На сегодняшний день развитие систем обнаружения вторжений (СОВ) целиком и полностью связано с разработкой как адаптивных, так и неадаптивных алгоритмов. Применение неадаптивных алгоритмов обеспечивает СОВ необходимую скорость работы с полностью отсутствующими ошибками первого и второго рода. С другой стороны, способность СОВ обнаруживать ранее неизвестные угрозы обеспечивается за счет наличия адаптивного компонента. Динамичное развитие адаптивных алгоритмов обеспечивается путем создания новых методов, связанных с искусственными иммунными системами, искусственными нейронными сетями, генетическими алгоритмами и т.д.
С целью проверки качества разработанных методов и алгоритмов используются специализированные наборы данных (dataset) – множество запросов, представленных в специальном виде, которые передаются между системами на различных уровнях модели OSI. Примерами подобных наборов данных могут послужить KDD99, NSL-KDD DataSet, ADFA Intrusion Detection Datasets, MACCDC, ISTS, ITOC, DEFCON CTF и т.д. Каждый набор данных содержит в себе два подмножества – тренировочное (для обучения адаптивного алгоритма) и тестовое (для проверки качества его разработки). Данные, описывающие запросы, максимальны с точки зрения их задания, поэтому перед специалистами стоит вопрос оптимизации атрибутного множества этих запросов таким образом, чтобы повысить эффективность и скорость обучения алгоритма со снижением количества либо линейной комбинации атрибутов. В статье рассматривается возможность применения метода анализа соответствий с внедренным механизмом сингулярного разложения матричного представления наборов данных для уменьшения количества линейных комбинаций атрибутов.

Ключевые слова: метод анализа соответствий, сингулярное разложение матриц, наборы данных, линейные комбинации атрибутов.

Бурлаков Михаил Евгеньевич (Самара, Россия) – старший преподаватель кафедры «Безопасность информационных систем» Самарского национального исследовательского университета им. акад. С.П. Королева (443086, Самара, Московское шоссе, 34, e-mail: knownwhat@gmail.com).

1. Burlakov M.E. Research the dynamic of author activities in threats through to public and private sources // Информационные технологии и нанотехнологии: cб. тр. III Междунар. конф. и молодежной школы. – Самара: Новая техника, 2017. – P. 958–961.

2. Saul L.K. Advances in Neural Information Processing Systems // MIT Press. – 2005. – 641 p.

3. Intrusion detection evaluation dataset [Электронный ресурс] // University of New Brunswick. – 2017. – Вып. 1. – URL: http://www.unb.ca/
cic/research/datasets/ids.html (дата обращения: 07.08.2017).

4. Al-Hamami A.H. Handbook of Research on Threat Detection and Countermeasures in Network Security // IGI Global. – 2014. – 450 p.

5. Levin I. KDD-99 Classifier Learning Contest // LLSoft’s Results Overview. – SIGKDD Explorations. – 2010. – P. 67–75.

6. Lippmann R.P. Evaluating Intrusion Detection Systems: The 1998 DARPA off-line intrusion detection evaluation // DARPA. – 2000. – P. 10–35.

7. Tavallaee M. A Detailed Analysis of the KDD CUP 99 Data Set // Submitted to Second IEEE Symposium on Computational Intelligence for Security and Defense Applications (CISDA). – 2009. – P. 7–42.

8. Knowledge discovery in databases DARPA archive [Электронный ресурс] // University of California. – 2017. – Вып. 1. – URL: http://www.kdd.ics.uci.edu/databases/kddcup99/task.html (дата обращения: 29.01. 2017).

9. Простой и множественный анализ соответствий как метод разведочного анализа данных [Электронный ресурс] // Высшая школа экономики. – 2013. – Вып. 1. – URL: http://radar-research.ru/wp-content/uploads/
2013/10/1.Shaphir_2006_diploma.pdf (дата обращения: 23.08.2017).

10. Адамов С. Система анализа нечисловой информации «САНИ» // Социология: методология, методы, математическое моделирование. – 1992. – № 2. – С. 86–104.

11. Nishisato S. Analysis of categorical data: Dual scaling and its applications // University of Toronto Press. – 1980. – 276 p.

12. Clausen S.-E. Applied correspondence analysis: An introduction. // Sage university papers. Ser. Quantitative applications in the social sciences. – 1998. – Vol. 121. – P. 137–150.

13. Singular Value Decomposition Tutorial [Электронный ресурс] // University of Western Australia. – 2005. – Вып. 1. – URL: https://davetang.org/file/Singular_Value_Decomposition_Tutorial.pdf (дата обращения: 07.12.2017).

14. The SVD Algorithm [Электронный ресурс] // Stanford University. – 2005. – Вып. 1. – URL: https://web.stanford.edu/class/cme335/­lecture6.pdf (дата обращения: 23.09. 2017).

15. SVD-разложение и его практические приложения [Электронный ресурс] // Overleaf. – 2015. – Вып. 1. – URL: https://www.overleaf.com/artic­les/svd-razlozhieniie-i-iegho-praktichieskiie-prilozhieniia-svd-decomposition-an­d-its-practical-applications/gkzqbdxdgmry (дата обращения: 28.10.2017).

16. Computing the Sparse Singular Value Decomposition via SVDPACK [Электронный ресурс] // Springer. – 1994. – Вып. 1. – URL: https://link.springer.com/chapter/10.1007/978-1-4613-9353-5_2 (дата обра­щения: 24.11.2017).

17. SVDPACK [Электронный ресурс] // Netlib Springer. – 2004. – Вып. 1. – URL: http://www.netlib.org/svdpack/ (дата обращения: 23.12.2017).

18. Боровиков В. Statistica. Искусство анализа данных на компьютере: для профессионалов. – СПб.: Питер, 2003. – 688 с.

19. Farid D.M. Adaptive Intrusion Detection based on Boosting and Naïve Bayesian Classifier // International Journal of Computer Application. – 2011. – URL: http://www.ijcaonline.org/volume24/number3/pxc3873883.pdf (дата обращения: 04.12.2017).

20. Accurate SVDs of Structured Matrices // Netlib. – 2004. – URL: http://www.netlib.org/lapack/lawnspdf/lawn130.pdf (дата обращения: 24.10. 2017).

21. Singular Value Decomposition // NCSU. – 2013. – URL: http://www4.ncsu.edu/~ipsen/REU09/chapter4.pdf (дата обращения: 14.06. 2017).

22. Mukherjee S., Sharma N. Intrusion Detection using Naive Bayes Classifier with Feature Reduction // Science Direct. – 2012. – URL: http://www.sciencedirect.com/science/article/pii/S2212017312002964 (дата обращения: 26.11.2017).

Приведены результаты исследований метода параметрической идентификации технологических объектов. Для условий реальных технологических процессов, когда невозможно проведение активного эксперимента, ставится задача идентификации каналов технологического объекта передаточными функциями непосредственно по данным с действующего объекта, не вмешиваясь в технологический процесс. Приведенный метод параметрической идентификации технологического объекта основан на аппроксимации его поведения динамической нейронной сетью. Нейронная сеть обучается на примерах функционирования технологического объекта. Модель эмулирует поведение технологического объекта и используется для проведения на ней опытов активного вычислительного эксперимента, позволяющего идентифицировать каналы передачи объекта. Например, модель позволяет получить отклик объекта на испытательное воздействие, в том числе и на периодическое. По полученной комплексной частотной характеристике с применением метода наименьших квадратов находят значения параметров передаточной функции исследуемого канала объекта.

Представлены результаты параметрической идентификации теплообменника выработки пара узла охлаждения кубового остатка установки замедленного коксования нефтеперерабатывающего предприятия. Ставится задача идентифицировать модель, прогнозирующую температуру кубового остатка на выходе теплообменника. Изложены подходы к сбору и обработке экспериментальных данных. Представлены результаты обучения и тестирования нейросетевой модели технологического объекта. Нейросетевая модель технологического объекта использована для проведения вычислительного эксперимента по идентификации каналов объекта частотным методом. Построена имитационная модель технологического объекта, параметризированная предложенным способом. Модель протестирована на экспериментальных данных.

Представленный подход к идентификации технологических объектов примени́м для объектов
с непрерывным характером производства по данным наблюдений переменных в режимах эксплуатации. Найденные параметры передаточных функций каналов контролируемых возмущающих воздействий могут быть использованы для синтеза алгоритмов их компенсации в автоматических системах управления.

Ключевые слова: технологический объект, идентификация, нейронная сеть, моделирование, комплексная частотная характеристика, передаточная функция.

Шумихин Александр Георгиевич (Пермь, Россия) – доктор технических наук, профессор, заведующий кафедрой «Автоматизация технологических процессов и производств» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: shumichin@gmail.com).

Александрова Анна Сергеевна (Пермь, Россия) – старший преподаватель кафедры «Автоматизация технологических процессов» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: boyarshinovaann@gmail.com).

Мустафин Александр Иванович (Пермь, Россия) – главный специалист центра высокотехнологичных решений, ООО «Инфраструктура ТК» (614016, Пермь, ул. Глеба Успенского, 15а, e-mail: aleksandr.mustafin@infra.ru).

1. Цыпкин Я.3. Информационная теория идентификации. – М.: Наука, 1995. – 336 с.
2. Райбман Н.С. Идентификация объектов управления (обзор) // Автоматика и телемеханика. – 1979. – № 6. – С. 80–93.
3. Кафаров В.В., Глебов М.Б. Математическое моделирование основных процессов химических производств. – М.: Высшая школа, 1991. – 400 с.
4. Эйкхофф П., Ванечек А., Савараги E. Современные методы идентификации систем: пер. с англ. / под ред. П. Эйкхоффа. – М.: Мир, 1983. – 400 с.
5. Льюнг Л. Идентификация систем. Теория для пользователя. – М.: Наука, 1991. – 431 с.
6. Моделирование систем / М.В. Аржаков, Н.В. Аржакова,
   В.К. Голиков, Б.Е. Дёмин, В.И. Новосельцев / под ред. В.И. Новосельцева. – Воронеж: Научная книга, 2005. – 216 с.
7. Умаров А.А., Умаров А.Р., Камбаров Е. Идентификация объекта управления в динамическом режиме // Наука и техника Казахстана. – 2016. – № 1–2. – С. 62–72.
8. Эдер Х.Х. Управление технологическими процессами как стратегическое оружие // Датчики и системы. – 2003. – № 2. – С. 58–59.
9. Ицкович Э.Л. Современные алгоритмы автоматического регулирования и их использование на предприятиях // Автоматизация
   в промышленности. – 2007. – № 6. – С. 39–44.
10. О задачах исследования адаптивного управления электростанциями на базе конвертированных авиационных ГТУ / Б.В. Кавалеров, И.В. Бахирев, Г.А. Килин [и др.] // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2014. –
    № 11. – С. 65–77.
11. Ротач В.Я. Об адаптивных системах управления с текущей идентификацией // Автоматизация в промышленности. – 2004. – № 6. – С. 3–6.
12. Штейнберг Ш.Е. Идентификация в системах управления. – М.: Энергоатомиздат, 1987. – 197 c.
13. Bakhtadze N.N., Lototsky V.A. Knowledge-based models of nonlinear systems based on inductive learning // Intelligent Systems Reference Library. – 2016. – Vol. 98. – P. 85–104. DOI: 10.1007/978-3-319-23338-3_4
14. Круглов В.В. Дли М.И. Голунов Р.Ю. Нечёткая логика и искусственные нейронные сети. – М.: Физматлит, 2001. – 221 с.
15. Дли М.И., Пучков А.Ю. Нейронечеткие алгоритмы в задаче диагностики котельного агрегата // Тр. Пятнадцатой нац. конф. по искусств. интеллекту с междунар. участ.: в 3 т. – Смоленск: Универсум, 2016. – С. 67–72.
16. Габитов Р.Ф. Многомерное модельно-предикторное управление прокалкой катализаторов крекинга, основанное на алгоритме с интервальной неопределенностью: автореф. дис. канд. техн. наук. – Уфа, 2012. – 19 c.
17. Идрисов И.И. Алгоритмы адаптации и обеспечения отказоустойчивости систем управления газотурбинными двигателями на основе нейросетевых технологий: автореф. дис. канд. техн. наук. – Уфа, 2009. – 19 c.
18. Иваненко Б.П., Проказов С.А., Парфенов А.Н. Нейросетевое моделирование процессов добычи нефти // Нефтяное хозяйство. – 2003. – № 12. – С. 46–49.
19. Шумихин А.Г., Бояршинова А.С. Идентификация сложного объекта управления по частотным характеристикам, полученным экспериментально на его нейросетевой динамической модели // Автоматика и телемеханика. – 2015. – № 4. – С. 125–134.
20. Шумихин А.Г., Бояршинова А.С. Параметрическая идентификация управляемого объекта в режиме его эксплуатации с применением технологии нейронных сетей // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2016. –
    № 19. – С. 102–110.
21. Шумихин А.Г., Бояршинова А.С. Алгоритм выбора структурных параметров искусственной нейронной сети и объема обучающей выборки при аппроксимации поведения динамического объекта // Компьютерные исследования и моделирование. – 2015. – Т. 7. – № 2. – С. 243–251.

Изложен метод параметрической идентификации неопределенных динамических объектов, основанный на кусочно-экспоненциальной аппроксимации автоколебаний в системах двухпозиционного регулирования. Структура модели неопределенных динамических объектов, функционирующих в системах двухпозиционного регулирования, представлена дифференциальным уравнением с переменными коэффициентами, в качестве которых рассматриваются динамические параметры и возмущение объектов. Общая схема параметрической идентификации предусматривает разбиение экспериментальных автоколебательных кривых на отдельные участки, описание автоколебаний на участках применением метода кусочно-экспоненциальной аппроксимации, последующее определение на основе полученных описаний неизвестных коэффициентов модели неопределенных динамических объектов. В качестве примера неопределенного динамического объекта рассмотрена зона нагрева промышленного аппарата вакуумной сепарации губчатого титана. Выделение информативных участков из экспериментальных кривых автоколебательных режимов основано на предположении о том, что в течение  периода автоколебаний динамические параметры и возмущение неопределенного объекта остаются постоянными. При этом период автоколебаний предложено использовать в качестве интервала идентификации, на котором реальный неопределенный объект рассматривается квазистационарным, в процессе функционирования на разных интервалах идентификации – как семейство квазистационарных объектов управления. Такой подход позволяет описывать динамику неопределенного объекта на интервалах идентификации дифференциальными уравнениями с постоянными коэффициентами. Получена система конечных уравнений, аппроксимирующая автоколебания на интервалах идентификации экспоненциальными функциями. В результате решения системы определены неизвестные коэффициенты дифференциального уравнения, и получена модель, адекватная реальному неопределенному объекту. Модель применена для разработки адаптивной и робастной систем управления технологическими процессами производства губчатого титана.

Ключевые слова: неопределенный динамический объект, модель, идентификация, автоколебания, кусочно-экспоненциальная аппроксимация.

Кирин Юрий Петрович (Березники, Россия) – кандидат технических наук, доцент кафедры «Химическая технология и экология» Березниковского филиала Пермского национального исследовательского политехнического университета (618404, Березники, ул. Тельмана, 7, e-mail: vtihonov@bf.pstu.ru).

Тихонов Вячеслав Александрович (Березники, Россия) – кандидат технических наук, доцент кафедры «Химическая технология и экология» Березниковского филиала Пермского национального исследовательского политехнического университета (618404, Березники, ул. Тельмана, 7, e-mail: (klu2010@mail.ru).

1. Дмитриев А.Г., Дорофеюк А.А. Методы кусочной аппроксимации многомерных кривых // Автоматика и телемеханика. – 1984. – Вып. 12. – С. 101–109.

2. Дорофеюк Ю.А. Структурная идентификация сложных объектов управления на базе методов кусочной аппроксимации // Управление большими системами. – 2010. – Вып. 30. – С. 79–88.

3. Касавин А.Д. Адаптивные алгоритмы кусочной аппроксимации в задаче идентификации // Автоматика и телемеханика. – 1972. –
Вып. 12. – С. 98–104.

4. Порхало В.А., Бажанов А.Г., Магергут В.З. Информационные представления адаптивного трехпозиционного регулятора для его аппаратных и программных реализаций // Научные ведомости Белгород. гос. ун-та. – 2011. – Т. 17. – № 1–1. – С. 161–168.

5. Кирин Ю.П., Тихонов В.А. Определение структуры моделей неопределенных динамических объектов в системах двухпозиционного регулирования // Промышленные АСУ и контроллеры. – 2017. –
№ 7. – С. 6–11.

6. Кирин Ю.П., Тихонов В.А. Параметрическая идентификация моделей неопределенных динамических объектов в системах двухпозиционного регулирования // Вестник Казан. технолог. ун-та. – 2017. – Т. 20. – № 5. – С. 91–94.

7. Кампе-Немм А.А. Автоматическое двухпозиционное регулирование. – М.: Наука, 1967. – 160 с.

8. Черепанов А.И. Динамика систем многоканального позиционного регулирования. – М.: Энергия, 1970. – 80 с.

9. Идентификация технологических процессов производства губчатого титана / Ю.П. Кирин, А.В. Затонский, В.Ф. Беккер, С.Л. Краев // Проблемы управления. – 2008. – № 4. – С. 71–77.

10. Кирин Ю.П., Затонский А.В., Беккер В.Ф. Построение адаптивной системы управления технологическими процессами в производстве губчатого титана // Приборы и системы. Управление, контроль, диагностика. – 2009. – № 2. – С. 1–7.

11. Кирин Ю.П., Кирьянов В.В. Робастное управление технологическими процессами производства губчатого титана // Научно-технический вестник Поволжья. – 2016. – № 2. – С. 120–123.

Основным и одним из ключевых факторов развития любого предприятия является инвестиционная деятельность. С помощью эффективного вложения капитала реализуются возможности потенциального роста и отдача от инвестированных средств. В качестве примера можно рассмотреть обновление существующей материально-технической базы, которая способствует повышению коэффициента полезного действия производства и, как следствие, снижение издержек. Кроме влияния непосредственно на предприятие высокая инвестиционная активность представляет собой обязательное условие для развития экономики страны, а также регионов.

Вследствие использования изношенного оборудования и устаревших технологий компании несут более высокие переменные издержки на единицу продукции по сравнению с европейскими производителями.

Следовательно, актуальность проблемы высокого износа основных производственных фондов (ОПФ) и недостаточного уровня инвестиций в обновление и создание активов российских электроэнергетических компаний определяет специфику работы, которая заключается в изучении инвестиционной активности предприятий энергетики как одной из самых капиталоемких отраслей экономики. В связи с этим возникает необходимость определения факторов стоимости компаний, влияющих на их инвестиционную активность.

В связи с существующими проблемами электроэнергетики исследование будет сфокусировано на инвестициях в создание, модернизацию и обновление материальных активов.

В статье рассмотрена методика определения факторов стоимости. Дана характеристика современного состояния российской энергетики и ее основных объектов. Далее выявлены основные направления инвестиционной деятельности. В данной статье рассматриваются инвестиции в основной капитал, целью которых являются обновление и увеличение существующей материально-технической базы. В заключительной части исследования проанализирована динамика фондового индекса ММВБ-энергетика, сделана выборка компаний, которые в дальнейшем использованы для построения модели.

Ключевые слова: энергетика, отрасль, индекс, курс, динамика, биржа, фондовый рынок.

Андросов Владимир Владимирович (Новосибирск, Россия) – магистрант Новосибирского государственного технического университета (630092, Новосибирск, пр. Карла Маркса, д. 20, e-mail: s_ev54@mail.ru).

Чернов Сергей Сергеевич (Новосибирск, Россия) – кандидат экономических наук, доцент, заведующий кафедрой «Производственный менеджмент и экономика энергетики» Новосибирского государственного технического университета (630092, Новосибирск, пр. Карла Маркса, д. 20, e-mail: chernov@corp.nstu.ru).

1. Положение ПАО «Россети» о единой технической политике
   в электросетевом комплексе [Электронный ресурс]. – URL: http://www.rosseti.ru/investment/science/tech/doc/tehpolitika.pdf (дата обращения: 21.08.2017).
2. Структура установленной мощности электростанций объединенных энергосистем и ЕЭС России на 01.01.2016 [Электронный ресурс]. – URL: http://www.sip.spb.ru/stati/ees-rossii.html (дата обращения: 01.09.2017).
3. Всероссийское совещание «Об итогах подготовки субъектов электроэнергетики к прохождению ОЗП 2015-2016 годов» Заместитель Министра энергетики Российской Федерации А.В. Черезов. Официальный сайт Министерства энергетики Российской Федерации [Электронный ресурс]. – URL: http://minenergo.gov.ru/node/532 (дата обращения: 25.08.2017).
4. Устав ПАО «Россети» Утвержденный годовым собранием акционеров ПАО «Россети» 30.06.2017 г. (протокол от 05.07.2017 г.).
5. Единая энергетическая система России. Официальный сайт Акционерное общество «Системный оператор Единой энергетической системы» (АО «СО ЕЭС») [Электронный ресурс]. – URL: http://so-ups.ru/index.php?id=peretoki-test (дата обращения: 05.07.2018).
6. Положение ОАО «Россети» о единой технической политике
   в электросетевом комплексе [Электронный ресурс]. – URL: http://www.fsk-ees.ru/ (дата обращения: 25.08.2017).
7. Панов М.М. Оценка деятельности и система управления компанией на основе KPI. – М.: Инфра-М, 2012. – 255 с.
8. Московская биржа [Электронный ресурс]. – URL: www.moex.ru (дата обращения: 24.08.2017).
9. Электроэнергетика России. Росбизнесконсалтинг. – М., 2017. – 2367 с.
10. Bartolomeu Fernandes. Jorge Cunha, Paula Ferreira The use of real options approach in energy sector investments // Renewable and Sustainable Energy Reviews. – December 2011. – Vol. 15. – Iss. 9. – P. 4491–4497.
11. Kuznetsova N.V., Kuznetsova E.V. Challenges of Russian Fuel and Energy Complex // Mediterranean Journal of Social Sciences MCSER Publishing, Rome-Italy. – Vol. 6. – № 5. – September 2015. – Р. 112–121.
12. Investing in energy and natural resources. Global Financial Investors. 2015. – 12 p.
13. Россия в цифрах. 2017: Крат.стат.сб./Росстат. – M., 2017. – 522 с.
14. Hobdari B., Jones D.C., Mygind N. Capital investment and determinants of financial constraints in Estonia // Economic Systems. – 2009. –
    № 33. – Р. 344–359.
15. Шамарова Н.А. Проблемы и перспективы привлечения инвестиций в энергетику // Символ науки. – 2015. – № 11–1. – С. 195–198.
16. Семенова К.О. Инновационно-инвестиционный процесс в отраслях топливно-энергетического комплекса России // Бизнес в законе. – 2012. – № 3. – С. 274–277.
17. Руденко А.А., Созинов Е.А. Анализ конкурентоспособности генерирующих компаний электроэнергетической отрасли // Вектор науки ТГУ. – 2011. – № 3. – С. 221–224.
18. Годовой отчет Публичного акционерного общества «Федеральная сетевая компания Единой энергетической системы». Предварительно утвержден решением Совета директоров ПАО «ФСК ЕЭС» 29.05.2017 года (протокол от 29.05.2017 № 367). – М., 2016. – 93 с.
19. Единая национальная (общероссийская) электрическая сеть. Постановление Правительства РФ от 26.01.2006 № 41 (ред. от 17.03.2016) «О критериях отнесения объектов электросетевого хозяйства к единой национальной (общероссийской) электрической сети»
20. Стратегия по российскому рынку акций на 2017 год. – М., 2016. – 54 с.

Актуальность представленного исследования связана с необходимостью учета особенностей рассматриваемых систем для дальнейшего повышения эффективности их функционирования. Цель работы связана с необходимостью демонстрации возможности построения эмпирических регрессионных моделей на основе статистических данных и на их основе построения систем управления, показывающих большую по сравнению с системами автоматического регулирования эффективность. Работа осуществлена на основе использования статистических данных и методов машинного обучения, которые использовались для построения регрессионных моделей. Модели управления были основаны на ретроспективных данных, которые использовались для моделирования изменений температуры помещения в зависимости от температуры на улице и величины отбираемого из теплосистемы тепла, а также для моделирования изменения температуры теплоносителя в зависимости от изменения температуры помещения и уличной температуры. Наибольшая точность была получена с помощью метода lasso. Модели, полученные с помощью этого метода, и были положены в основу получения системы управления и оценки реакции системы. Полученные модели относятся к классу динамических предиктивных моделей, предложена структура их применения в системах управления теплоснабжением многоэтажных офисных зданий с учетом ее инертности. Удалось показать большую эффективность предложенных решений по сравнению с использованием ПИД-регулятора на ретроспективных данных, а также зависимость решения от выбора данных. Значимость исследования: проведенное исследование позволяет строить модели управления, которые могут работать как в автоматическом режиме, так
и в роли систем поддержки принятия решений при обосновании вопросов внедрения систем управления и оценки потенциальной экономии от их использования.

Ключевые слова: информационная система, управление, модель, информационная инфраструктура, поддержка принятия решений, машинное обучение.

Мыльников Леонид Александрович (Пермь, Россия) – кандидат технических наук, доцент кафедры «Микропроцессорные средства автоматизации» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: leonid.mylnikov@pstu.ru).

Гергель Наталья Александровна (Пермь, Россия) – магистрант кафедры «Микропроцессорные средства автоматизации» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: natalia_gergel@mail.ru).

Кычкин Алексей Владимирович (Пермь, Россия) – кандидат технических наук, доцент кафедры «Микропроцессорные средства автоматизации» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: aleksey.kychkin@gmail.com).

Краузе Бернд (Кётен, Германия) – доктор, профессор факультета информатики и языков Университета прикладных наук г. Анхальта (06366, Кётен, ул. Ломанштрассе 23, e-mail: bernd.krause@hs-anhalt.de).

1. Kiam Heong Ang, Chong G., Yun Li. PID control system analysis, design, and technology // IEEE Transactions on Control Systems Technology. – 2005. – Vol. 13. – № 4. – С. 559–576.

2. Shi Z. Knowledge-based decision support system // Journal of Computer Science and Technology. – 1987. – Vol. 2. – № 1. – С. 22–29.

3. Model Predictive Control applied for building thermal control /
G. Neculoiu, V. Dache, G. Stamatescu, V. Sgarciu // Proceedings of Int Aegean Conference on Electrical Machines and Power Electronics (ACEMP); Int Conference on Optimization of Electrical and Electronic Equipment (OPTIM); Int Symposium on Advanced Electromechanical Motion Systems (ELECTROMOTION). – 2015. – P. 363–368.

4. Paprotny A., Thess M. Realtime data mining: self-learning techniques for recommendation engines. – 2013.

5. Кычкин А.В. Программно-аппаратное обеспечение сетевого энергоучетного комплекса // Датчики и системы. – 2016. – № 7. – С. 24–30.

6. Петрова И.Ю., Зарипова В.М., Лежнина Ю.А. Проектирование информационно-измерительных и управляющих систем для интеллектуальных зданий. Направления дальнейшего развития // Вестник МГСУ. – 2015. – № 12. – С. 147–157.

7. Интеллектуальный анализ данных в управлении производственными системами (подходы и методы) / Л.А. Мыльников, Б. Краузе, М. Кютц, К. Баде, И.А. Шмидт. – М.: БИБЛИО-ГЛОБУС, 2017. – 334 c.

8. Мыльников Л.А., Селедкова А.Б. Способ выбора метода прогнозирования и горизонта планирования параметров с использованием оценки риска // Информационные технологии. – 2018. – Т. 24. – № 2. – С. 97–103.

9. Садовникова Н.А., Шмойлова Р.А. Анализ временных рядов
и прогнозирование. – М.: Издательский дом университета «Синергия», 2016. – 152 с.

10. Wickham H.R, Grolemund G. For data science: import, tidy, transform, visualize, and model data. – Sebastopol, CA: O’Reilly, 2016. – 492 р.

11. Witten I.H., Frank E. Data mining: practical machine learning tools and techniques. – Amsterdam ; Boston, MA: Morgan Kaufman, 2005. – 525 р.

12. A new electricity price prediction strategy using mutual information-based SVM-RFE classification / Z. Shao, S. Yang, F. Gao, K. Zhou, P. Lin // Renewable and Sustainable Energy Reviews. – 2017. – Vol. 70. – P. 330–341.

13. Ougiaroglou S., Diamantaras K.I., Evangelidis G. Exploring the effect of data reduction on Neural Network and Support Vector Machine classification // Neurocomputing. – 2018. – Vol. 280. – P. 101–110.

14. A primer on partial least squares structural equation modeling (PLS-SEM) / red. J.F. Hair. – Los Angeles: Sage, 2017.

15. Woody N.A., Brown S.D. Partial least-squares modeling of continuous nodes in Bayesian networks // Analytica Chimica Acta. – 2003. – Vol. 490. – № 1–2. – P. 355–363.

16. Strong rules for discarding predictors in lasso-type problems: Strong Rules for Discarding Predictors / R. Tibshirani, J. Bien, J. Friedman, T. Hastie, N. Simon, J. Taylor, R.J. Tibshirani // Journal of the Royal Statistical Society: Series B (Statistical Methodology). – 2012. – Vol. 74. – № 2. – P. 245–266.

17. Hoerl A.E., Kennard R.W. Ridge Regression: Biased Estimation for Nonorthogonal Problems // Technometric. – 1970. – Vol. 12. – № 1. – P. 55.

18. Постановление Региональной службы по тарифам Пермского края от 20.12.2017 № 300-т. Доступ из справ.-правовой системы КонсультантПлюс.

19. Wicaksono D., Firmansyah E., Nugroho H.A. A Microclimate Closed House Control Design for Broiler Strain // Proceedings of 7th International Annual Engineering Seminar (InAES). – 2017. – Р. 11–16.

20. Кычкин А.В., Мусихина К.Г., Разепина М.Г. Исследование эффективности создания и внедрения системы энергоменеджмента на промышленном предприятии // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2014. – № 1(9). – С. 66–79.

Рассмотрено применение аналоговых интерфейсов (AFE) при построении интеллектуальных ЭКГ-сенсоров. Проблема сердечно-сосудистых заболеваний является одной из наиболее острых медицинских и социальных проблем. Одним из современных подходов к ее решению является мониторинг ЭКГ людей из группы риска с помощью специальных портативных устройств. Крупные компании по производству электронных компонентов уже поставляют на мировой рынок готовые решения для производства таких устройств в виде analog front-end. Авторами проанализированы характеристики и возможности схемотехнических решений от Analog Devices и Texas Instruments, а именно ADS1298ECG для построения на их основе ЭКГ-сенсора. Исследованы параметры энергопотребления и уровня шума ЭКГ интерфейса фирмы Texas Instruments. Рассмотрены особенности современного интеллектуального ЭКГ-сенсора и требования к ним для обеспечения должного уровня качества регистрации сигнала в различных условиях работы. Авторами предлагается алгоритм работы интеллектуального ЭКГ-сенсора, включающий шаги самотестирования и контроля сигнала в процессе регистрации. В статье предлагается работающий макет интеллектуального беспроводного ЭКГ-сенсора, построенный на основе выбранного аналогового интерфейса для работы под управлением микроконтроллера в составе сети сбора данных медицинского учреждения. В дальнейшем подобные устройства планируется использовать в качестве источника первичной информации для диагностики различных заболеваний сердца и анализа его электрической активности по данным электрокардиографии, а также в рамках единой беспроводной интеллектуальной сети медицинского учреждения или в режиме автономной работы. Учет рассмотренных особенностей применения analog front-end и использование предложенного алгоритма работы устройств регистрации ЭКГ позволят разрабатывать и внедрять в практическую работу современные мобильные системы мониторинга ЭКГ.

Ключевые слова: ЭКГ-сенсор, портативное устройство, аналоговый интерфейс, алгоритм.

Петровский Михаил Александрович (Пенза, Россия) – кандидат технических наук, генеральный директор ООО «Сура Кардио» (440026, Пенза, ул. Красная, 40, e-mail: mikepma36@gmail.com).

Кузьмин Андрей Викторович (Пенза, Россия) – кандидат технических наук, доцент кафедры «Информационно-вычислительные системы» Пензенского государственного университета (440026, Пенза, ул. Красная, 40, e-mail: flickerlight@inbox.ru).

Чураков Петр Павлович (Пенза, Россия) – доктор технических наук, профессор кафедры «Информационно-измерительная техника
и метрология» Пензенского государственного университета (440026, Пенза, ул. Красная, 40, e-mail: snpbi-pgu@mail.ru).

1. Advanced Methods and Tools for ECG Data Analysis. / под ред.
G. Clifford, F. Azuaje, P. McSharry. – Boston/London: Artech House Publishing. – 2006. – 384 p.

2. Architectural Approach to the Multisource Health Monitoring Application Design / A. Borodin, Y. Zavyalova, A. Zaharov, I. Yamushev // 17th Conference of Open Innovations Association FRUCT. – Helsinki, Finland: FRUCT Oy, 2015. – P. 16–21.

3. Kakria P., Tripathi N., Kitipawang P. A Real-Time Health Monitoring System for Remote Cardiac Patients Using Smartphone and Wearable Sensors // International Journal of Telemedicine and Applications. – 2015. – № 2015. – P. 1–11.

4. Grier J.W. Comparison and review of portable, handheld,
1-lead/channel ECG. EKG Recorders [Электронный ресурс]. – URL: https://www.ndsu.edu/pubweb/~grier/Comparison-handheld-ECG-EKG.html (дата обращения: 13.12.2017).

5. Walsh J.A., Topol E.J., Steinhubl S.R. Novel Wireless Devices for Cardiac Monitoring // Circulation. – 2014. – № 130. – P. 573–575.

6. Suresh S., Kumar K., Kamakoti V. Portable Low Cost 3 Lead Wireless Wearable ECG Device // World Congress on Medical Physics and Biomedical Engineering IFMBE. – Berlin Heidelberg: Springer-Verlag, 2013. – P. 1331–1334,

7. Task Force of the E-cardiology Working Group. Acquisition and Analysis of Cardiovascular Signals on Smartphones: Potential, Pitfalls and Perspectives / N. Bruining, E. Caiani, C. Chronaki, P. Guzik, E. van der Velde // European Journal of Preventive Cardiology. – 2014. – № 21. – P. 4–13.

8. Wireless Smartphone ECG Enables Large-Scale Screening in Diverse Populations / Z.C. Haberman, R.T. Jahn, R. Bose, H. Tun,
J.S. Shinbane, R.N. Doshi // Journal of Cardiovascular Electrophysiology. – 2015. – № 26. – P. 520–526.

9. Commercial Smartphone-Based Devices and Smart Applications for Personalized Healthcare Monitoring and Management / S. Kumar, E. Vashist, M. Schneider, J. Luong // Diagnostics. – 2014. – № 4. – P. 104–128.

10. Diagnostic, Patient Monitoring and Therapy Applications Guide (Rev. A) [Электронный ресурс]. – URL: http://www.ti.com/
litv/pdf/slyb147a (дата обращения: 13.12.2017).

11. Компани-Бош Э., Хартман Э. Электрокардиограф на базе микроконвертора [Электронный ресурс] // Компоненты и технологии. – 2004. – № 6. – URL: http://kit-e.ru/articles/elcomp/2004_06_104.php (дата обращения: 13.12.2017).

12. Low-Power, 8-Channel, 24-Bit Analog Front-End for Biopotential Measurements (Rev. I) [Электронный ресурс]. – URL: http://www.ti.com/
lit/ds/symlink/ads1298.pdf (дата обращения: 13.12.2017).

13. ADAS1000 DataSheetRevPrE [Электронный ресурс]. – URL: http://www.analog.com/static/imported-files/data_sheets/ADAS1000.pdf (дата обращения: 13.12.2017).

14. Innovative Wireless Automations Sensors for Arrhythmmia Monitoring [Электронный ресурс]. – URL: http://davidhoglund.typepad.com/­integra_systems_inc_david/2008/08/innovative-wireless-automations-senso­rs-for-arrhythmmia-monitoring.html (дата обращения: 13.12.2017).

15. ADS1298ECG Front End Performance Demonstration Kit [Электронный ресурс]. – URL: http://www.ti.com/tool/ADS1298ECGFE-PDK (дата обращения: 13.12.2017).

16. Mobile Heart Monitoring System Prototype Based on the Texas Instruments Hardware: Energy Efficiency and J-point Detection / A. Kuz­min, M. Safronov, O. Bodin, M. Petrovsky, A. Sergeenkov // International Journal of Embedded and Real-Time Communication Systems. – 2016. – Vol. 7. – Iss. 1. – P. 64–84. DOI: 10.4018/IJERTCS.2016010104

17. Повышение достоверности оценки состояния сердца в компьютерной диагностической системе «Кардиовид» / С.А. Балахонова, О.Н. Бодин, А.Г. Иванчуков, В.Г. Полосин, А.Г. Убиенных // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2016. – № 2(38). – С. 61–71.

18. Иващенко А.В., Минаев А. А., Модель посредника-медиатора в подвижных сенсорных сетях распределенной диагностики // Известия Самарского научного центра РАН. ‑ 2015. ‑ Т. 17. ‑ № 2(5). –
С. 1004–1009.

19. Digital Assistance Services for Emergency Situations in Personalized Mobile Healthcare: Smart Space Based Approach / D.G. Korzun,
A.V. Borodin, I.A. Timofeev, I.V. Paramonov, S.I. Balandin // International Conference on Biomedical Engineering and Computational Technologies (SIBIRCON). – Novosibirsk, Russia: IEEE. – 2015. – P. 1–6.

20. Towards the Development of Smart Spaces-Based Socio-Cyber-Medicine Systems / Y.V. Zavyalova, D.G. Korzun, A.Yu. Meigal,
A.V. Borodin // International Journal of Embedded and Real-Time Communication Systems. – 2017. – № 8(1). – P. 45–63.

Обоснована необходимость учета сопоставимых условий при определении экономии энергоресурсов, возникшей при реализации мероприятий по повышению энергоэффективности. Приведены особенности процесса реализации энергосервисного контракта и учета сопоставимых условий применительно к проектам, реализуемым в рамках данного вида договоров. Описан алгоритм определения базового уровня потребления и верификации измерений в рамках реализации энергосервисных контрактов. Обоснован выбор в качестве метода учета сопоставимых условий независимых корректировок потребления, возникающих при воздействии различных факторов. Рассмотрен пример реализации энергосервисного контракта, включающего модернизацию тепловой сети ТЭЦ Сибирского федерального округа. Для данного контракта описан процесс определения экономии как разницы между фактическими потерями тепловой энергии через изоляцию и нормативными потерями, достижение уровня которых планировалось в рамках реализации проекта. Кратко описаны основные реализованные этапы алгоритма. С целью апробации выдвинутых предположений проведен процесс определения зависимости между потерями тепловой энергии и температурой воздуха. В качестве модели для определения корректировки использовано уравнение парной линейной регрессии. По полученному значению коэффициента рассчитаны скорректированные потери за каждый год реализации проекта и определена экономия в натуральном и денежном выражении, полученная в сопоставимых условиях. Показано влияние изменения экономии на экономическую эффективность проекта. Сделан вывод о причинах отказа от корректировок потерь тепла в исходном варианте проекта. Даны рекомендации по учету различных сопоставимых условий
в зависимости от целевого значения различных показателей проекта. Публикация подготовлена в рамках поддержанного РФФИ научного проекта № 16-12-54003.

Ключевые слова: энергетическая эффективность, энергосбережение, энергосервисный контракт, экономия топливно-энергетических ресурсов, базовый уровень энергопотребления, верификация измерений, сопоставимые условия.

Тупикина Анастасия Алексеевна (Новосибирск, Россия) – старший преподаватель кафедры «Производственный менеджмент и экономика энергетики» Новосибирского государтсвенного технического университета (630073, Новосибирск, пр. Карла Маркса, 20, e-mail: tupikina.aa@mail.ru).

1. Семенов В.Г., Ковальчук В.В., Сергеев С.А. Механизмы энергосбережения, предлагаемые к включению в нормативные правовые акты [Электронный ресурс]. – URL: http://www.energosovet.ru/­npb1156.html (дата обращения: 29.11.2017).

2. Чернов С.С. Состояние энергосбережения и повышения энергетической эффективности в России // Бизнес. Образование. Право. Вестник Волгоград. ин-та бизнеса. – 2013. – № 4(25). – С. 136–140.

3. Литкевич И. Второе рождение энергосервиса [Электронный ресурс]. – URL: http://www.vsluh.ru/news/oilgas/296845 (дата обращения: 07.12.2017).

4. Дзюба А.П. Как стимулировать приток инвестиций в энергетическую инфраструктуру промышленной компании [Электронный ресурс]. – URL: http://www.energosovet.ru/bul_stat.php?idd=657 (дата обращения: 20.11.2017).

5. Туликов А.В. Рынок энергосервисных услуг в России: смутные перспективы или инструмент роста? // Энергосбережение. – 2015. –
№ 3. – С. 8–11.

6. Иванов Г.Н. Энергосервисные контракты – применение в российской практике [Электронный ресурс] // Энергосовет. – 2011. –
№ 2(15). – URL: http://www.energosovet.ru/bul_stat.php?idd=150 (дата обращения: 20.11.2017).

7. Шингаров В.П. Энергосервис и финансовые риски реализации проектов [Электронный ресурс] // ЭСКО. Энергетический сервис. – 2014. – № 6–7. – URL: http://journal.esco.co.ua/esco/2014_6_7/art40.html (дата обращения: 29.11.2017).

8. Цакунов С.В. Реализация энергосервисных контрактов в России [Электронный ресурс] // Энергосбережение. – 2012. – № 3. – URL: https://www.abok.ru/for_spec/articles.php?nid=5231 (дата обращения: 25.11.2017).

9. ГОСТ Р 56743-2015. Измерение и верификация энергетической эффективности. Общие положения по определению экономии энергетических ресурсов. – М.: Стандартинформ, 2015.

10. Тихоненко Ю.Ф. Энергосервис. Ожидание разрешения проблем и позиции сторон [Электронный ресурс] // Портал-энерго – 2012. – № 3. – URL: http://portal-energo.ru/articles/details/id/487 (дата обращения: 20.10.2017).

11. International Perfomance Measurement and Verification Protocol. Concept and options for determining energy and water savings. Vol. 1 // Organization for the Assessment of Energy Efficiency (EVO). – 2010. – 152 p.

12. В России появился стандарт «Измерения и верификация энергетической эффективности» по расчету экономии энергоресурсов [Электронный ресурс]. – URL: http://www.energosovet.ru/news.php?zag=
1413965575 (дата обращения: 29.05.2017).

13. Постановление Правительства РФ от 18 августа 2010 г. № 636 «О требованиях к условиям контракта на энергосервис и об особенностях определения начальной (максимальной) цены контракта (цены лота) на энергосервис» [Электронный ресурс]. – URL: http://www.rg.ru/
2010/12/14/energoservis-site-dok.html (дата обращения: 24.05.2017).

14. Тупикина А.А., Чернов С.С. Определение базового уровня потребления энергетических ресурсов в рамках реализации энергосервисных контрактов // Инновации. – 2015. – № 10. – С. 106–112.

15. Тупикина А.А. Анализ факторов, влияющих на процесс формирования базового уровня энергопотребления при подготовке энергосервисного контракта // Экономика и предпринимательство. – 2016. – № 2/1 (67/1). – С. 824–828.

16. Энергосервис: измерить экономию нельзя, рассчитать. Интервью с главой РАЭСКО Р.Э. Мукумым [Электронный ресурс] // ЭСКО. Энергетический сервис. – 2014. – № 9–10. – URL: http://journal.esco.co.ua/­esco/2014_9_10/art17.html (дата обращения: 1.12.2017).

17. Гужов С.В. Методы определения и способы подтверждения энергосберегающего эффекта в системах тепло- и электроснабжения: монография. – М.: Изд-во МЭИ, 2015. – 112 с.

18. Соковиков О.Б. Детям будет тепло, а муниципалитету выгодно [Электронный ресурс]. – URL: http://www.energosovet.ru/stat885.html (дата обращения: 29.11.2017).

19. Методика определения расчетно-измерительным способом объема потребления энергетического ресурса в натуральном выражении для реализации мероприятий, направленных на энергосбережение и повышение энергетической эффективности (утв. Приказом Министерства энергетики РФ от 4 февраля 2016 г. № 67). – М., 2016.

20. Архив погоды // rp5.ru. Расписание погоды [Электронный ресурс]. – URL: https://rp5.ru/%D0%90%D1%80%D1%85%D0%B8%D0%
B2_%D0%BF%D0%BE%D0%B3%D0%BE%D0%B4%D1%8B_%D0%B2_%D0%9E%D0%BC%D1%81%D0%BA%D0%B5 (дата обращения: 29.11.2017).

Описывается стандартный алгоритм электронной цифровой подписи, основанный на операциях над эллиптической кривой в конечном поле. Описываются последовательность действий, выполняемых при формировании электронной цифровой подписи, и последовательность действий, выполняемых при ее верификации. Рассматриваются основные параметры алгоритма электронной цифровой подписи, представляющие собой большие простые числа. Стандарт определяет только математические формулы для операций над эллиптической кривой и предлагает нижние границы для некоторых параметров, не устанавливая каких-либо конкретных алгоритмов выполнения этих операций. Ставится задача выбора параметра алгоритма формирования и верификации электронной цифровой подписи как задача выбора псевдослучайного простого числа большой размерности из широкого диапазона с последующей проверкой того, что выбранное число является простым. Указывается на то, что верхние границы параметров определяются в основном тремя факторами,
к которым относятся требуемый уровень безопасности, допустимое время формирования и верификации электронной цифровой подписи и используемая аппаратная платформа. Рассматриваются способы формирования простых чисел. Анализируются достоинства и недостатки различных алгоритмов проверки сформированных чисел на простоту, включая тест, основанный на малой теореме Ферма, тест Соловея–Штрассена и тест Миллера–Рабина. Из анализа делается вывод
о том, что более предпочтительным для поиска больших простых чисел представляется использование теста Миллера–Рабина, который по сравнению с тестом Соловея–Штрассена имеет меньшую вычислительную сложность и большую точность, хотя и обладает недостатком, состоящим
в том, что он пропускает числа Кармайкла, которые не являются простыми. Для практических приложений предлагается последовательность шагов формирования одного из параметров алгоритма электронной цифровой подписи. С помощью аналогичной процедуры предлагается осуществлять поиск и других параметров стандартного алгоритма формирования электронной цифровой подписи.

Ключевые слова: алгоритм электронной цифровой подписи, параметры алгоритма, псевдослучайные числа, большие простые числа, тесты простоты.

Ланских Владимир Георгиевич (Киров, Россия) – кандидат технических наук, доцент кафедры «Автоматика и телемеханика» Вятского государственного университета (610009, Киров, ул. Московская, 36, e-mail: usr00222@vyatsu.ru).

Ланских Юрий Владимирович (Пермь, Россия) – кандидат технических наук, доцент кафедры «Математические и естественно-научные дисциплины» Пермского государственного национального исследовательского университета (614990, Пермь, ул. Букирева, 15, e-mail: lyuv@inbox.ru).

1. ГОСТ Р34.10–2012. Криптографическая защита информации. Процессы формирования и проверки электронной цифровой подписи // Доступ из справ.-правовой системы КонсультантПлюс.
2. Щербаков А., Домашев А. Прикладная криптография. Использование и синтез криптографических интерфейсов. – М.: Русская редакция, 2002.
3. ГОСТ Р34.11-94. Информационная технология. Криптографическая защита информации. Функция хэширования // Доступ из справ.-правовой системы КонсультантПлюс.
4. Ланских В.Г., Ланских Ю.В. Использование блочного алгоритма шифрования для реализации функций хеширования // Научные тенденции: вопросы точных и технических наук: сб. науч. тр. по материалам VIII Междунар. науч. конф.; г. Москва, 12 июля 2017 г. – М., 2017. – С. 10–11.
5. Ланских В.Г., Ланских Ю.В. Повышение криптографической стойкости функций хеширования // Достижения и приложения современной информатики, математики и физики: материалы VI Всерос. науч.-практ. заочной конф.; г. Нефтекамск, 1 ноября 2017 г. – Нефтекамск, 2017. – С. 178–185.
6. Ланских В.Г., Ланских Ю.В. Применение блочных алгоритмов для формирования функций хеширования // Информационно-телекомму­никационные системы и технологии: материалы всерос. науч.-практ. конф.; Кемерово, 12–13 октября 2017 г. – Кемерово, 2017. – С. 316–318.
7. Реализация функций хеширования на основе стандартных симметричных криптографических алгоритмов / М.И. Красиков, В.Г. Ланских, Ю.В. Ланских, Л.В. Пешнина // Высокие технологии и модернизация экономики: достижения и новые векторы развития: сб. науч. тр. по материалам I Междунар. науч.-практ. конф.; 31 октября 2017 г. –
   М.: НОО «Профессиональная наука», 2017. – С. 57–62.
8. Уильямс Х. Проверка чисел на простоту с помощью вычислительных машин // Кибернетический сборник. – М.: Мир, 1986. –
   Вып. 23. – С. 51–99.
9. Василенко О.Н. Некоторые алгоритмы построения больших простых чисел // Вестник Моск. ун-та. Сер. 1: Математика. Механика. – 1997. – № 5. – С. 62–64.
10. Crandall R., Pomerance C. Prime numbers: a computational perspective. – Springer-Verlag, 2001.
11. Василенко О.Н. О некоторых свойствах чисел Ферма // Вестник Моск. ун-та. Сер. 1: Математика. Механика. – 1998. – № 5. – С. 56–58.
12. Alford W.R., Granville A., Pomerance C. There are infinitely many Carmichael numbers // Ann. Math. – 1994. – Vol. 140. – P. 703–722.
13. Solovay R., Strassen V. A fast monte-carlo test for primality // SIAM Journal on Computing. – 1977. – Vol. 6, no. 1. – P. 84–85.
14. Miller G.L. Riemann’s hypothesis and tests for primality //
    J. Comput. and Syst. Sci. – 1976. – Vol. 13. – P. 300–317. [Перевод: Кибернетич. сборник. – М.: Мир, 1986. – Вып. 23. – С. 31–50].
15. Василенко О.Н. Об алгоритме Миллера–Рабина // Вестник Моск. ун-та. Сер. 1: Математика. Механика. – 2000. – № 2. – С. 41–42.
16. Гашков С.Б. Упрощенное обоснование вероятностного теста Миллера–Рабина для проверки простоты чисел // Дискретная математика. – 1998. – Т. 10(4). – С. 35–38.
17. Adleman L., Pomerance C., Rumely R.S. On distinguishing prime numbers from composite numbers // Ann. Math. – 1983. – Vol. 117. –
    P. 173–206.
18. Adleman L., Huang M.-D.A. Primality testing and abelian varietes over finite fields. – 1992. (Lect. Notes in Math.; Vol. 1512).
19. Adleman L., McCurley K. Open problems in number theoretic complexity // Proceedings of ANTS-I. – 1994. (Lect. Notes in Comput. Sci.; Vol. 877). – P. 291–322.
20. Adleman L.M., Manders K., Miller G.L. On taking roots in finite fields // Proc. 18th Ann. Symp. Found. Comput. Sci. – 1977. – P. 175–178.
21. Schoof R. Four primarity testing algorithms. Surveys in Algorithmic Number Theory / ed. J.B. Buchler, P. Stevenhagen // Math. Sci. Res. Inst. Publ. 44. – Cambridge Univ. Press, New York, 2008. – P. 101–126.

Возрастание антропогенной нагрузки на окружающую среду приводит к сокращению запасов питьевой воды, что, в свою очередь, ведет к необходимости повышения эффективности процессов очистки сточных вод. Поскольку проведение натурных экспериментов на сооружениях очистки воды невозможно, то увеличивается роль математического моделирования при исследовании соответствующих технологических процессов.

Наблюдения показывают, что в течение суток можно выделить периоды, в течение которых расход приходящих на очистные сооружения сточных вод значительно не изменяется. Построение отстойников-усреднителей также может позволить поддерживать постоянное значение расхода сточных вод. С учетом этих факторов в работе предложено дальнейшее развитие компартментальной математической модели процесса биологической очистки сточных вод с переменной структурой для случая постоянного значения часового расхода сточных вод. Разработанная модификация модели биоочистки описывает динамику концентраций двух типов субстрата, кислорода и общей концентрации микроорганизмов активного ила. Введенные пороговые функции позволяют моделировать переключение процессов окисления с органики на аммоний и конкуренцию микроорганизмов за кислород. Также эти функции позволяют избежать недопустимых значений модельных концентраций, которые могут возникать в результате вычислительных погрешностей. Влияние насыщения микроорганизмов кислородом и субстратами учитывается
с помощью функции Моно.

Для компьютерного моделирования на языке программирования Python разработан программный комплекс. Проведена параметрическая идентификация. Найденные выходные модельные концентрации при различных комбинациях значений управляющих параметров приведены
в статье. Результаты компьютерного моделирования, значения модельных концентраций на выходе из компартментов показывают адекватность разработанной модели процессу биологической очистки сточных вод, осуществляемому на очистных сооружениях г. Петрозаводска (Карелия).

Предложенная модель позволяет решать задачу прогнозирования и управления процессом биоочистки, разрабатывать алгоритмы для обеспечения необходимых значений выходных модельных концентраций и оптимизации процесса биоочистки.

Ключевые слова: компьютерное моделирование, динамическая система, управление процессом, сточные воды, биологическая очистка, аэрация, окисление, нитрификация.

Кириллов Александр Николаевич (Петрозаводск, Россия) – доктор физико-математических наук, ведущий научный сотрудник Института прикладных математических исследований Карельского научного центра РАН (185910, Петрозаводск, ул. Пушкинская, 11), профессор кафедры «Математический анализ» Петрозаводского государственного университета (185910, Петрозаводск, пр. Ленина, 33, e-mail: kirillov@krc.karelia.ru).

Смирнов Николай Васильевич (Петрозаводск, Россия) – кандидат технических наук, доцент кафедры «Теория вероятностей и анализа данных» Петрозаводского государственного университета (185910, Петрозаводск, пр. Ленина, 33, e-mail: nvsmirnov87@gmail.com).

1. Gotovtsev A.V. Evaluating BOD and the Coefficient of Oxidation Rate: Monitoring, Direct and Inverse Problems, Formulas, Calculations and Tables // Water Resources. – 2016. – Vol. 43. – № 6. – P. 885–898. DOI: 10.1134/S0097807816050067

2. Savenko V.S. A Semiempirical Mathematical Model of the Secondary Pollution of Water Bodies by Soluble Iron and Manganese Forms // Water Resources. – 2016. – Vol. 43. – № 6. – P. 862–872. DOI: 10.1134/S0097807816060063

3. Evaluation of different nitrous oxide production models with four continuous long-term wastewater treatment process data series / M. Sperandio, M. Pocquet, L. Guo, B.-J. Ni, P.A. Vanrolleghem, Z. Yuan // Bioprocess Biosyst Eng. – 2016. – Vol. 39. – P. 493–510. DOI: 10.1007/s00449-015-1532-2

4. Mathematical simulating the process of aerobic granular sludge treating high carbon and nitrogen concentration wastewater / J. Zhao,
J. Huang, M. Guan, Y. Zhao, G. Chen, X. Tian // Chemical Engineering Journal. – 2016. – № 306. – P. 676–684. DOI: 10.1016/j.cej.2016.07.098

5. Mathematical modeling of simultaneous carbon-nitrogen-sulfurremoval from industrial wastewater / X.-J. Xu, C. Chen, A.-J. Wang, B.-J. Ni, W.-Q. Guo, Y. Yuan, C. Huang, X. Zhou, D.-H. Wu, D.-J. Lee,
N.-Q. Ren // Journal of Hazardous Materials. – 2017. – № 321. – P. 371–381. DOI: /10.1016/j.jhazmat.2016.08.074

6. Numerical solution of a multi-class model for batch settling in water resource recovery facilities / P.A. Vanrolleghem, R. Bürger, S. Diehl,
M.C. Martía, P. Mulet, I. Nopens, E. Torfs // Applied Mathematical Modelling. – 2017. – Vol. 49. – P. 415–436. DOI: 10.1016/j.apm.2017.05.014

7. Mathematical modeling of autotrophic denitrification (AD) process with sulphide as electron donor / G. Xu, F. Yin, S. Chen, Y. Xu,
H.-Q. Yu // Water Research. – 2016. – Vol. 91. – P. 225–234. DOI: 10.1016/j.watres.2016.01.011

8. Simsek H. Mathematical modeling of wastewater-derived biodegradable dissolved organic nitrogen // Environmental Technology. – 2016. – P. 2879–2889. DOI: 10.1080/09593330.2016.1167964

9. Грудяева Е.К., Душин С.Е. Анализ динамики процесс нитрификации в моделировании биологической очистки сточных вод ASM1 // Известия СПБГЭТУ ЛЭТИ. – 2015. – Т. 1. – С. 12–17.

10. Grigorieva E.V., Bondarenko N.V., Khailov E.N. Time Optimal Control Problem for the Waste Water Biotreatment Model // Journal of Dynamical and Control Systems. – 2015. – Vol. 21. – P. 3–24. DOI: 10.1007/s10883-014-9214-y

11. Villez K., Vanrolleghem P.A., Corominas L. Optimal flow sensor placement on wastewater treatment plants // Water Research. – 2016. – Vol. 101. – P. 75–83. DOI: 10.1016/j.watres.2016.05.068

12. Грудяева Е.К., Душин С.Е., Кузьмин Н.Н. Динамические модели управляемых биохимических процессов очистки сточных вод // Известия высших учебных заведений. Приборостроение. – 2015. –
Т. 58. – № 9. C. 732–737. DOI: 10.17586/0021-3454-2015-58-9-732-737

13. Грудяева Е.К., Душин С.Е. Логико-динамическое управление биохимическими процессами очистки сточных вод // Известия ЮФУ. Технические науки. – 2015. – № 7(168). – С. 208–219.

14. Грудяева Е.К., Душин С.Е., Капулина О.И. Влияние внешних факторов на управляемые биохимические процессы очистки сточных вод // Известия высших учебных заведений. Приборостроение. – 2017. – Т. 60. – № 9. – С. 891–897. DOI: 10.17586/0021-3454-2017-60-9-891-897

15. Кириллов А.Н., Рейсс Т.В., Смирнов Н.В. Математическое моделирование процессов нитрификации и окисления органических веществ в проточной биосистеме // Ученые записки Петрозавод. гос. ун-та. Сер. Естественные и технические науки. – 2013. – № 4(133). –
С. 105–109.

16. Смирнов Н.В. Управление процессом биоочистки воды в аэротенке [Электронный ресурс] // Тр. XII Всерос. совещ. по проблемам управления ВСПУ-2014; Москва, 16–19 июня 2014 г. – М.: Изд-во Института проблем управления В.А. Трапезникова РАН, 2014. –
С. 6792–6799.

17. Кириллов А.Н., Смирнов Н.В. Параметрическая идентификация математической модели процесса биологической очистки в аэротенке // Тр. Карел. науч. центра Рос. акад. наук. Сер. Математическое моделирование и информационные технологии. – 2014. – № 4. – С. 67–74.

18. Смирнов Н.В., Новиков П.И. Компьютерное моделирование процесса биоочистки с кусочно-постоянным часовым расходом сточных вод // Вестник Пермского национального политехнического университета. Электротехника, информационные технологии, системы управления. – 2017. – № 24. – С. 134–149.

19. Жмур Н.С. Управление процессом и контроль результата очистки сточных вод на сооружениях с аэротенкам. – М.: Луч, 1997. – 172 с.

20. A nonlinear observer for an activated sludge wastewater treatment process / B. Boulkroune, M. Darouach, S. Gille [аt al.] // American Control Conference. – USA, 2009. – P. 1027–1033.

21. Центр высокопроизводительной обработки данных ЦКП КарНЦ РАН [Электронный ресурс]. – URL: http://cluster.krc.karelia.ru (дата обращения: 01.02.2018).

В статье представлены результаты идентификации каналов блока подогрева сырой нефти установки атмосферно-вакуумной трубчатки (АВТ) нефтеперерабатывающего предприятия, представляющего собой систему теплообменников, с применением динамической нейронной сети (НС). Обученная НС-модель позволяет моделировать динамику технологического объекта (тренды изменения технологических параметров) и идентифицировать его с применением методов активного эксперимента на НС передаточными функциями.

Одним из блоков установки АВТ является система теплообменных аппаратов, предназначенная для подогрева сырой нефти за счёт рекуперации тепла обращающихся на установке продуктов. В условиях изменяющихся расходов сырой нефти и греющих агентов, подаваемых
в систему теплообменников с определенной технологической топологией их соединения, с целью повышения степени рекуперации тепла греющих агентов существуют задачи оптимизации топологии технологической схемы блока теплообменных аппаратов и распределения сырой нефти, поступающей тремя потоками.

Для случая заданной структуры технологической схемы процесса и стабильной подачи общего потока нефти и греющих агентов задача решается методами статической оптимизации, целевой функцией в которой является теплосодержание потока подогретой нефти на выходе блока теплообмена. Тогда задача управления будет заключаться в стабилизации системами автоматического регулирования расходов потоков нефти на рассчитанных оптимальных значениях.

Однако, например, при изменяющихся во времени расходах нерегулируемых потоков греющих агентов или при изменении расхода общего потока сырой нефти задача оптимизации должна решаться как динамическая с алгоритмами оптимального управления, которые предполагают наличие математических моделей динамики управляемого объекта.

Ключевые слова: нефтепереработка, установка АВТ, система теплообмена, управление, моделирование, идентификация, нейронная сеть.

Шумихин Александр Георгиевич (Пермь, Россия) – доктор технических наук, профессор, заведующий кафедрой «Автоматизация технологических процессов» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: atp@pstu.ru).

Колыхматов Аркадий Олегович (Пермь, Россия) – руководитель группы системных разработок ООО «Промышленная кибернетика» (614000, Пермь, ул. Луначарского, 85, e-mail: kolykhmatovao@gmail.com).

1. Колыхматов А.О., Шумихин А.Г. Алгоритм оптимизации в задаче управления блоком подогрева сырой нефти на установке АВТ нефтеперерабатывающего предприятия с его актуализацией в компьютерно-тренажерном комплексе // Вестник Пермского национального исследовательского политехнического университета. Химическая технология и биотехнология. – 2015. – № 3. – С. 39–48.
2. Колыхматов А.О., Шумихин А.Г. Оптимизация блока подогрева сырой нефти на установке АВТ при выводе некоторых теплообменников на ремонт // Вестник Пермского национального исследовательского политехнического университета. Химическая технология и биотехнология. – 2016. – № 3. – С. 20–27.
3. Kansha Y., Kishimoto A., Tsutsumi A. Application of the Self-Heat Recuperation Technology to Crude Oil Distillation // Applied Thermal Engineering. – 2012. – Vol. 43. – P. 153–157.
4. Кафаров В.В., Макаров В.В. Гибкие автоматизированные производственные системы в химической промышленности: учебник для вузов. – М.: Химия, 1990.
5. Гельперин Н.И. Основные процессы и аппараты химической технологии. – М.: Химия, 1981.
6. Кафаров В.В. Методы кибернетики в химии и химической технологии: учеб. для вузов. – М.: Химия, 1985.
7. Гартман Т.Н., Клушин Д.В. Основы компьютерного моделирования химико-технологических процессов: учеб. пособие для вузов. – М.: Академкнига, 2006.
8. Бояринов А.И., Кафаров В.В. Методы оптимизации в химической технологии: учеб. пособие для вузов. – М.: Химия, 1969.
9. Кафаров В.В., Мешалкин В.П. Анализ и синтез химико-технологических систем: учебник для вузов. – М.: Химия, 1991.
10. Шумихин А.Г., Бояршинова А.С. Идентификация сложного объекта управления по частотным характеристикам, полученным экспериментально на его нейросетевой динамической модели // Автоматика и телемеханика. – 2015. – № 4. – С. 125–134.
11. Шумихин А.Г., Бояршинова А.С. Параметрическая идентификация управляемого объекта в режиме его эксплуатации с применением технологии нейронных сетей // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2016. – № 19. –
    С. 102–110.
12. Liau L.C.-K., Yangb T.C.-K., Tsaib M.T. Expert System of a Crude Oil Distillation Unit for Process Optimization Using Neural Networks // Expert Systems with Applications. – 2004. – Vol. 26, № 2. – P. 247–255.
13. Автоматизация синтеза и обучение интеллектуальных систем управления / И.М. Макаров, В.М. Лохин, С.В. Манько [и др.]; под ред. И.М. Макарова и В.М Лохина. – М.: Наука, 2009.
14. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечёткая логика и искусственные нейронные сети. – М.: Физматлит, 2001.
15. Иваненко Б.П., Проказов С.А., Парфенов А.Н. Нейросетевое моделирование процессов добычи нефти // Нефтяное хозяйство. – 2003. – № 12. – С. 46–49.
16. Torgashov А. Nonlinear Process Model-Based Self-Optimizing Control of Complex Crude Distillation Column // European Symposium on Computer Aided Process Engineering–11. – 2001. – Vol. 9. – P. 793–798.
17. Popoola L., Babagana G., Susu A. A Review of an Expert System Design for Crude Oil Distillation Column Using the Neural Networks Model and Process Optimization and Control Using Genetic Algorithm Framework // Advances in Chemical Engineering and Science. – 2013. – Vol. 3. – № 2. – P. 164–170.
18. Siefelmann H.T., Horne B.G., Giles C.L. Computational capabilities of recurrent NARX neural networks // IEEE Transactions on Systems Man and Cybernetics-Part B: Cybernetics. – 1997. – Vol. 27. – № 2. –
    P. 208–215. 
19. Junior J.M.P., Barreto G.A. Long-term series prediction with the NARX network: an empirical evaluation // Neurocomputing Advances in Neural Information processing (ICONIP2006). – 2008. – Vol. 71. – № 16–18. –
    P. 3335–3343.
20. Эйкхофф П. Основы идентификации систем управления. Оценивание параметров и состояния: пер. с англ. – М.: Мир, 1975.
21. Ротач В.Я. Теория автоматического управления: учебник для вузов. – М.: Изд. дом МЭИ, 2007.

Определены основные проблемы истощения водных ресурсов. Обоснована актуальность исследования влияния факторов на истощение водных ресурсов. Рассмотрены динамика истощения водных ресурсов и влияние на нее следующих факторов: объемы использования свежей воды, объемы оборотной воды, объемы сбрасываемых загрязненных вод, объемы внутренних возобновляемых вод и процент морских охраняемых территорий. Построены факторные и бесфакторные модели динамики водных ресурсов: линейная многофакторная модель, модель
в пространстве состояний, авторегрессионные модели. Ряды факторов линейной многофакторной модели исследованы с точки зрения их взаимной корреляции. Коэффициенты моделей найдены методом наименьших квадратов. Выбор модели произведен на основе анализа аппроксимации исходных данных и качества постпрогноза. Показано, что линейная многофакторная модель имеет наилучшее качество постпрогноза при приемлемой погрешности аппроксимации. Обоснованы управляемые и неуправляемые факторы, на значения которых не могут повлиять лица, принимающие решения. Сделан прогноз развития динамики водных ресурсов при сохраняющихся тенденциях факторов. Показано, что если не предпринимать усилий, истощение водных ресурсов будет нарастать. В зависимости от изменения неуправляемых факторов произведен анализ возможных ситуаций в будущем. Определено наихудшее сочетание изменений неуправляемых факторов, приводящее к наибольшему истощению водных ресурсов. Исследованы возможности лиц, принимающих решения, по исправлению негативных влияний окружающей среды путем изменения значений управляемых факторов. Показано, что хотя существуют негативные тенденции динамики водных ресурсов, воздействия внешней среды могут их еще ухудшить, существуют способы эффективно им противодействовать.

Ключевые слова: математическое моделирование, прогнозирование, истощение водных ресурсов, экология.

Затонский Андрей Владимирович (Березники, Россия) – доктор технических наук, профессор, заведующий кафедрой «Автоматизация технологических процессов» Пермского национального исследовательского политехнического университета (618404, Пермский край, Березники, ул. Тельмана, 7, e-mail: zxenon@narod.ru).

Гераськина Инна Николаевна (Санкт-Петербург, Россия) – кандидат экономических наук, доцент кафедры «Управление организацией» Санкт-Петербургского государственного архитектурно-строительного университета (190005, Санкт-Петербург, ул. 2-я Красноармейская, 4, е-mail: Geraskina82@mail.ru).

Стерхова Виктория Владиславовна (Березники, Россия) – студентка Березниковского филиала Пермского национального исследовательского политехнического университета (618404, Пермский край, Березники, ул. Тельмана, 7; e-mail: amxprovika@gmail.com).

1. Зеленые [Электронный ресурс]. – URL: https://ru.wikipedia.org/
   wiki/Зеленые (дата обращения: 10.04.2018).
2. Партия зеленых [Электронный ресурс]. – URL: https://ru.wikipedia.org/wiki/Зеленые (дата обращения: 10.04.2018).
3. Премьер-министр РФ отмечает важность реализации отраслевых планов по импортозамещению [Электронный ресурс]. – URL: http://planet-today.ru/novosti/item/14069-premer-ministr-rf-otmechaet-vazhnost-realizatsii-otraslevyh-planov-po-importozamescheniyu (дата обращения: 10.04.2018).
4. Водная стратегия Российской Федерации [Электронный ресурс]. – URL: http://www.mnr.gov.ru/regulatory/detail.php?ID=128717
5. Прогноз датапортал [Электронный ресурс]. – URL: http://www.prognoz.ru/dataportal (дата обращения: 10.04.2018).
6. Затонский А.В., Сиротина Н.А. Прогнозирование экономических систем по модели на основе регрессионного дифференциального уравнения // Экономика и математические методы. – 2014. – Т. 50. –
   № 1. – С. 91–99.
7. Сиротина Н.А., Янченко Т.В., Затонский А.В. Об аппроксимации факторов дифференциальной модели социально–экономической системы [Электронный ресурс] // Современные исследования социальных проблем. – 2012. – № 11(19). – C. 6. – URL: http://sisp.nkras.ru/e-ru/issues/2012/11/sirotina.pdf (дата обращения: 10.04.2018).
8. Петров А.А., Гераськина И.Н., Кривоносов А.М. Синергетическая парадигма в социально-экономических системах: теория и методология // Вестник гражданских инженеров. – 2016. – № 3(56). –
   С. 289–297.
9. Semenova E.G., Smirnova M.S., Tushavin V.A. Decision making support system in multi-objective issues of quality management in the field of information technology [Электронный ресурс] // International Journal of Applied Engineering Research. – 2014. – Vol. 9. – № 22. – P. 16977–16984. – URL: http://hobby-rukodelie.ru/
10. Kobersy I.S., Shkurkin D.V., Zatonskiy A.V., Volodina J.I., Safyanova T.V. Moving objects control under uncertainty // ARPN Journal of Engineering and Applied Sciences. – 2016. – Т. 11. – № 5. – P. 2830–2834.
11. Орлов А.И. Эконометрика [Электронный ресурс]. – URL: http://www.aup.ru/books/m153/ (дата обращения: 10.04.2018).
12. Информационные системы: табличная обработка информации / Е.П. Балашов, В.Н. Негода, Д.В. Пузанков, Д.В. Пузанков,
    В.Б. Смолов, А.А. Смагин. – Л.:  Энергоатомиздат, 1985. – 180 с.
13. Влияние нестационарности объекта управления на параметры установившихся автоколебаний / М.Н. Ерыпалова, В.Ф. Беккер, А.В. Затонский, Ю.П. Кирин // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2008. – № 4. – С. 50–57.
14. Гераськина И.Н. Управление инновационным развитием социально-экономических систем. – Саранск, 2017. – 170 с.
15. Берков Н.А. Математическое моделирование [Электронный ресурс]. – URL: http://www.pmtf.msiu.ru/chair31/students/berkov/matmod13.pdf (дата обращения: 10.04.2018).
16. Варламова С.А., Затонский А.В., Измайлова Е.В. Информационная поддержка принятия решений при управлении филиалом вуза. М.: ИНФРА-М, 2014. – 333 с.
17. Бюллетень социально-экономического криза в России [Электронный ресурс]. – URL: http://ac.gov.ru/files/publication/a/8353.pdf (дата обращения: 10.04.2018).
18. Саулин Д.В. Математическое моделирование химико-техно­логических систем. – Пермь: Изд-во Перм. гос. техн. ун-та, 2003. – 91 с.

Предложен подход к унификации и стандартизации (типизации) системных моделей управления (business model management (BPM)) производственными процессами в авиадвигателестрительной корпорации и реализации на этой основе типовых проектных решений, обеспечивающих возможность создания эффективной корпоративной системы процессного управления производством. Проводится анализ проблем управления производственными процессами в машиностроении в современных условиях. Отмечается, что современный период развития машиностроения характеризуется высокими темпами наращивания объемов производства при одновременном освоении новой продукции. Особенно остро эта проблема проявляется в условиях многономенклатурного производства, характеризующегося большим числом компонентов и уровней входимости в готовых изделиях (десятки и сотни тысяч наименований, десятки уровней входимости); сочетанием опытного и серийного типов производств; многообразием технологических процессов – литейные, кузнечные, штамповочные, механообрабатывающие, сборочные и др.; большим потоком конструкторских и технологических изменений. Такая ситуация приводит к экспоненциальному увеличению производственной и управленческой информации, которая приобретает свойства информационных ресурсов BIG DATA. В этих условиях интенсивного наращивания объемов производства и экспоненциального роста информации ужесточаются требования
к достоверности данных как в производственных планах, так и в диспетчерских отчетах об их реализации. Отмечается, что в стандартах MRP(Material Requirements Planning) и ERP (Enterprise Recourse Planning) систем этот способ получил название «Замкнутый цикл MRP» (Closed loop MRP), его реализация требует формализации системы планирования и управления производством от построения до реализации типовых BPM-моделей. Анализируется пример построения развитой автоматизированной системы планирования и управления производством на Уфимском моторостроительном производственном объединении, обеспечивающей стабильность и ритмичность производственного процесса при выпуске продукции в заданном количестве и установленные сроки.

Ключевые слова: типовые проектные решения, ERP, производственный процесс, машиностроение, корпорация, интеграция, организация производства, интегральный подход.

Артюхов Александр Викторович (Москва, Россия) – кандидат технических наук, генеральный директор АО «Объединенная двигателестроительная корпорация» (105118, Москва, пр. Буденного, 16, e-mail:info@uecrus.com).

Речкалов Александр Васильевич (Москва, Россия) – доктор технических наук, эксперт «Объединенная двигателестроительная корпорация» (105118, Москва, пр. Буденного, 16, e-mail:a.rechkalov@uecrus.com).

Христолюбов Вячеслав Леонидович (Москва, Россия) – кандидат технических наук, директор направления информационных технологий «Объединенная двигателестроительная корпорация» (105118, Москва, пр. Буденного, 16, e-mail:cio@uecrus.com).

1. Гаврилов Д.А. Управление производством на базе стандарта MRP II. – СПб.: Питер, 2003. – 352 с.

2. Колесников С. MPS. – URL: http://www.osp.ru/cw/2000/13/4116/

3. Питеркин С.В., Оладов Н.А., Исаев Д.В. Точно вовремя для России. Практика применения ERP-систем. – М.: Альпина Бизнес Букс, 2005. – 368 с.

4. Уоллас Т., Сталь Р. Планирование продаж и операций: практическое руководство: пер. с англ. – 3-е изд. – СПб.: Питер, 2010.

5. Darryl V. Landvater, and Christopher D. Gray. MRP II Standard System. A handbook for Manufacturing SoftwareSurvival. – JohnWiley&Sons, Inc., 1989.

6. James L. Riggs. Production systems: Planning, Analisis and Control. – New-York-London-Sydney-Toronto: John Wiley & Sons Inc., 1970. – 620 р.

7. Голдратт Э. Цель. Процесс непрерывного совершенствования. – М.: Попурри, 2009.

8. Голдратт Э. Цель-2. Дело не в везении. – М.: Манн, Иванов
и Фербер, 2011.

9. Кинг У., Клиланд Д. Стратегическое планирование и хозяйственная политика: пер. с англ; предисл. Г.Б. Кочеткова. – М.: Прогресс, 1982. – 399 с.

10. Планирование ведущих позиций [Электронный ресурс]. – URL: http://help.sap.com/saphelp_afs64/helpdata/ru/f4/7d253c44af11d182­b40000e829fbfe/frameset.htm (дата обращения: 11.01.2017).

11. Речкалов А.В., Дунаев Д.Н., Даутова О.Р. Развитие функциональности основного планирования ERP системы для решения задачи среднесрочного производственного планирования // Вестник УГАТУ. Автоматизация и управление технологическими процессами и производствами. – Уфа: Изд-во УГАТУ, 2012. – Т. 16, № 6(51). – С. 263–269.

12. Речкалов А.В., Дунаев Д.Н., Даутова О.Р. Сущность и содержание процесса объемно-календарного планирования // Современные тенденции в экономике и управлении: новый взгляд: сб. материалов XX Междунар. науч.-практ. конф. / под общ. ред. С.С. Чернова. – Новосибирск: СИБПРИНТ, 2013. – 229 с.

1.  Шарипов Т.Ф. Методология планирования на предприятиях машиностроительного комплекса в условиях модернизации экономики: монография. – Оренбург: Изд-во ОГУ, 2012. – 176 с.

14. Артюхов А.В., Христолюбов В.Л. Современные информационные технологии в авиадвигателестроении // Двигатель: науч.-техн. журнал. – 2007. – № 2(50). – С. 6–7.

15. Артюхов А.В. Построение и эффективность ERP системы на ОАО «УМПО» [Электронный ресурс] // Деловой портал «Управление производством». – 2013. – URL: http://www.up-pro.ru/library/informa­tion_systems/ management/erp-umpo.html (дата обращения: 11.01.2017).

16. Рязанова В.А., Люшина Э.Ю. Организация и планирование производства. – М.: Академия, 2010. – 272 с.

17. Акофф Р. Планирование будущего корпораций. – М.: Прогресс, 1985. – 327 с.

18. Эшби У.Р. Введение в кибернетику. – М.: КомКнига,
2006. – 432 с.

19. Бадаш Х.З. Типы производства и модели планирования // Вестник Удмурт. ун-та. Сер. Экономика и право. – 2009. – Вып. 2. – С. 19–29.

20. Волчкевич И.Л. О необходимости новой классификации типов машиностроительного производства // Инженерный журнал. – 2005. – № 10. – С. 59–61.

21. Речкалов А.В., Антонов В.В., Артюхов А.В. Разработка формальной интегральной модели производственного процесса машиностроительного предприятия // Вестник УГАТУ. – 2014. – Т. 18. –
№ 4(65). – С. 125–133.

22. Типовое проектирование ИС [Электронный ресурс]. – URL: http://5fan.ru/wievjob.php?id=39025

23. Завьялов Е.Н. Шаблонные решения при внедрении системы SAPERP // Системный администратор. – 2014. – № 11(44). – С. 92–95.

Обоснована актуальность проблемы компьютерных атак как наиболее опасной формы реализации угрозы информационной безопасности. Охарактеризованы информационные системы общего пользования, в наибольшей степени подверженные компьютерным атакам. Приведена оценка объектов критической информационной инфраструктуры – целей компьютерных атак. Особое внимание уделено требованиям российского законодательства, направленным на защиту критической информационной инфраструктуры. Приведена характеристика таргетированной компьютерной атаки, рассмотрены ее особенности. Предложены обобщенная структурная схема компьютерной атаки и последовательность формирования ее образа. Поставлена задача поиска эффективных алгоритмов обнаружения и анализа атак. Приведена обобщенная характеристика основных методов  обнаружения и анализа компьютерных атак: методов анализа сигнатур и методов обнаружения аномальных отклонений. Проанализирована информация, необходимая для идентификации компьютерных атак. Предложены направления поиска правил для выявления эффективных способов обнаружения компьютерных атак. Поставлена задача развития алгоритмических моделей, обеспечивающих распознавание образа атаки на основании набора ее отличительных признаков. Сформулировано понятие адекватности моделей, рассмотренное в двух аспектах: адекватность прототипу и адекватность применения мер по защите информации. Приведены утверждения о целесообразности представления модели обнаружения компьютерных атак в виде композиции двух основных составляющих. Обозначена задача формирования моделей атаки на объекты критической информационной инфраструктуры. Предложена обобщенная схема формирования соответствующей модели на основе функционального подхода. Приведены необходимые аналитические выражения. Предложена теоретико-множественная модель, предполагающая построение полного множества безопасных состояний информационной системы
и обнаружение на этой основе признаков компьютерных атак.

Ключевые слова: компьютерная атака, критическая информационная инфраструктура, защита информации, нейронные сети, метод обнаружения аномалий, анализ сигнатур, теория распознавания образов, функциональный подход.

Шабуров Андрей Сергеевич (Пермь, Россия) – кандидат технических наук, доцент кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: shans@at.pstu.ru).

1. Анализ угроз информационной безопасности 2016-2017 [Электронный ресурс]. – URL: https://www.anti-malware.ru/analytics/Threats_­Analysis/Analysis_information_security (дата обращения: 21.03.2018).
2. О безопасности критической информационной инфраструктуры Российской Федерации (от 26.07.2017 № 187-ФЗ) // Доступ из справ.-правовой системы КонсультантПлюс.
3. Основные направления государственной политики в области обеспечения безопасности автоматизированных систем управления производственными и технологическими процессами критически важных объектов инфраструктуры Российской Федерации (утв. Президентом РФ 03.02.2012 № 803) // Доступ из справ.-правовой системы КонсультантПлюс.
4. Шабуров А.С., Журилова Е.Е. Об особенностях интеграции DLP-решений в корпоративные информационные системы // Вестник УрФО. Безопасность в информационной среде. – Челябинск: Изд. центр ЮУрГУ, 2017. – № 3(25). – С. 5–12.
5. Шабуров А.С., Журилова Е.Е., Лужнов В.С. Технические аспекты внедрения DLP-системы на основе FalcongazeSecureTower // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2015. – № 4(16). – С. 57–67.
6. Шабуров А.С., Борисов В.И. О применении SIEM-систем для обеспечения безопасности корпоративных сетей, инновационные технологии, теория, инструменты, практика // Материалы VII Междунар. интернет-конф. молод. ученых, аспирантов, студ. – Пермь: Изд-во Перм. нац. исследоват. политехн. ун-та, 2016. – С. 249–254.
7. Positive Technologies. Кибербезопасность 2016-2017: от итогов к прогнозам [Электронный ресурс]. – URL: https://elibrary.ru/­item.asp?id=29207621 (дата обращения: 21.03.2018).
8. Гамаюнов Д.Ю. Обнаружение компьютерных атак на основе анализа поведения сетевых объектов: дис. … канд. физ.-мат. наук. – М: Изд-во МГУ им. Ломоносова, 2007.
9. Шабуров А.С., Журилова Е.Е. Модель выявления каналов утечки информации в автоматизированных системах на основе симплекс-метода // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2017. – № 24. – С. 7–19.
10. Шабуров А.С., Борисов В.И. О применении сигнатурных методов анализа информации в SIEM-системах // Вестник УрФО. Безопасность в информационной среде. – Челябинск: Изд-во ЮУрГУ, 2015. –
    № 17. – С. 23–37.
11. Данилов А.Н., Шабуров А.С. Концептуальный подход в решении задачи обеспечения безопасности информационно-управляющих систем // Вестник Казан. гос. техн. ун-та им. А.Н. Туполева. – 2012. – № 1. – С. 113–119.
12. Шабуров А.С., Журилова Е.Е. Особенности реализации алгоритмов морфологического анализа в DLP-системах // Вестник УрФО. Безопасность в информационной сфере. – Челябинск, 2016. – № 2(20). – С. 23–28.
13. Шабуров А.С., Борисов В.И. Разработка модели защиты информации корпоративной сети на основе внедрения SIEM-системы // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2016. – № 19. – С. 111–124.
14. Екимов О.Б. Методика разработки учебно-лабораторного комплекса для исследования систем защиты информации сложных военно-технических объектов: дис. … канд. техн. наук. – Пермь: Перм. воен. ин-т ракет. войск, 2003. – 125 с.
15. Харитонов В.А. Основы теории живучести функционально избыточных систем: препринт №170. – СПб.: Ин-т Информатики и автоматизации Рос. акад. наук, 1993. – 60 с.
16. Шабуров А.С., Миронова А.А. Обнаружение компьютерных атак на основе функционального подхода // Вестник Пермского университета. Математика. Механика. Информатика. – 2015. – Вып. 4(31). –
    С. 110–115.
17. Шабуров А.С. Разработка модели распознавания компьютерных атак на основе нейронной сети // Нейрокомпьютеры: разработка, применение. – 2016. – № 8. – С. 67–72.
18. Шабуров А.С., Рашевский Р.Б. Применение нейронных сетей для обеспечения безопасности информационно-управляющих систем критически важных объектов // Нейрокомпьютеры: разработка, применение. – 2014. – № 12. – С. 31–35.
19. Шабуров А.С., Рашевский Р.Б. Практическое применение нейронных сетей для защиты информационно-управляющих систем критически важных объектов от DDOS-атак // Нейрокомпьютеры: разработка, применение. – 2015. – № 10. – С. 16–20.
20. Шабуров А.С. Алгоритм распознавания таргетированных компьютерных атак на основе нейронной сети // Нейрокомпьютеры: разработка, применение. – 2017. – № 6. – С. 60–64.