиографические ссылки

Коробов В. Б. Теория и практика экспертных методов: монография / под ред. Б. И. Кочурова. М. : ИНФРА-М, 2023. 281 с.

Тюрин Ю. Н., Макаров А. А. Анализ данных на компьютере. Изд. 3-е, перераб. и доп. / под ред. В. Э. Фигрунова. М. : ИНФРА-М, 2023. 312 с.

Мажайцев Е. А., Семенова Е. Г., Русина А. А. Исследование возможностей и путей совершенствования структуры информационно-измерительных и управляющих систем в условиях цифровой трансформации // Развитие науки и образования в условиях глобализации и цифровой трансформации : Международная научная конференция. Кыргызстан, Бишкек: Кыргызский национальный университет им. Ж. Баласагына. Библиотека журнала «Вестник КНУ». 2025. № 10. С. 165-169.

Идентификация критических состояний технологических процессов на основе методов предиктивной аналитики / С. М. Ковалёв, А. В. Суханов, И. А. Ольгейзер, К. И. Корниенко // Автоматика и телемеханика. 2023. № 4. С. 115-130.

Нерославский И. М. Risk Prioritizing Method at the Stage of Qualitative Risk Analysis in the Process of Project Implementation // International Journal of Accounting, Finance and Risk Management. 2023. Vol. 8. No. 2. P. 45-52.

Xiao L., Huang G., Zhang G. An intuitionistic fuzzy cloud model-based risk assessment method of failure modes considering hybrid weight information // Journal of Intelligent & Fuzzy Systems. 2022. Vol. 42. No. 6. P. 5237-5263.

Хацкевич В. Л., Махинова О. А. Числовые характеристики случайных процессов с нечеткими состояниями // Искусственный интеллект и принятие решений. 2023. № 1. С. 32-41.

Пономарев А. В. Риск-устойчивость центров мониторинга информационной безопасности и ее моделирование // Инженерный вестник Дона. 2024. № 11. URL: ivdon.ru/ru/magazine/archive/n11y2024/9646.

Liang Cao, Deyin Yao, Hongyi Li, Wei Meng, Renquial Lu. Fuzzy-based dynamic event triggering formation control for nonstrict-feedback nonlinear MASs // Fuzzy sets and systems. V. 452. Cjan. 2023. P. 1-22.

Ильюшин Е. А., Намиот Д. Е., Чижов И. В. Атаки на системы машинного обучения - общие проблемы и методы // International Journal of Open Information Technologies. 2022. Vol. 10. No. 3. P. 17-21.

Русина А. А. Прогнозирование рисков внедрения электронного контента в информационное обеспечение беспилотных авиационных систем // Инженерный вестник Дона. 2025. № 1. URL: ivdon.ru/ru/magazine/ archive/n1y2025/9801.

Броневич А. Г., Лепский А. Е. Нечеткие модели анализа данных и принятия решений. М. : Изд. дом Высшей школы экономики, 2022. 264 с.

Басков О. В., Ногин В. Д. Нечеткие множества второго порядка и их применение в принятии решений. Общие понятия // Искусственный интеллект и принятие решений. 2023. № 1. С. 3-14.

Çetinkaya Z., Horasan F. Decision Trees in Large Data Sets // International Journal of Engineering Research and Development. 2021. V. 13. No. 1. P. 140-151.

Развитие метода многопараметрической линейной регрессии для анализа трассерных исследований / Р. Р. Фахреева, Ю. А. Питюк, Г. Ф. Асалхузина, А. Я. Давлетбаев, В. П. Мирошниченко, Г. П. Гусев // Вестник Башкирского университета. 2021. С. 554-558.