Дисертаційна робота присвячена удосконалення процесу діагностування та прогнозування технічного стану СТО за допомогою розроблення моделей, методів та інформаційно-вимірювальної системи діагностування стану теплоенергетичних об'єктів із використанням поточної та ретроспективної інформації.У роботі запропоновано функціональну схему процесу діагностування та загальну математичну модель динаміки змін у часі значень вимірювальної величини у вигляді векторного випадкового поля за фіксованих просторових координат.Запропоновано метод діагностування елементів складних теплоенергетичних об'єктів, який базується на урахуванні поточної та ретроспективної інформації, що дало змогу порівнювати прогнозовані показники з наявними, а також ураховувати попередній досвід експлуатації складних теплоенергетичних об'єктів.Розроблено структуру, схему, виготовлено та експериментально перевірено дослідний зразок модулю багаторівневої системи.Розроблено структуру нейронної мережі на основі поєднання алгоритмів рекурентної нейронної мережі з довгою короткочасною пам'яттю та автокодувальника, що дало змогу прогнозувати відмови обладнання в умовах малого числа аномальних прецедентів та дозволило підвищити достовірність прогнозування аномальних станів на 9 %.^UThe dissertation is devoted to the improvement of the process of diagnosing and forecasting the technical condition of service stations through the development of models, methods and information-measuring system for diagnosing the condition of complex thermal power facilities using current and retrospective information.The functional scheme of the diagnostic process and the general mathematical model of the dynamics of changes in time of the measured quantity values in the form of a vector random field at fixed spatial coordinates are proposed in the work.A method of diagnosing elements of complex thermal power facilities is proposed, which is based on current and retrospective information, which allowed to compare the forecast indicators with existing ones, as well as to take into account previous experience of operation of complex thermal power facilities.The structure, the scheme, the experimental sample of the module of multilevel system are made and experimentally checked.The structure of the neural network is based on a combination of algorithms of recurrent neural network with long short-term memory and autoencoder, which allowed to predict equipment failures in a small number of anomalous precedents and increased the reliability of predicting abnormal states by 9%.