Автоматизация и управление технологическими процессами и производствами

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

А. С. Максимов^a, В. С. Артемьев^b, Л. С. Мангушева^b, Ж. В. Мекшенева<sup>c

a</sup> Российский биотехнологический университет (РОСБИОТЕХ), 125080, Россия, Москва, Волоколамское шоссе, 11
^b Российский экономический университет имени Г. В. Плеханова, 115054, Россия, Москва, Стремянный переулок, 36
^c Университет «Синергия», 125315, Россия, Москва, Ленинградский пр-т, 80Б

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

УДК: 681.3.06

MSC: Primary 68T07; Secondary 68T20; 93C85; 90B50

Поступила в редакцию: 18.07.2025
Исправленный вариант: 15.08.2025
Принята в печать: 25.09.2025

DOI: 10.35330/1991-6639-2025-27-5-143-158

Реферативные базы данных:

•