Автоматизоване логування помилок у процесі проектування витратомірів: підходи до обробки та аналізу

У сучасному проєктуванні витратомірів змінного перепаду тиску актуальним є впровадження надійних систем автоматизованого логування, оскільки традиційні методи журналювання не забезпечують необхідної точності та стабільності під навантаженням. Метою дослідження було обґрунтування та розроблення методичних підходів до автоматизації процесів логування у проєктуванні витратомірів змінного перепаду тиску з урахуванням параметричної оптимізації, скорочення часу локалізації помилок та підвищення точності оцінки невизначеності. Дослідження базувалося на експериментальних вимірюваннях у програмних середовищах SolidWorks 2024 та ANSYS Fluent із використанням інструментарію Elasticsearch і Kibana, а також з подальшою обчислювальною обробкою у MATLAB 2024a. Оцінювання охоплювало метрики точності, повноти, інтегрального показника гармонійного середнього, площі під кривою робочих характеристик, часу до виявлення критичної події, часу до повідомлення інженера, часу до локалізації помилки, середньої похибки розрахунку витрати з бутстреп-аналізом, а також інтегрального індексу ефективності логування. Встановлено, що базове журналювання забезпечує обмежену точність (≈ 71 %) і низьку стабільність (≈ 82,5 % беззбоєвих сесій), тоді як евристичні методи підвищують ефективність до 87,9 %, але залишають значний рівень дублювання подій і втрачають стабільність під навантаженням. Статистична класифікація продемонструвала кращі результати (інтегральна метрика F1-score = 0,81, середня похибка витрати 2,5 %, інтегральний індекс ефективності логування = 0,78), забезпечивши баланс між точністю й швидкодією. Найвищі показники досягнуто у підході з алгоритмами машинного навчання: точність перевищила 91 %, повнота склала понад 87 %, середня похибка розрахунку витрати знизилася до 1,7 %, відновлення причинно-наслідкових зв’язків досягло понад 86 %, а інтегральний індекс ефективності логування становив 0,89. Дисперсійний аналіз та непараметричний тест Краскела-Уолліса підтвердили достовірність відмінностей між підходами. Практичне значення дослідження полягає у визначенні алгоритмів машинного навчання як базового напряму розвитку інтелектуальних систем логування, результати якого можуть бути використані інженерними компаніями, розробниками програмного забезпечення та підприємствами нафтогазової, енергетичної й машинобудівної галузей для підвищення надійності, масштабованості та адаптивності систем проєктування до реальних умов експлуатації