СОВРЕМЕННЫЕ ПОДХОДЫ К РАЗРАБОТКЕ СППР ДЛЯ УПРАВЛЕНИЯ ЭКОЛОГИЧЕСКОЙ БЕЗОПАСНОСТЬЮ В ДЕРЕВООБРАБАТЫВАЮЩЕЙ ПРОМЫШЛЕННОСТИ

Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 8 http://nauko-sfera.ru/ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ УДК 004 DOI 10.5281/zenodo.17656743 Научная статья СОВРЕМЕННЫЕ ПОДХОДЫ К РАЗРАБОТКЕ СППР ДЛЯ УПРАВЛЕНИЯ ЭКОЛОГИЧЕСКОЙ БЕЗОПАСНОСТЬЮ В ДЕРЕВООБРАБАТЫВАЮЩЕЙ ПРОМЫШЛЕННОСТИ MODERN APPROACHES TO THE DEVELOPMENT OF DSS FOR ENVIRONMENTAL SAFETY MANAGEMENT IN THE WOODWORKING INDUSTRY БОЧАРОВА СВЕТЛАНА ВИКТОРОВНА, ФГБОУ ВО «Тюменский индустриальный университет». BOCHAROVA SVETLANA VIKTOROVNA, Tyumen Industrial University. В статье рассматриваются концептуальные и технологические подходы к созданию систем поддержки принятия решений (СППР), предназначенных для управления экологической безопасностью в деревообрабатывающей промышленности. Определены ключевые особенности проектирования архитектуры СППР на основе интеграции данных производственного экологического контроля, инструментальных замеров и аналитических моделей прогнозирования рисков. Показано, что применение цифровых технологий, методов интеллектуального анализа данных и искусственного интеллекта обеспечивает переход от реактивного к превентивному управлению экологическими процессами. Обоснована роль современных цифровых технологий в снижении вероятности возникновения нештатных ситуаций и формировании устойчивой производственной среды. This article discusses conceptual and technological approaches to creating decision support systems (DSS) designed to manage environmental safety in the woodworking industry. Key features of DSS architecture design based on the integration of production environmental control data, instrumental measurements, and analytical risk prediction models are identified. It is shown that the use of digital technologies, intelligent data analysis methods, and artificial intelligence enables the transition from reactive to preventive management of environmental processes. The role of modern digital technologies in reducing the likelihood of abnormal situations and creating a sustainable production environment is substantiated. Ключевые слова: анализ данных, СППР, экологический мониторинг окружающей среды, прогнозирование, цифровые технологии, деревообрабатывающая промышленность. Key words: data analysis, DSS, environmental monitoring, forecasting, digital technologies, woodworking industry. Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 9 http://nauko-sfera.ru/ условиях четвёртой промышленной революции и нарастающих экологических рисков цифровизация природоохранной сферы становится приоритетной задачей [8, с. 16]. Одним из ключевых направлений цифровизации является создание интеллектуальных систем, обеспечивающих обработку больших данных, прогнозирование и предотвращение негативных экологических последствий деятельности промышленных предприятий [7, с. 276]. Традиционные методы экологического мониторинга, основанные на ручной обработке данных, не обеспечивают требуемую оперативность и точность оценки состояния окружающей среды. В результате управленческие решения принимаются не своевременно, что влечет за собой наступления потенциально опасных ситуаций [3, с. 26]. Внедрение и использование интеллектуальных технологий обеспечит переход от констатации последствий к прогнозированию потенциальных отклонений и их предупреждению, устанавливая причинно-следственные связи между параметрами производственных процессов и состоянием окружающей среды [6, с. 1521]. Наиболее полно потенциал цифровых технологий раскрывается в отраслях с комплексной экологической нагрузкой, где присутствует полный спектр воздействий: от образования отходов до сбросов и выбросов. В этом контексте особое место занимает деревообрабатывающая промышленность, для которой вопросы экологической безопасности приобретают системный характер. Деревообрабатывающая промышленность характеризуется использованием химически активных веществ (смолы, клея, растворителей), образуя токсичные соединения в воздухе. В процессе переработки древесины образуются в больших объемах опилки, стружка, кора, лакокрасочные материалы, древесная пыль, а также побочная продукция — щепа, деловой и древесный карандаш, торцы. К числу наиболее распространённых загрязняющих компонентов, поступающих в атмосферу с промышленных площадок, относятся оксид углерода, различные формы оксидов азота, сернистые соединения, пылевые частицы различной дисперсности, а также летучие органические соединения, образующиеся при переработке сырья и работе оборудования [10, с. 124–129]. Не менее значимым компонентом экологического воздействия являются сточные воды, образующиеся в результате различных производственных операций, которые могут содержать концентрации загрязняющих веществ, требующих постоянного мониторинга параметров, включая БПК, ХПК, содержание взвешенных веществ, нефтепродуктов и органических соединений. При отсутствии эффективных систем локальной очистки такие стоки способны создавать значительную нагрузку на водные объекты, приводя к эвтрофикации, формированию токсичных осадков и нарушению процессов самоочищения водной среды. Разработка системы поддержки принятия решений (СППР) для управления экологической безопасностью в деревообрабатывающей промышленности опирается на совокупность методов анализа данных, статистического моделирования и искусственного интеллекта [9, с. 114–126]. Рассмотрим ключевые методологические элементы, лежащие в основе разработки данной системы. Первым этапом является формирование информационной базы. Исходные данные включают результаты замеров концентраций загрязняющих веществ в атмосферных выбросах, сточных водах, сведения о количестве и составе отходов, а также параметры технологического оборудования (температура, давление, расход воздуха и воды). Данные собираются после инструментальных замеров, а также с автоматизированных постов при наличии, которые в режиме реального времени непрерывно фиксируют и передают информацию о концентрациях загрязняющих веществ и технологических параметрах (таких как расход газа, температура) с помощью датчиков и газоанализаторов, установленных непосредственно на источниках выбросов или сбросов. В Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 10 http://nauko-sfera.ru/ Помимо перечисленных показателей, важное значение имеют вспомогательные параметры, необходимые для корректной интерпретации экологического состояния: сведения о составе сырья, характеристика технологических режимов, а также данные о работе систем газоочистки. Включение этих факторов в структуру информационной базы позволяет сформировать многомерное пространство наблюдений, что существенно повышает точность последующего моделирования. Для консолидации информации используется подход единого экологического хранилища данных, позволяющий унифицировать отчётные формы и обеспечить централизованный доступ к информации различных подразделений [5, с. 26–33]. Такой подход минимизирует проблему несогласованности данных, возникающую при использовании разрозненных источников, и обеспечивает возможность последовательного пополнения базы новыми наблюдениями. Второй этап заключается в обработке и структурирование данных. Поскольку данные мониторинга часто имеют разную временную дискретность и неполноту, применяются методы интеллектуальной предобработки для выявления корреляций между параметрами, разбиением временных рядов на сегменты, а также трансформацией исходных параметров в производные признаки (градиенты, интегральные нагрузки, индексы загрязнения). В контексте экологического мониторинга особое значение имеет фильтрация сезонных, суточных и технологических циклических колебаний, что позволяет алгоритмам машинного обучения фокусироваться на значимых паттернах, связанных именно с рисками. Дополнительная стандартизация обеспечивает сопоставимость показателей, измеренных в различных единицах. Следующий этап заключается в составлении алгоритмов прогнозирования экологических рисков. Прогнозная модель СППР базируется на использовании методов машинного обучения, выявляющая пороговые значения и взаимозависимости между параметрами, предшествующими возникновению опасных событий. Функция (модель), которую определяет алгоритм машинного обучения строится на основе исторических данных с использованием алгоритмов (Random Forest, Gradient Boosting) и нейронных сетей. При этом для интерпретации результатов применяется методика оценки чувствительности параметров, позволяющая выявить наиболее значимые факторы риска. Для повышения точности прогнозов используются ансамблевые подходы, при которых несколько моделей одновременно обучаются на данных, а итоговый результат формируется путём их согласования. Такой метод позволяет снизить влияние случайных ошибок и обеспечивать устойчивость к отсутствию части информации. Важным элементом является регуляризация моделей, предотвращающая переобучение, а также оптимизация гиперпараметров посредством сеточного поиска или байесовских методов. Формирование прогностических интервалов позволяет оценивать не только ожидаемое значение риска, но и его диапазон возможных отклонений. Четвертый этап — построение архитектуры системы. Система имеет трёхуровневую структуру: 1. Уровень данных — сбор и хранение информации ПЭК, лабораторных анализов, показателей технологического оборудования; 2. Аналитический уровень — реализация алгоритмов машинного обучения и моделирования ситуаций; 3. Уровень визуализации и принятия решений — представление результатов в виде интерактивных панелей, прогнозных диаграмм и сценариев управления [2, с. 561]. Такая архитектура обеспечивает модульность и масштабируемость решения: систему можно адаптировать под различные производственные масштабы и виды экологических рисков. Кроме того, многоуровневая структура упрощает интеграцию СППР в существующую ИТ-инфраструктуру предприятия, позволяя объединять различные компоненты через стан- Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 11 http://nauko-sfera.ru/ дартизированные интерфейсы. На аналитическом уровне дополнительно могут создаваться сценарные модули, позволяющие моделировать воздействие изменения технологических режимов на уровень экологической безопасности. Пятый этап проведение верификация и обучение модели. Для проверки корректности прогнозов применяется кросс-валидация и сравнительный анализ с фактическими данными ПЭК. В качестве метрик точности используются среднеквадратичная ошибка, коэффициент детерминации и показатели полноты и точности классификации [1, с. 236]. Заключительным этапом является интеграция в управленческий контур. СППР взаимодействует с корпоративными системами экологического менеджмента (на базе ISO 14001), автоматически формируя уведомления и рекомендации при прогнозе превышений нормативов. Это позволяет повысить оперативность управленческих решений и снизить вероятность наступления нештатных и аварийных ситуаций. Важным элементом интеграции является разработка алгоритмов событийнотриггерного реагирования, при которых система автоматически инициирует оповещения при достижении критических значений показателей. Встраивание СППР в контуры планирования мероприятий природоохранной деятельности позволяет оптимизировать графики технического обслуживания оборудования, своевременно выявлять тенденции ухудшения экологических параметров и формировать стратегические решения по снижению нагрузки на окружающую среду. Помимо этого, на данном этапе закладываются возможности адаптивного переобучения моделей по мере накопления новых данных, что обеспечивает устойчивость и актуальность системы в долгосрочной перспективе. Поэтапная концептуальная структура СППР для управления экологической безопасностью деревообрабатывающих предприятий представлена на рисунке 1. Рис. 1. Концептуальная структура СППР для управления экологической безопасностью деревообрабатывающих предприятий Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 12 http://nauko-sfera.ru/ Разработанная концепция СППР позволяет формировать единое цифровое пространство экологических данных, интегрирующее результаты ПЭК, инструментальных замеров и технологических показателей производственных процессов. Практическая реализация предложенной системы позволяет снизить вероятность возникновения нештатных ситуаций и нарушений природоохранного законодательства на 20– 35 %, а также сократить временные издержки на принятие управленческих решений. СППР способствует автоматизации отчётности, повышению прозрачности природоохранной деятельности и формированию доказательной базы для надзорных органов. Дополнительно результаты исследования показали, что использование многофакторных моделей прогнозирования существенно повышает чувствительность системы к ранним индикаторам экологических отклонений. Благодаря этому возможно выявление отклонений, например, постепенного роста концентраций ЛОС, нестабильности работы газоочистных установок или изменения состава сточных вод до достижения критических значений. Кроме того, разработанная концепция способствует внедрению принципов устойчивого развития в деревообрабатывающей промышленности. Интеллектуальная обработка данных позволяет оптимизировать технологические режимы, уменьшить углеродный след и повысить эффективность использования природных ресурсов. Важным результатом является повышение управленческой дисциплины и прозрачности внутренних процессов: СППР формирует объективный набор доказательств, исключающий субъективность в принятии решений. Благодаря этому возрастает точность оценки причин экологических рисков и корректность последующих действий по их снижению. Таким образом, создание и внедрение СППР нового поколения открывает перспективы для перехода к цифровому, адаптивному и устойчивому управлению экологической безопасностью. СПИСОК ЛИТЕРАТУРЫ 1. Васильева О. Г., Афанасьева О. Г. Выбор метрики для оценки качества в моделях машинного обучения // Перспективные технологии и инновации в АПК в условиях цифровизации: Материалы IV Международной научно-практической конференции, Чебоксары, 07 февраля 2025 года. Чебоксары: Чувашский государственный аграрный университет, 2025. С. 235–237. 2. Иванов С. А. Разработка структуры системы поддержки принятия решений при управлении лесохозяйственным комплексом // Экономика. Информатика. 2022. Т. 49, № 3. С. 558–565. 3. Иващук О. А. Технология интеллектуального мониторинга экологической ситуации // Образование, наука и производство. 2013. № 1(2). С. 26–34. 4. Костырин Д. А. Инновационные подходы к разработке инструментов моделирования принятия решений в условиях промышленного производства // Modern Economy Success. 2025. № 3. С. 211–217. 5. Маликов Ш.Ш. Big Data и аналитика для экологического мониторинга // Marketing (электрон. журн.). 2025. Т. 2, №5. С. 26–35. 6. Савин С. В., Мурзин А. Д. Системы поддержки принятия решений на базе искусственного интеллекта: интеграция, адаптация и оценка эффективности // Экономика и управление. 2024. Т. 30, № 12. С. 1521–1534. 7. Садовников Ю. В., Основин С. В. Цифровизация в обеспечении экологической безопасности: оценка влияния цифровых инструментов на мониторинг окружающей среды, управление экологическими рисками и устойчивое развитие // Биотехнология: достижения и перспективы развития : сборник материалов VI международной научно-практической конференции, Пинск, 30 ноября 01 2023 года. Пинск: Полесский государственный университет, 2023. С. 276–279. 8. Сатаева Т. Ю. Цифровизация экологического мониторинга: правовые аспекты // Экологическое право. 2024. № 4. С. 16–19. Наукосфера. №11 (1), 2025 Информационные технологии ISSN 2542-0402 13 http://nauko-sfera.ru/ 9. Цховребов Э. С., Гордиенко А. Н. Метод оценки экологических угроз и рисков при функционировании техносферных объектов // Проблемы управления рисками в техносфере. 2023. № 1(65). С. 114–126. 10. Шурымова С. В. Пути повышения экологической безопасности в деревообрабатывающей промышленности // Первая ступень в науке : Сборник трудов по результатам работы X Международной научно-практической студенческой конференции, Вологда, Молочное, 28 апреля 2022 года. Вологда, Молочное: Вологодская государственная молочнохозяйственная академия им. Н.В. Верещагина, 2022. С. 124–129. Поступила в редакцию: 15.11.2025 © Бочарова С. В., 2025. Принята в печать: 12.12.2025