Важнейшими статистическими показателями динамического ряда являются абсолютный цепной и базисный прирост, цепной и базисный темп прироста, темп наращивания и др., описывающие текущее состояние процесса без составления прогноза. Классический подход к прогнозированию рядов основан на выборе подходящей теоретической модели тренда с неизвестными параметрами с последующим его моделированием. Применимость метода экспоненциального сглаживания к исследуемому динамическому ряду заключается в возможности прогнозирования нестационарного временного ряда, в котором вес члена ряда уменьшается экспоненциально и практически не оказывает какое-либо влияние на значение экспоненциальной средней, заменяющей наблюдаемое значение ряда. Целью работы явилось проведение экспоненциального сглаживания динамического ряда числа разжижения кукурузной крахмалистой смеси. В данном случае исследованию была представлена последовательность наблюдений показателя числа разжижения, упорядочиваемого в зависимости от повышения дозировки амилопектинового кукурузного крахмала в кукурузной крахмалистой смеси. Число разжижения для кукурузной крахмалистой смеси, состоящей из кукурузной муки тонкого помола (ГОСТ 14176) и кукурузного амилопектинового крахмала (ГОСТ 32159) в соотношении: 100:0, 90:10, 80:20, 70:30, 60:40, 50:50, 40:60, 30:70, 20:80, 10:90, 0:100 получали расчетным путем. Экспоненциальное сглаживание динамического ряда числа разжижения кукурузной крахмалистой смеси позволило получить достоверный прогноз о динамике показателя качества процесса разжижения в указанном интервале. Стандартные погрешности прогнозируемых значений числа разжижения кукурузной крахмалистой смеси при дозировке амилопектинового кукурузного крахмала в смеси от 0 % до 35,0 % включительно находятся в пределах требований сходимости ГОСТ 30498 (ИСО 3093) для результатов измерений. Стабильный рост динамики числа разжижения кукурузной крахмалистой смеси обеспечивается при замене кукурузной муки амилопектиновым кукурузным крахмалом в количестве не более 35,0%.

1. Семиохин С.И., Самарев Р.С. Обзор современных подходов к прогнозированию временных рядов // Молодежный научно-практический вестник. 2017. № 12. С. 3–16.

2. Симанков В.С., Бучацкая В.В. Выбор методов прогнозирования при исследовании сложных систем // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2012. № 2. С. 118–123.

3. Шубат О.М., Блинов Д.В. Исследование рядов динамики в экономике и менеджменте. URL:https://study.urfu.ru/Aid/Publication/13795/1/%D0%91%D0%BB%D0%B8%D0%BD%D0%BE%D0%B2%2C%20%D0%A8%D1%83%D0%B1%D0%B0%D1%82_%D0%AD%D0%9E%D0%A0.pdf (дата обращения: 28.01.2021).

4. Шевченко И.В. Некоторые модели анализа и прогнозирования временных рядов // Системная информатика. 2013. № 2. С. 23–40.

5. Керенский А.М. О текущем предупредительном контроле процесса на базе экспоненциального сглаживания // Авиационная и ракетно-техническая техника. 2009. № 3–2 (19). С. 227–230.

6. Статистические показатели динамики. URL: https://axd.semestr.ru/dinam/group.php

7. Сглаживание экспоненциальным методом. URL: https://math.semestr.ru/trend/exponential.php

8. Li Zh., Liu W., Gu Zh., Li C. et al. The effect of starch concentration on the gelatinization and liquefaction of corn starch // Food Hydrocolloids. 2015. V. 48. P. 189–196. doi: 10.1016/j.foodhyd.2015.02.030

9. ГОСТ 14176–69. Мука кукурузная. Технические условия. М.: Стандартинформ, 2006. URL: https://docs.cntd.ru/document/1200022248

10. ГОСТ 32159–2013. Крахмал кукурузный. Общие технические условия. М.: Стандартинформ, 2019. URL: https://docs.cntd.ru/document/1200104210

11. ГОСТ ISO 3093–2016. Зерно и продукты его переработки. Определение числа падения методом Хагберга-Пертена. М.: Стандартинформ, 2019. URL: https://docs.cntd.ru/document/1200140380

12. Stefan E.–M., Voicu G., Constantin G.A., Ferdes M. Falling number vs liquefaction number in alfa-amylase activity estimation for bakery flour // Conference: International Symposium ISB-INMA TEH 2015, Agricultural and mechanical engineering, Romania, Bucharest, 2015. P. 461–466.

13. Вершинина О.Л., Зернаева Е.А., Бондаренко А.Н. Влияние мучной композитной смеси на хлебопекарные свойства ржаной муки // Известия высших учебных заведений. Пищевая технология. 2018. № 2–3 (362–363). С. 44–46.

14. Кричевский М.Л. Методы бизнес-прогнозирования: лекции (контент) по дисциплине. URL: http://eos.ibi.spb.ru/umk/15_3/5/5_A.html

15. Jain D., Katyal P. Optimization of gluco-amylase production from Aspergillus spp. for its use in saccharification of liquefied corn starch // 3 Biotech. 2018. V. 8. №. 2. P. 1-9. doi: 10.1007/s13205-018-1131-4

16. Szymanowska-Powałowska D., Lewandowicz G., Kubiak P., Błaszczak W. Stability of the process of simultaneous saccharification and fermentation of corn flour. The effect of structural changes of starch by stillage recycling and scaling up of the process // Fuel. 2014. V. 119. P. 328-334. doi: 10.1016/j.fuel.2013.11.034

17. Xue P., Zhao Y., Wen C., Cheng S. et al. Effects of electron beam irradiation on physicochemical properties of corn flour and improvement of the gelatinization inhibition // Food chemistry. 2017. V. 233. P. 467-475. doi: 10.1016/j.foodchem.2017.04.152

18. Chen Y., Delaney L., Johnson S., Wendland P. et al. Using near infrared spectroscopy to determine moisture and starch content of corn processing products // Journal of Near Infrared Spectroscopy. 2017. V. 25. №. 5. P. 348-359. doi: 10.1177/0967033517728146

19. Huang X., Chen M., Lu X., Li Y. et al. Direct production of itaconic acid from liquefied corn starch by genetically engineered Aspergillus terreus // Microbial cell factories. 2014. V. 13. №. 1. P. 1-10. doi: 10.1186/s12934-014-0108-1

20. Pervez S., Aman A., Iqbal S., Siddiqui N.N. et al. Saccharification and liquefaction of cassava starch: an alternative source for the production of bioethanol using amylolytic enzymes by double fermentation process // BMC biotechnology. 2014. V. 14. №. 1. P. 1-10. doi: 10.1186/1472-6750-14-49