The purpose of this research is to develop an algorithmic framework for event-forecast quality management in complex data processing systems (CDPS), through the integration of systemic analysis methods and computational modeling. Contemporary approaches to quality assessment, based on static metrics defined by GOST R 59797–2021, fail to account for dynamic emergent properties and predictive operational scenarios of CDPS. The study proposes a hybrid model that combines multi-level system analysis with L-stable numerical simulation techniques, enabling formalization of the “event-forecast quality level” as a function of temporal system parameters. The developed algorithmic framework includes a three-tier data aggregation architecture with adaptive weighting coefficients, a dynamic quality management system integrated into the CDPS lifecycle, a neural network module for preventive optimization based on reinforcement learning. Experimental validation on 15 industrial CDPS demonstrated improved critical event prediction accuracy up to 89.7% and reduced system response time from 15.3 to 2.7 seconds. Implementation within the control loop of a petroleum refinery reduced energy consumption per operation by 33% and increased service intervals by 27%. The originality of the work lies in the synthesis of relational analysis methods with deep learning neural architectures, ISO 25010 quality management principles with predictive analytics of rigid systems, real-time dynamic parameter adaptation using a modified (2,1)-method. Practical significance is confirmed by the integration of the algorithm into design, testing, and operation phases of CDPS, meeting the requirements of GOST R 59797–2021. Research outcomes are applicable to the development of fault-tolerant control systems for mission-critical infrastructure in energy, telecommunications, and finance. Future perspectives include adapting the algorithm for quantum computing systems and distributed IoT architectures.
Целью исследования является разработка алгоритмического комплекса событийно-прогнозного управления качеством сложных систем обработки данных (ССОД) через интеграцию методов системного анализа и вычислительного моделирования. Современные подходы к оценке качества, основанные на статических метриках ГОСТ Р 59797–2021, не учитывают динамические эмерджентные свойства и прогнозные сценарии функционирования ССОД. [4: 51]. В работе предложена гибридная модель, сочетающая многоуровневый системный анализ с L-устойчивыми методами численного моделирования, что позволило формализовать «событийно-прогнозный уровень качества» как функцию временных параметров системы. Разработанный алгоритмический комплекс включает трехуровневую архитектуру агрегирования данных с адаптивными весовыми коэффициентами, динамическую систему управления качеством, интегрированную в жизненный цикл ССОД, нейросетевой модуль превентивной оптимизации на базе обучения с подкреплением. Экспериментальная апробация на 15 промышленных ССОД продемонстрировала повышение точности прогнозирования критических событий до 89,7% и сокращение времени реакции системы с 15,3 до 2,7 с. Внедрение решения в контур управления нефтеперерабатывающим предприятием позволило снизить энергоемкость операций на 33% и увеличить межсервисный интервал на 27%. Оригинальность работы заключается в синтезе методов реляционного анализа с нейросетевыми архитектурами глубокого обучения, принципов управления качеством ISO 25010 с прогнозной аналитикой жестких систем, динамической адаптации параметров в реальном времени через модифицированный (2,1)-метод. Практическая значимость подтверждена интеграцией алгоритма в этапы проектирования, тестирования и эксплуатации ССОД, что соответствует требованиям ГОСТ Р 59797–2021. Результаты исследования могут быть применены при создании отказоустойчивых систем управления для критически важных объектов в энергетике, телекоммуникациях и финансовом секторе. Перспективы работы связаны с адаптацией алгоритма для квантовых вычислительных систем и распределенных IoT-архитектур.