С.В. Прокопчина1, Л.С. Звягин2

1, 2 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 svprokopchina@fa.ru, 2 lszvyagin@fa.ru

Постановка проблемы. Современное развитие информационно-измерительных систем характеризуется интеграцией передовых цифровых технологий с классическими методами измерений и контроля. Для автоматизации мониторинга технических объектов проводится системный анализ архитектурных решений и методологических подходов к созданию современных измерительных комплексов, исследуются вопросы применения алгоритмов машинного обучения и нейронных сетей для повышения эффективности обработки измерительных данных в условиях воздействия помех и нестационарных факторов.

Цель. Выполнить анализ эффективности применения концепции цифровых двойников в процессах проектирования и эксплуатации информационно-измерительных систем. Проанализировать методы обеспечения метрологической надежности современных измерительных комплексов с учетом требований стандартизации и сертификации.

Результаты. Исследованы подходы к реализации автоматизированных систем предиктивной диагностики на основе анализа временных рядов и спектральных характеристик измерительных сигналов. Представлены результаты сравнительного анализа различных архитектурных решений для построения распределенных измерительных сетей с возможностью удаленного мониторинга

Практическая значимость. Определены перспективные направления развития информационно-измерительных технологий в контексте цифровой трансформации промышленности. Обоснованы рекомендации по выбору оптимальных технических решений для создания измерительных систем различного назначения. Полученные результаты могут быть использованы при разработке и модернизации информационно-измерительных систем для объектов энергетики, транспорта и промышленности

Прокопчина С.В., Звягин Л.С. Актуальные направления и перспективы развития прикладных информационно-измерительных систем для решения задач автоматизации мониторинга и управления в сложных технических комплексах. 2025. Т. 19. № 5.
С. 110−125. DOI: 10.18127/j19997493-202505-13

1. Kalman R.E. A new approach to linear filtering and prediction problems. Journal of Basic Engineering. 2020. V. 82. Iss. 1. P. 35–45. DOI: 10.1115/1.3662552
2. Shannon C.E. A mathematical theory of communication. Bell System Technical Journal. 2021. V. 27. Iss. 3. P. 379–423. DOI: 10.1002/j.1538-7305.1948.tb01338.x
3. Anderson B.D.O., Moore J.B. Optimal Filtering. Dover Publications. 2019. 357 p.
4. Haykin S. Adaptive Filter Theory. 5th Edition. Pearson Education. 2020. 912 p.
5. Cover T.M., Thomas J.A. Elements of Information Theory. 2nd Edition. Wiley-Interscience. 2019. 748 p.
6. Ljung L. System Identification: Theory for the User. 2nd Edition. Prentice Hall. 2021. 672 p.
7. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press. 2020. 800 p.
8. Brown R.G., Hwang P.Y.C. Introduction to Random Signals and Applied Kalman Filtering. 4th Edition. Wiley. 2019. 640 p.
9. Simon D. Optimal State Estimation: Kalman, H-infinity, and Nonlinear Approaches. Wiley-Interscience. 2020. 552 p.
10. Bar-Shalom Y., Li X.R., Kirubarajan T. Estimation with Applications to Tracking and Navigation. Wiley. 2021. 584 p.
11. Kailath T., Sayed A.H., Hassibi B. Linear Estimation. Prentice Hall. 2019. 854 p.
12. Jazwinski A.H. Stochastic Processes and Filtering Theory. Dover Publications. 2020. 400 p.
13. Gelb A. Applied Optimal Estimation. MIT Press. 2019. 374 p.
14. Sorenson H.W. Parameter Estimation: Principles and Problems. Marcel Dekker. 2021. 398 p.
15. Chen Z. Bayesian Filtering: From Kalman Filters to Particle Filters, and Beyond. Communications in Information and Systems. 2020. V. 3. № 2. P. 69–98. DOI: 10.4310/CIS.2003.v3.n2.a1