Облачно-периферийная экосистема когнитивной автоматики для интегрированного менеджмента CIP-процессов пивзавода

А. С. Максимов, В. С. Артемьев, Л. С. Мангушева, Ж. В. Мекшенева

---

Аннотация: В работе представлена облачно-периферийная когнитивная архитектура для управления CIP-процессами пивоваренных линий. Система основана на связке ResNet-CNN и Transformer, работающих в контуре активного обучения и интегрированных с мультисенсорным мониторингом АТР-биолюминесценция, ИК-флуоресценция, оптическая плотность биопленок. Edge-узлы обеспечивают мгновенное обнаружение аномалий и локальное управление, тогда как облачный уровень выполняет предиктивную оптимизацию и дообучение моделей. Пилотные испытания показали сокращение расхода реагентов на 29 %, воды на 22 % и энергии на 18 %, уменьшение латентности управления до 140 мс и повышение точности прогнозов до R2 = 0,92 при снижении ложных тревог на 37 %. Архитектура демонстрирует соответствие нормативам и создает основу для перехода CIP-циклов в проактивный режим.
Целью исследования стало формирование облачно-периферийной экосистемы, обеспечивающей сокращение времени принятия решений в CIP-процессах до уровня менее 150 мс, снижение ресурсных затрат и повышение санитарной надежности в условиях высокой вариативности рецептур и технологических параметров пивоваренного производства.
Методология. Методологическая платформа основана на теории распределенных мультиагентных систем и принципах активного обучения. В качестве исходных данных использован массив из 48 000
профилей загрязнений, включающий показатели АТР-биолюминесценции, ИК-флуоресценции и оптической плотности биопленок. Edge-уровень выполняет предобработку сигналов, автоэнкодер формирует компактные эмбеддинги, а GRU-классификатор фиксирует аномалии с реакцией менее 40 мс. На облачном уровне реализована гибридная модель ResNet-CNN и Transformer, предсказывающая глубину очистки и оптимизирующая параметры CIP-цикла. Для объяснимости решений применялись SHAP-значения и Grad-CAM. Валидация корректности архитектуры проводилась в соответствии с ISO и ГОСТ по метрологии, кибербезопасности и санитарным регламентам.
Результаты. Эксперименты подтвердили устойчивую работу экосистемы в реальном времени и соответствие нормативным ограничениям. Средний расход моющих реагентов снизился на 29 %, потребление воды – на 22 %, энергозатраты – на 18 %. Латентность управления сократилась до 140 мс, а точность предсказаний достигла R2 = 0,92. Система показала снижение ложных тревог на 37 % и
полную отказоустойчивость при частичной потере данных. Экономическая оценка выявила сокращение операционных затрат на 24,7 % и срок окупаемости инвестиций менее восьми месяцев.
Выводы. Разработанная облачно-периферийная когнитивная архитектура обеспечивает переход CIP-процессов от статических режимов к проактивному управлению. Сочетание быстродействующих edge-модулей и облачных предиктивных моделей гарантирует как снижение ресурсных затрат, так и соблюдение санитарных требований.

Ключевые слова: когнитивная автоматика, CIP, активное обучение, OPC UA, оптимизация реагентов, промышленный IoT

Для цитирования. Максимов А. С., Артемьев В. С., Мангушева Л. С., Мекшенева Ж. В. Облачно-периферийная экосистема когнитивной автоматики для интегрированного менеджмента CIP-процессов пивзавода // Известия Кабардино-Балкарского научного центра РАН. 2025. Т. 27. № 5. С. 143–158. DOI: 10.35330/1991-6639-2025-27-5-143-158

Список литературы

1. Кухтик М. П., Храмов М. С. Разработка алгоритма и программы управления работой двухконтурной СИП-мойки // Известия Волгоградского государственного технического университета. 2025. № 3(298). С. 65–68. DOI: 10.35211/1990-5297-2025-3-298-65-68
2. Чикина Т. А., Прохорова Е. В. Санитарная обработка технологических линий в пивоваренном производстве // Роль аграрной науки в обеспечении продовольственной безопасности: материалы Международной научно-практической конференции. Мелитополь, 21 июня 2024 года. Мелитополь: Мелитопольский государственный университет, 2024. С. 200–206.
3. Агафонов Г. В., Новикова И. В., Чусова А. Е. Современные проблемы санитарной обработки и дезинфекции систем пивоварения // Гигиена и санитария. 2015. № 9. С. 67–71. EDN: VLFEPN
4. Патрикеева А. М., Канарская З. А., Канарский А. В. Применение принципов ХАССП при разработке мини-линии производства светлого пива «Балтика» // Современная наука в условиях модернизационных процессов: проблемы, реалии, перспективы: сборник научных статей по материалам II Международной научно-практической конференции. Уфа, 19 мая 2020 года. Уфа: ООО «Научно-издательский центр «Вестник науки» 2020. С. 91–97.
5. Котик О. А., Королькова Н. В., Колобаева А. А., Панина Е. В. Технология бродильных производств: учебное пособие. Воронеж: Воронежский государственный аграрный университет им. Императора Петра I, 2017. 139 с.
6. Ермолаева Г. А., Ермолаев С. В. Современные технологии пива и пивных напитков на малых предприятиях. Часть 2. // Пиво и напитки. 2022. № 2. С. 23–29. DOI: 10.52653/PIN.2022.02.02.002
7. Ермолаев С. В. Особенности проектирования и реализации пивоваренного производства: на основе современного оборудования // Пиво и напитки. 2024. № 4. С. 53–56.
8. Агеев О. В., Лизоркина О. А., Самойлова Н. В. Анализ методологических принципов моделирования гибких пищевых систем // Вестник науки и образования Северо-Запада России. 2023. Т. 9. № 2. С. 7–24.
9. Романова А. Г., Абрамова И. М., Медриш М. Э. и др. Углеводный состав как показатель подлинности и качества виски и выдержанных зерновых дистиллятов // Пиво и напитки. № 3. С. 21–25. DOI: 10.52653/PIN.2024.03.04

Информация об авторах

Максимов Алексей Сергеевич, канд. техн. наук, профессор кафедры «Информатика и вычислительная техника пищевых производств», Российский биотехнологический университет (РОСБИОТЕХ);
125080, Россия, Москва, Волоколамское шоссе, 11;
maksimov@mgupp.ru, SPIN-код: 7284-7751
Артемьев Виктор Степанович, ст. преподаватель кафедры информатики, Российский экономический университет имени Г. В. Плеханова;
115054, Россия, Москва, Стремянный переулок, 36;
Artemev.vs@rea.ru, ORCID: https://orcid.org/0000-0002-0860-6328, SPIN-код: 8912-5825
Мангушева Ляйля Сайяровна, доцент кафедры информатики, Российский экономический университет имени Г. В. Плеханова;
115054, Россия, Москва, Стремянный переулок, 36;
klyalya80@mail.ru, ORCID: https://orcid.org/0000-0002-2331-8308
Мекшенева Жанна Владимировна, канд. экон. наук, доцент, заведующий кафедрой прикладной математики, Университет «Синергия»;
125315, Россия, Москва, Ленинградский пр-т, 80Б;
zhmeksheneva@synergy.ru, ORCID: https://orcid.org/0000-0002-1716-7857, SPIN-код: 5187-4859