Актуальность. Поставлена задача оперативного прогнозирования показателя производительности объектов топливно-энергетического комплекса на примере химико-технологического оборудования предприятия. Особенности каждой единицы оборудования возникают вследствие разброса характеристик в ходе периодического ремонта. В настоящее время для прогнозирования используется общая для всех единиц регрессионная зависимость, погрешность которой неудовлетворительная. Целью работы является снижение этой погрешности за счет разработки новых методов прогнозирования. Объект и методы. Исследована возможность применения для прогнозирования четырех регрессионных методов. Качество прогнозирования определялось методом постпрогноза на 3 и 6 отсчетов. Для каждого метода определены среднеквадратичная и среднемедианная погрешности в 50 случайно выбранных ситуациях на каждый горизонт постпрогноза. Ситуации выбирались таким образом, чтобы появилась возможность исследования зависимости погрешностей от начальной длины тренда, то есть количества месяцев работы прогнозируемого оборудования после последнего капитального ремонта. Для снижения трудозатрат использовались возможности оптимизации MS Excel. Результаты. Получены следующие рекомендации по использованию методов. Если оборудование выходит из ремонта или не проработало еще 3 месяца, наилучшим является копирование среднего тренда. В интервале 4-7 месяцев, наиболее сложном, наилучшим является предложенный автором метод. В интервале 7-30 месяцев конкурентными являются поиск кубической регрессии опорного тренда с уточнением в случае его недостаточной длины и копирование среднего тренда. Во всех случаях достигается примерно трехкратное снижение погрешности прогнозирования по сравнению с методом, используемым в настоящее время. При бо́льшей длине опорного тренда ни один метод прогнозирования не обеспечивает существенного снижения погрешности. Заключение. Предлагаемый набор методов может использоваться для решения аналогичных задач в случаях, когда применение более совершенных методов, наподобие нейронных сетей, затруднено короткими рядами данных и их особенностями.

1. Soldatov E.S. Information Processing Algorithms in Tasks of Monitoring and Predicting the State of Cryogenic Equipment // Journal of Computational and Engineering Mathematics. 2023. V. 10. № 4. P. 60–67. doi: 10.14529/jcem230405

2. Егурцов С.А., Иванов Ю.В., Ерехинский Б.А., Тимошенко И.С. Совершенствование системы прогнозирования технического состояния и ресурса устьевого оборудования скважин // Инженер-нефтяник. 2017. № 2. С. 54–59.

3. Мустафина С.И., Жиляков С.А. Применение нейронных сетей для диагностики и прогнозирования технического состояния оборудования // Автоматизация и информатизация ТЭК. 2023. № 7 (600). С. 13–21. doi: 10.33285/2782-604X-2023-7(600)-3-21

4. Lazarevska M., Cvetkovska M., Knezevic M. Neural Network Prognostic Model for Predicting the Fire Resistance of Eccentrically Loaded RC Columns // Applied Mechanics and Materials. 2014. V. 627. P. 276–282. doi: 10.4028/www.scientific.net/AMM.627.276

5. Герике П.Б., Герике Б.Л. Прогнозирование ресурса горного оборудования с использованием единого диагностического критерия его технического состояния // Техника и технология горного дела. 2022. № 3 (18). С. 4–22. doi: 10.26730/2618-7434-2022-3-4-24

6. Nemtinov V., Egorov S., Nemtinova Y., Kalach F. Information support for decision-making in emergency situations // Journal of Physics: Conference Series. 2021. V. 1902. P. 012080. doi: 10.1088/1742-6596/1902/1/012080

7. Новикова Т.А., Ляпунцова Е.В. Разработка инструмента прогнозирования состояния оборудования с учетом выбора оптимальной функции надежности // Контроль. Диагностика. 2025. Т. 28. № 6 (324). С. 46–51. doi: 10.14489/td.2025.06.pp.046-051

8. Костенко Д.А., Олейников В.С., Хохловский В.Н. Предобработка зашумленных данных перед нейросетевым анализом // Сборник трудов конференции. СПб.: ПОЛИТЕХ-ПРЕСС, 2024. С. 230–237. doi: 10.18720/SPBPU/2/id24-168

9. Володина Ю.И., Затонский А.В., Рахимова О.В., Середкина О.В. Прогнозная модель процесса флокуляции на основе нейронной сети // Вестник ЮУрГУ. Серия: Компьютерные технологии, управление, радиоэлектроника. 2017. Т. 17. № 2. С. 42–50. doi: 10.14529/ctcr170204

10. Тугашова Л.Г., Затонский А.В. Моделирование и прогнозирование производства нефтепродуктов с учетом сезонности на основе авторегрессионных моделей // Известия Томского политехнического университета. Инжиниринг георесурсов. 2020. Т. 331. № 5. С. 109–119. doi: 10.18799/24131830/2020/5/2641

11. Арженовский С.В. Прогнозирование динамики цены и оценка риска инвестиций в золото // Экономический анализ: теория и практика. 2015. № 20 (419). С. 50–56.

12. Бильфельд Н.В., Володина Ю.И. Формирование кривой разгона объекта управления по импульсной динамической характеристике // Автоматизация. Современные технологии. 2019. Т. 73. № 11. С. 505–509.

13. Bilfeld N.V. Identification of Control Objects in Some Estimation Tools // European Journal of Computer Science. 2016. V. 1. № 2. P. 4–14. doi: 10.13187/ejcs.2016.2.4

14. Наумов И.В., Никулина Н.Л. Сценарное моделирование и прогнозирование степени износа основных фондов предприятий обрабатывающей промышленности в регионах России // Экономические и социальные перемены: факты, тенденции, прогноз. 2022. Т. 15. № 4. С. 155–171. doi: 10.15838/esc.2022.4.82.10

15. Zhukovskiy Y., Koshenkova A., Vorobeva V. et al. Assessment of the Impact of Technological Development and Scenario Forecasting of the Sustainable Development of the Fuel and Energy Complex // Energies. 2023. V. 16. P. 3185. doi: 10.3390/en16073185

16. Hong Y.Y., Chan Y.H. Short-term electric load forecasting using particle swarm optimization-based convolutional neural network // Engineering Applications of Artificial Intelligence. 2023. V. 126. P. 106773. doi: 10.1016/j.engappai.2023.106773

17. Пчелинцева С.В., Никаноров М.С., Малыха Е.Ф., Сергеева Н.В. Применение методов машинного обучения для оптимизации режимов добычи полезных ископаемых // Известия Тульского государственного университета. Науки о Земле. 2025. № 4. С. 361–366.

18. Григалашвили А.С., Кокшарова Л.Ф., Зуева И.О. О применимости корреляционного анализа для исключения факторов в регрессионно-дифференциальных моделях // Вестник Тамбовского ГТУ. 2016. Т. 22. № 1. С. 35–44. doi: 10.17277/vestnik.2016.01.pp.035-044

19. Zatonskiy A., Sirotina N., Bazhenov R. Finite-differential models used as a basis for IT support in problem-solving // IOP Conference Series: Materials Science and Engineering. 2020. V. 1047. P. 012040. doi: 10.1088/1757-899X/1047/1/012040

20. Кириллова Д.А. Использование электронных таблиц при обучении математике студентов инженерных направлений // Вестник Приамурского государственного университета им. Шолом-Алейхема. 2022. № 1 (46). С. 100–110.