Журнал технических исследований

ISSN 2500-3313 
 
ЖУРНАЛ ТЕХНИЧЕСКИХ ИССЛЕДОВАНИЙ 
Сетевой научный журнал 
Том 8 
■ 
Выпуск 1 
■ 
2022 
 
Выходит 4 раз в год  
 
 
 
 
 
 
 
      Издается с 2015 года 
 
 
Свидетельство о регистрации средства 
массовой информации  
Эл № ФС77-61336 от 07.04.2015 г. 
 
Издатель:  
ООО «Научно-издательский центр ИНФРА-М» 
127282, г. Москва, ул. Полярная, д. 31В, стр. 1 
Тел.: (495) 280-15-96 
Факс: (495) 280-36-29 
E-mail: books@infra-m.ru 
http://www.infra-m.ru 
 
Главный редактор: 
Тебекин А.В., д-р техн. наук, д-р экон. наук, 
профессор, профессор кафедры менеджмента 
Московского государственного института 
международных отношений (Университета) 
МИД России; профессор кафедры 
Социокультурного проектирования и развития 
территорий Московского государственного 
университета им. М.В. Ломоносова 
 
Ответственный редактор:  
Титова Е.Н. 
E-mail: titova_en@infra-m.ru 
 
© ИНФРА-М, 2022 
 
 
Присланные рукописи не возвращаются.  
Точка зрения редакции может не совпадать с мнением 
авторов публикуемых материалов.  
Редакция оставляет за собой право самостоятельно 
подбирать к авторским материалам иллюстрации, менять 
заголовки, сокращать тексты и вносить в рукописи 
необходимую стилистическую правку без согласования с 
авторами. Поступившие в редакцию материалы будут 
свидетельствовать о согласии авторов принять требования 
редакции.  
Перепечатка материалов допускается с письменного 
разрешения редакции.  
При цитировании ссылка на журнал «Журнал технических 
исследований» обязательна.  
Редакция не несет ответственности за содержание 
рекламных материалов.  
 
САЙТ: http://naukaru.ru/ 
E-mail: titova_en@infra-m.ru

СОДЕРЖАНИЕ

 

05.13.01 Системный анализ, управление 
и обработка информации (по отраслям) 

 
Марков С.В., Никитин Н.А. 
Методические аспекты распознавания 
транспортных средств на монохромных 
оптических изображениях 
 
Гасюк Д.П., Ларькин В.В., Косова В.А., 
Романов А.А. 
Применение технологии цифрового 
двойника в проектировании 
производственных процессов, производстве 
и эксплуатации сложных технических 
систем в особых условиях эксплуатации 
 

05.13.10 Управление в социальных 

и экономических системах 

Тебекин А.В. 
Развитие методов управления запасами 
ресурсов как класса методов принятия 
управленческих 
решений 
на 
основе 
оптимизации показателей эффективности 
 
Анисимов В.Г., Анисимов Е.Г.,  
Веселко А.А., Пак А.Ю.  
Оценка эффективности технологических 
процессов на предприятиях 
машиностроительной отрасли экономики 
 
Тебекин А.В., Тебекин П.А., Егорова А.А. 
Концептуальное 
развитие 
организации 
движения 
материальных 
потоков 
в 
производстве    
 
 

РЕДАКЦИОННЫЙ СОВЕТ

 
 
Тебекин А.В. – гл. редактор, д-р экон. наук, д-р 
техн. наук, профессор, профессор кафедры 
менеджмента, Московский государственный 
институт международных отношений 
(Университета) МИД России 
 
Анисимов В.Г. – д-р техн. наук, профессор, 
профессор, Санкт-Петербургский 
Политехнический университет им. Петра 
Великого 
 
Анисимов Е.Г. – д-р техн. наук, д-р воен. наук, 
профессор, профессор, Российский университет 
дружбы народов 
 
Афонин П.Н. – д-р техн. наук, доцент, 
проректор по стратегическому развитию, 
Санкт-Петербургский государственный 
электротехнический университет «ЛЭТИ» им. 
В.И. Ульянова 
 
Басовский Л.Е. – д-р техн. наук, профессор, 
заведующий кафедрой экономики и управления, 
Тульский государственный педагогический 
университет им. Л.Н. Толстого 
Бирюков А.Л. – д-р техн. наук, профессор, 
Институт повышения квалификации 
Росгидромета 
 
Волков Г.М. – д-р техн. наук, профессор, 
ФГБОУ ВО Московский политехнический 
университет 
 
Кропочева Л.В. – канд. физ.-мат. наук, доцент 
кафедры электротехники, Гродненский 
государственный университет имени Янки 
Купалы 
 
Луканин А.В. – д-р техн. наук, профессор 
кафедры общей, фармационной и 
биомедицинских технологий, Российский 
университет дружбы народов 
 
Сонькин М.А. – д-р техн. наук, доцент, 
Председатель Совета директоров, КГ 
«ИНКОМ» 
 
Титова Е.Н. – канд. пед. наук, ответственный 
редактор, ООО "Научно-издательский центр 
ИНФРА-М" 

05.13.18 Математическое моделирование, 
численные методы и комплексы программ 

 
Гарькушев А.Ю., Курилов А.В.,  
Сысуев С.Ю., Кастырин М.А. 
Направления интеллектуализации систем 
безопасности 
 

 

Методические аспекты распознавания 

транспортных средств на монохромных оптических 

изображениях 

 

Methodological aspects of vehicle recognition  

on monochrome optical images 

 

УДК: 004.931, 681.518.3 

Получено: 14.01.2022 
Одобрено: 02.02.2022 
Опубликовано: 25.03.2022 

 
Марков С.В. 
Д-р техн. наук, доцент, ведущий научный сотрудник СПбФ ПАО НПО "СТРЕЛА", Санкт-
Петербург 
e-mail: markoff_sergi@mail.ru 
 
Markov S.V. 
Doctor of Technical Sciences, Associate Professor, Leading Researcher of PJSC NPO 
«STRELA», St. Petersburg 
e-mail: markoff_sergi@mail.ru 
 
Никитин Н.А. 
Инженер-программист СПбФ ПАО НПО "СТРЕЛА", Санкт-Петербург 
e-mail: nikitin2.na@edu.spbstu.ru 
 
Nikitin N.A. 
Software Engineer of PJSC NPO «STRELA», Saint Petersburg 
e-mail: nikitin2.na@edu.spbstu.ru 
 
Аннотация 
В статье рассмотрены методические аспекты создания искусственных нейронных сетей 
(ИНС) для детектирования и классификации транспортных средств на монохромных 
изображениях, снятых с беспилотного летательного аппарата (БЛА). Дано краткое 
математическое описание ИНС, параметры обучения и способы обработки монохромных 
изображений и формирования обучающей выборки. 
Ключевые слова: искусственные нейронные сети, распознавание классов объектов, 
распознавание транспортных средств, детектирование на монохромных снимках. 

 

Abstract 
The article discusses the methodological aspects of creating artificial neural network (ANN) for 
detecting and classifying vehicles on monochrome images taken from an unmanned aerial 
vehicle (UAV). A brief mathematical description of the ANN, training parameters and methods 
of processing monochrome images and forming a training sample are given. 
Keywords: artificial neural networks, object class recognition, vehicle recognition, detection on 
monochrome images. 

 
В 
последнее 
десятилетие 
происходит 
активное 
внедрение 
технологий 

компьютерного зрения во многие сферы деятельности. Так, в связи с внедрением 
концепции «Умный город» и увеличением транспортного потока для управления 
транспортной 
сетью 
крупных 
городов 
требуются 
системы 
автоматического 

детектирования и контроля трафика на дорогах [1-5]. На данный момент в крупных 
городах за автомобильными дорогами ведется круглосуточное видеонаблюдение, как с 
помощью стационарных фото-, видеокамер, так и с помощью фото- и видеокамер, 
размещаемых на беспилотных летательных аппаратах, и осуществляется автоматическое 
детектирование и классификация транспортных средств с высокой достоверностью. Но 
широкое применение данных систем ограничивается высокой стоимостью оборудования и 
сопутствующей инфраструктуры хранения, передачи, обработки и защиты информации 
[6-11]. Одним из направлений удешевления процесса внедрения систем автоматического 
детектирования и контроля транспортных средств на дорогах является реализация в 
системах фото- и видеонаблюдения методов детектирования и классификации по 
монохромным изображениям, достоверность результатов которых будет соответствовать 
достоверности, получаемой при обработке цветных фото- и видеоизображений. Это 
позволит значительно сократить расходы, как на аппаратуру видеонаблюдения, так и на 
сопутствующую инфраструктуру, необходимую для обеспечения хранения и обработки и 
передачи изображений [12-18]. 

Таким образом, целью настоящей работы является определение архитектуры ИНС 

и методов её обучения для детектирования и классификации транспортных средств на 
дорогах по оптическим монохромным снимкам, снятым с БЛА на ближней и средней 
дистанциях (от 40 до 300 метров) с различных ракурсов с достоверностью распознавания 
класса, сопоставимой с получаемой при детектировании по цветным снимкам.  

В настоящее время активно проводятся исследования в области детектирования и 

классификации транспортных средств. Например, в работе [19] предлагается система по 
распознаванию транспортных средств на основе сверточной ИНС R-CNN [20]. В ней в 
качестве источника данных использованы цветные изображения, снятые с БЛА. В данной 
работе получены достаточно хорошие результаты при классификации транспортных 
средств, однако в случае если на изображении не подобран масштаб, т.е. съемка 
осуществляется с фиксированной высоты, то распознавание осуществляется некорректно 
и учащаются ложноположительные ошибки, когда вместо транспортных средств 
распознаются элементы домов. В работе [21] автор сравнивает три способа 
детектирования целей: с помощью смеси Гауссовых распределений (MOG – Mixture of 
Gaussian), с помощью сверточной нейронной GoogLeNet и с помощью HOG (histogram of 
oriented gradients). В данной работе получены высокие значения достоверности 
распознавания для первых двух используемых методов (96 и 94% соответственно), однако 
наблюдение за транспортными средствами происходит на цветных изображениях под 
фиксированным углом, с обзором только на дорогу. В работе [22] авторы исследовали 
алгоритмы детектирования транспорта на дорогах для дальнейшего распознавания 
номеров машины с помощью библиотеки алгоритмов обработки изображений – OpenCV. 
У авторов удалось получить невысокую точность (70%) распознавания, которая связана с 
тем, что обычные алгоритмы обработки изображений значительно проигрывают ИНС при 
решении задач классификации. Кроме этого, как и в предыдущей работе, обзор за 
транспортными средствами проводился на цветных оптических изображениях под 
фиксированным углом с помощью стационарной камеры.  

Анализ работ в области детектирования и классификации транспортных средств на 

дорогах показал, что, хотя и существует множество решений для детектирования 
транспортных средств, все они реализованы только для цветных изображений с привязкой 
к ракурсу и высоте наблюдения за объектами. Кроме этого, проведенный анализ 
существующих методов распознавания показал, что ИНС со сверточной архитектурой при 
обработке фото- и видеоматериалов дают достоверность классификации значительно 
выше, чем обычные алгоритмы обработки изображений. Исходя из вышеизложенного, для 
решения задачи детектирования и классификации транспортных средств на дорогах по 
черно-белым снимкам, полученным с БЛА, целесообразно использовать ИНС со 
сверточной архитектурой.  

В качестве методической основы решения задачи детектирования и классификации 

транспортных средств на дорогах по монохромным снимкам, полученным с БЛА, 
использованы инструменты программного продукта MATLAB – Image and Video Ground 
Truth Labeling и готовая архитектура нейронной сети по детектированию объектов на 
изображениях: ACF-detector, из пакета Deep Learning Toolbox.   

Для обучения ИНС детектирования и классификации транспортных средств, на 

этапе подготовки исходных данных, было получено 245 305 монохромных изображений 
разрешением 1024х512 пикселей на различных высотах и с различных углов обсервации. 
Так как интерес представляют только снимки, снятые с БЛА на ближней и средней 
дистанциях, то из исходных данных были исключены изображения, на которых были 
сняты транспортные средства, либо слишком близко, либо слишком далеко. В итоге было 
получено 48 935 изображений.  

Далее для решения задачи детектирования объектов была проведена разметка 

изображений транспортные средства на изображениях. Пример разметки приведен на рис. 
1. 

 

Рис. 1. Пример разметки изображения 

 
На данном изображении показана разметка 2-х классов транспортных средств: 

легкового и грузового автотранспорта. Также произведена семантическая сегментация на 
дороги и остальную область (леса, поля, дома и т.д.). Данные о разметке записаны в 
структуре 
Ground 
Truth, 
рамки 
размеченных 
объектов 
представлены 
в 
виде 

целочисленного вектора - [left bottom width height], т.е. координата левой нижней точки 
рамки и ширина, и высота самой рамки. Таким образом, на данном этапе размечено всего 
620 изображений. 

На предварительном этапе детектирования был использован детектор ACF Object 

detector [23], так как он имеет простую архитектуру, вследствие чего имеет низкие 
требования к вычислительным ресурсам компьютера, что позволило сократить время на 
проверку гипотез. Структура детектирования для детектора ACF Object detector 
представлена на рис. 2. 

 

Рис. 2. Структура детектирования для ACF Object detector 

 

Было проведено обучение выбранного детектора. В случае с ACF Object detection, 

полученная обучающая выборка подавалась на вход функции в форме таблицы, где в 
первом столбце указывался двумерный массив с координатами рамок объектов, а во 
втором столбце –  путь к исходному изображению. Для учета правильности 
детектирования и классификации объектов в качестве численной метрики была выбрана 
метрика Recall: 

���� =

��������

��������+�������� =
��������

������������ ������������������������ ����������������ℎ���� ,  
 
 
                     (1) 

где  TP – количество истинно-положительных результатов;  

FN – количество ложноотрицательных результатов. 

Обучение детектора осуществлялось итеративно по стадиям, с различными 

размерами обучающей выборки: размера 320, 480 и 620 изображений. Наибольшая 
точность была получена для выборки из 620 изображений на 6 стадиях. 

 

 
 

 
 

Рис. 3. Полученные результаты детектирования машин на оптических изображениях 

 
В результате при тестировании на изображениях, не вошедших в обучающую 

выборку, было получено значение метрики Recall равное 0,51. При тестировании было 
выявлено, что в среднем детектируется половина объектов на изображении, однако 
классификация происходит с высокой достоверностью – порядка 94%. А относительно 
невысокий процент правильного детектирования связан с тем, что на данный момент 
выборка имеет весьма скромный размер, а также из-за того, что съемка происходит с БЛА, 
и в процессе съемки возникают дополнительные помехи из-за движения объектов 
наблюдения, такие как размытие изображения при движении. В случаях со съемкой со 
стационарной камеры такие помехи будут возникать реже.  

В дальнейшем, для повышения точности детектирования транспортных средств, 

планируется увеличить размер обучающей выборки и снизить помехи при съемке 
объектов в движении с использованием подходов, изложенных в [24-30]. Расширение 
обучающей 
выборки 
предполагается 
провести 
путем 
кадрирования 
имеющихся 

изображений до размеров 512х1024 до 256х256. Обрезка изображений позволит 
значительно увеличить размер обучающей выборки и исключить элементы, не 
подходящие для детектирования (дома, леса, водоёмы). При этом необходимые признаки 

окружающей среды будут по-прежнему учитываться (признаки дороги). Кроме этого, 
уменьшение изображений позволит значительно уменьшить время обучения.  

Таким образом, результаты исследования доказали принципиальную возможность 

обеспечения детектирования и классификации транспортных средств на дорогах по 
оптическим монохромным снимкам, снятым с БЛА на ближней и средней дистанциях с 
различных ракурсов с достоверностью распознавания класса, сопоставимой с получаемой 
при детектировании по цветным снимкам. 

 
Литература 

 

1. Губенко А.В., Сазыкин А.М. Теоретические основы создания систем поддержки 

принятия решений в интересах комплексной транспортной безопасности // Известия 
Российской академии ракетных и артиллерийских наук. – 2015. – № 3 (88). – С. 10-15. 

2. Барабанов В.В., Анисимов В.Г., Анисимов Е.Г. Метод оптимизации решений по 

организации логистических процессов // В сборнике: Логистика: современные тенденции 
развития: Материалы XVII Международной научно-практической конференции. – 2018. – 
С. 52-56.  

3. Солохов И.В. Проблемы научно-методического обеспечения межведомственного 
информационного взаимодействия // Военная мысль. – 2017. – № 12. – С. 45-51.  

4. Богоева Е.М., Гарькушев А.Ю., Сазыкин А.М. Основы построения моделей 

интеллектуализации в системах безопасности // Вопросы оборонной техники. Серия 16: 
Технические средства противодействия терроризму. – 2014. – № 9-10 (75-76). – С. 22-27.  
5. Тебекин А.В. Способ формирования комплексных показателей качества 
инновационных проектов и программ // Журнал исследований по управлению. – 2018. – Т. 
4. № 11. С. 30-38.  

6. Анисимов В.Г. Проблема инновационного развития систем обеспечения 

информационной безопасности в сфере транспорта // Проблемы информационной 
безопасности. Компьютерные системы. 2017. № 4. С. 27-32.  
7 Зегжда П.Д. Модели и метод поддержки принятия решений по обеспечению 
информационной безопасности информационно-управляющих систем / П.Д. Зегжда [и 
др.] // Проблемы информационной безопасности. Компьютерные системы. – 2018. – № 1. 
С. 43-47.  

8. Анисимов В.Г., Анисимов Е.Г., Черныш А.Я. Эффективность инвестиций. 

Методологические и методические основы.- Москва: Военная Ордена Ленина, 
Краснознамённая, Ордена Суворова Академия Генерального штаба Вооруженных сил 
Российской Федерации, 2006. – 123 с. 

9. Тебекин А.В. Методический подход к моделированию процессов формирования 
планов инновационного развития предприятий // Журнал исследований по управлению. – 
2019. – Т. 5. – № 1. – С. 65-72. 
10. Анисимов В.Г. Анализ и оценивание эффективности инвестиционных проектов 
в условиях неопределенности. Москва: Военная академия Генерального штаба 
Вооруженных сил Российской Федерации; 2006.  288 с. 
11. 
Тебекин 
А.В. 
Эволюционная 
модель 
прогноза 
частных 
показателей 
инновационных проектов (на примере технических инноваций) / А.В. Тебекин, Т.Н. 
Сауренко  [и др.] // Журнал исследований по управлению. – 2019. – Т. 5. – № 6. – С. 55-61. 
12. Зегжда П.Д. Методический подход к построению моделей прогнозирования 
показателей свойств систем информационной безопасности / П.Д. Зегжда, А.Ф. Супрун  [и 
др.] // Проблемы информационной безопасности. Компьютерные системы. 2019. № 4. С. 
45-49. 
13. Тебекин А.В. Методика сравнительной оценки инновационных проектов по 
совокупности количественных показателей // Журнал исследований по управлению. 2019. 
Т. 5. № 5. С. 84 - 90. 

14. 
Зегжда 
П.Д. 
Модель 
оптимального 
комплексирования 
мероприятий 
обеспечения информационной безопасности // Проблемы информационной безопасности. 
Компьютерные системы. 2020. № 2. С. 9-15. 
15. Тебекин А.В. Модель сравнительной оценки инновационных проектов по 
совокупности качественных показателей // Журнал исследований по управлению. 2019. Т. 
5. № 4. С. 77-83. 
16. Зегжда П.Д. Эффективность функционирования компьютерной сети в условиях 
вредоносных информационных воздействий // Проблемы информационной безопасности. 
Компьютерные системы. 2021. № 1 (45). С. 96-101. 
17. Тебекин А.В.  Модель прогноза стоимости и сроков модернизации 
промышленных предприятий // Журнал исследований по управлению. 2019. Т. 5. № 3. С. 
31-37. 
18. Анисимов В.Г. Оценка эффективности систем защиты компьютерных сетей от 
вирусных 
атак 
//  
Проблемы информационной безопасности. Компьютерные системы. 2022. № 1 (49). С. 11-
17. 

19. Полищуков, Р.М. Распознавание транспортных средств в потоковом видео с 

машинным обучением [Текст] / Р.М. Полищуков // Актуальные исследования. – 2020. – 
№8 (11). – С. 20-24. 

20. R-CNN – Neural Network for Object Detection and Semantic Segmentation // 

https://neurohive.io: ежедн. интернет-изд. 2018. 29 ноя. URL: https://neurohive.io/en/popular-
networks/r-cnn/ (дата обращения: 20.03.2022). 

21. Епифанов В.А. Применение методов искусственного интеллекта и машинного 

зрения в задаче детектирования движения для дальнейшего определения динамических 
характеристик транспортных потоков // Евразийский Союз Ученых. 2019. №4. С. 25-32. 

22. Терехин А.Д., Киндеркнехт С.В. Отслеживание образов в видеопотоке реального 

времени // Прикладная математика и вопросы управления. 2018. №3. С. 100-106. 

23. 
Train 
ACF 
object 
detector 
// 
https://www.mathworks.com 
URL: 

https://www.mathworks.com/help/vision/ref/trainacfobjectdetector.html 
(дата 
обращения: 

22.04.2022).  

24. Melnikova A.A., Krylov A.S. Computer analysis and restoration of motion blurred 

images // Computer analysis and restoration of motion blurred images. Tomsk: 2018. С. 262-
265. 

Anton Boytsov, Peter Gladilin Separating real-world photos from computer graphics: 

comparative study of classification algorithms // Procedia Computer Science. 2020. №178. С. 
320-327. 

25. Сауренко Т.Н. Математические модели прогнозирования экологической угрозы 
техногенных аварий и катастроф в составе интегрированных систем безопасности региона 
/ Т.Н. Сауренко [и др.] // Технологии гражданской безопасности. 2019. Т. 16. № 3 (61). С. 
62-67. 
26. Зегжда П.Д. Модель и метод оптимизации вычислительных процессов в 
вычислительных системах с параллельной архитектурой // Проблемы информационной 
безопасности. Компьютерные системы. 2018. № 4. С. 78-85. 
27. Anisimov V.G., Saurenko T.N., Anisimov E.G., Kasatkin V.V., Los’ V.P. 
Information security incident forecasting // Automatic Control and Computer Sciences. 2021. Т. 
55. № 8. С. 903-907. 
28. 
Гарькушев 
А.Ю. 
Методологические 
основы 
построения 
показателей 
эффективности контрольной деятельности органов государственной власти // Вопросы 
оборонной техники. Серия 16: Технические средства противодействия терроризму. 2015. 
№ 3-4 (81-82). С. 17-20.  

29. Кваснов А.В., Шкодырев В.П., Арсеньев Д.Г. Высокоточные модели 
распознавания объектов на основе рекуррентных байесовских алгоритмов // Управление в 
аэрокосмических системах. СПб.: Концерн ЦНИИ "Электроприбор", 2018. 

30. Свидетельство 2018612744 РФ. Свидетельство о регистрации программы для 

ЭВМ. Программа отождествления объектов, полученных беспроводными датчиками и 
средствами телеметрии / В.П. Шкодырев, А.В. Кваснов; правообладатель ФГАОУ ВО 
СПБПУ (RU). — № 2018610118; заявка 09.01.18; опубликовано 26.02.18, Реестр программ 
для ЭВМ. — 1 с. 

 

 

Применение технологии цифрового двойника  
в проектировании производственных процессов, 
производстве и эксплуатации сложных технических 
систем в особых условиях эксплуатации 

 
Application of digital twin technology in the design  
of production processes, production and operation  
of complex technical systems in special operating 
conditions 
 
УДК 658.512 
Получено: 06.02.2022 
Одобрено: 27.02.2022 
Опубликовано: 25.03.2022 
 
 
Гасюк Д.П. 
Д-р техн. наук, профессор, действительный член Академии военных наук, директор  Высшей 
школы машиностроения Санкт-Петербургского политехнического университета Петра 
Великого 
 
Gasyuk D.P. 
Doctor of Technical Sciences, Professor, Full member of the Academy of Military Sciences, 
Director of the Higher School of Mechanical Engineering of Peter the Great St. Petersburg 
Polytechnic University 
 
Ларькин В.В. 
Канд. техн. наук, канд. ист. наук, докторант Михайловской военной артиллерийской 
академии 
 
Larkin V.V. 
Candidate of Technical Sciences, Candidate of Historical Sciences, doctoral student of the 
Mikhailovsky Military Artillery Academy 
 
Косова В.А. 
Аспирант Санкт-Петербургского политехнического университета Петра Великого 
 
Kosova V.A. 
Postgraduate student of Peter the Great St. Petersburg Polytechnic University 
 
Романов А.А. 
Студент Санкт-Петербургского политехнического университета Петра Великого 
 
Romanov A.A. 
Student of Peter the Great St. Petersburg Polytechnic University 
 
 
Аннотация 
Предприятия промышленности в настоящее время адаптируются к процессам цифровизации 
экономики Российской Федерации. Основным направлением в развитии информационных 

технологий управления производством сложных технических систем (СТС) становится 
создание цифровых двойников. В данной статье анализируются понятия цифровизации и 
цифрового двойника. Дается представление о подходе к внедрению технологии цифрового 
двойника в процесс производства и эксплуатации СТС. Структурированы подклассы 
инновационного инструментария, применяемого в данной технологии. Представлены 
направления развития системы эксплуатации СТС ее подсистем в особых условиях. Особое 
внимание 
уделено 
способам 
диагностики 
и 
мониторинга 
состояния 
объектов 
с 
возможностью прогнозирования их изменения в реальном времени, а также применению 
аддитивных технологий в процессе восстановления работоспособности СТС. 
Ключевые слова: цифровая тень, цифровизация, цифровой двойник, система эксплуатации, 
особые условия эксплуатации. 
 
Abstract 
The modern industry is digitalizing at an ultra-fast pace. An increasing number of industrial 
processes are controlled using digital technologies. Moreover, an increasing number of production 
and technological processes are implemented in a highly automated or robotic way, and for such 
processes it is generally impossible to control anything other than digital. A recent trend in the 
development of information technologies for production management is the creation of digital 
twins. This article analyzes the concepts of digitalization and digital twin. An idea is given about 
the approach to the introduction of digital twin technology into the production process and 
operation of complex technical systems, including in the transport industry. The subclasses of 
innovative tools used in this technology are structured. The directions of development of the system 
of functioning of its subsystems in special conditions are presented. Special attention is paid to 
methods of diagnostics and monitoring of the condition of objects with the possibility of predicting 
their changes in real time, as well as the use of additive technologies in the process of restoring the 
operability of complex technical systems, including transport. 
Keywords: digital shadow, digitalization, digital twin, operating system, special operating 
conditions, road transport, cargo, cargo transportation, transportation, moving, transport. 
 
В соответствии с Государственной программой Российской Федерации «Развитие 
машиностроения на период до 2025 года» в редакции, введенной в действие постановлением 
Правительства Российской Федерации №470-17 от 29 марта 2021 г., основные задачи в 
области формирования опережающего научно-технического задела и развития системы 
информационно-аналитического 
обеспечения 
предприятий 
машиностроения 
и 
его 
модернизации содержат внедрение современных средств проектирования и компьютерных 
технологий; внедрение перспективных систем обеспечения качества; эффективное 
использование информационных ресурсов в рамках единого информационного пространства, 
цифровизации всех интегрирующих процессов [1-8]. Важность данных направлений 
подчеркнул Президент Российской Федерации в своем выступлении перед кабинетом 
министров 4 декабря 2020 г. В рамках выступления президент России поручил провести в 
ближайшие 10 лет цифровую трансформацию Российской Федерации (РФ). Одним из 
основных направлений цифровизации на предприятиях машиностроения является создание 
системы управления полным жизненным циклом (СУПЖЦ) выпускаемой продукции. 
Создание такой системы позволит (по опыту ведущих иностранных государств) существенно 
снизить финансовые и материальные затраты на всех стадиях жизненного цикла сложных 
СТС  и несомненно позволит повысить эффективность системы производства [9-15]. 
Материалы данной публикации являются результатом проведенного исследования, 
базирующегося  на системном подходе с применением методов научного прогнозирования и 
экономического анализа, а также современных способов статистической обработки 
информации [16-20]. Результаты анализа предметной области свидетельствуют о том, что 
эффективность систем управления предприятиями промышленности все в большей степени 
зависит от достоверности, целостности, доступности, оперативности и качества обработки 

необходимой информации [21-29]. Одной из основных задач в рамках решения проблемы 
создания СУПЖЦ продукции и цифровизации системы эксплуатации СТС является 
разработка цифрового двойника, который открывает кардинально новые возможности по 
информационному обеспечению всех этапов эксплуатации образца СТС, в том числе и с 
применением технологий искусственного интеллекта (ИИ) (рис. 1) [30].  
 
 

Рис. 1. Управление полным жизненным циклом продукции 
 
ГОСТ Р 57700.37-2021 установил единое определение понятия «цифровой двойник 
изделия» (ЦД), под которым понимается система, состоящая из цифровых моделей изделия и 
двусторонней информационной связи с ним и (или) его составными частями [31]. Он 
предоставляет возможность в режиме реального времени отслеживать потоки документов, 
реализовывать различные программы планирования производства и эксплуатации, 
проводить оценку эффективности функционирования СУПЖЦ в целом. Основные 
требования к технологическим процессам при этом остаются такими же, как при 
использовании традиционных моделей производства: гибкость, ресурсоемкость, надёжность, 
автоматичность, способность к быстрой наладке оборудования. 
Возможность стабильно работать и обмениваться данными о своём состоянии в 
формате 24/7 - важный аспект цифровизации, который реализуется за счет роботизации и 
процесса имитационного моделирования. Возможности этого процесса будут ограничены 
только вычислительными мощностями и уровнем компетенции технологов и эксплуатантов 
СТС [32]. 
 

Рис. 2.  Технология «цифрового двойника» СТС