В статье приводятся результаты моделирования системы искусственного интеллекта для опережающего выявления нежелательных ситуаций различного характера на объектах, представляющих важнейшее народнохозяйственное значение. В качестве такого объекта можно указать трубопроводный транспорт или любую другую производственную систему, в которой проводится непрерывный мониторинг параметров работоспособности ответственных узлов и механизмов. Данная модель может быть применена в работе различных нефтегазодобывающих компаний. Результаты моделирования и последующей разработки информационной системы предоставят базу для промышленной реализации высокоэффективных систем обнаружения и предотвращения аварийных ситуаций на основе нейросетевого анализа непрерывно получаемых потоковых данных. В рамках проводимого исследования проанализирована возможность применения для рассматриваемой задачи современных архитектур нейросетей, а именно: сверточных нейросетей – TCN, нейронных сетей прямого распространения – MLP, рекуррентных нейронных сетей – LSTM. Предложено для LSTM отказаться от функции активации, что крайне важно для данной задачи, потому что позволяет обеспечить нейросеть «долговременной памятью» о хранимых значениях. Кроме того, выполнено перекрестное сравнение скорости снижения ошибок при обучении сетей для обнаружения архитектуры, способной к «самообучению». Все модели были протестированы с использованием обучающих данных со скважин «Восточный купол». Для всех моделей было получено приемлемое совпадение тестовых и экстраполяционных данных.