Сложность и ответственность решений, принимаемых при управлении потенциально опасными и рискованными операциями, а также операциями с высокой стоимостью ошибок, часто не позволяют полностью автоматизировать управление высокоразмерными технологическими процессами. В статье представлены проблематика методологии управления, основные положения и этапы методологии прецедентной адаптации контура управления многомерных технологических процессов к изменяющимся условиям их протекания. Приведено описание процедуры нейросетевой адаптации и принципов выбора типа и топологии нейросети, подстраивающей контур управления технологическими установками. Приведены условия оптимальности использования многослойных архитектур нейронных сетей и формулы расчета числа их межнейронных связей и слоев.
Возникновение аварийных ситуаций на предприятиях приводит к прекращению или ослаблению рабочего потока, что несёт экономические убытки независимо от того, насколько быстро аварии устранены. Следовательно, возможность заранее предупредить возникновение подобных ситуаций будет крайне востребована во многих отраслях экономики. В работе реализован подход к подготовке данных из БД SCADA-системы. используя алгоритм вычисления средних значений параметров за единицу времени и корреляционный анализ. На подготовленных данных обучена модель машинного обучения, использующая реализацию метода случайного леса для классификации текущего состояния участка технологического объекта как предаварийной для симуляции работы реальной системы в потоковом режиме. Получившаяся модель без тонкой настройки и оптимизации гиперпараметров показала высокие значения точности предсказания и других метрик, что позволяет говорить о возможности использования моделей машинного обучения для решения задачи.