Автоматизированные системы управления биотехнологическими процессами: сборник научных докладов Всероссийской конференции с международным участием (11 декабря 2024 года) - Каргин В.А., Благовещенский И.Г., Мокрушин С.А.

Author: Каргин В.А. Благовещенский И.Г. Мокрушин С.А.

Tags: пищевая промышленность в целом производство и консервирование пищевых продуктов пищевое производство автоматизация биотехнологии сборник докладов автоматические системы

ISBN: 978-5-00261-181-2

Year: 2025

Similar

Интеллект и технологии. Монография

Схемотехника аналоговых и цифровых устройств. Учебное пособие

Приказ Об утверждении перечня олимпиад школьников и их уровней на 2023/24 учебный год

Моделирование функционирования элементов телекоммуникационных сетей и разработка метода расчета показателей надежности

Text

Федеральное государственное бюджетное образовательное
учреждение высшего образования
«РОССИЙСКИЙ БИОТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ»

АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ
УПРАВЛЕНИЯ БИОТЕХНОЛОГИЧЕСКИМИ
ПРОЦЕССАМИ
Сборник научных докладов
Всероссийской конференции
с международным участием
11 декабря 2024 года

УДК 664.011:664.002.5(063)
ББК 36.81
Научные рецензенты:
Благовещенская Маргарита Михайловна, Заслуженный деятель науки РФ, доктор
технических наук, профессор, заведующий кафедрой «Автоматизированные системы
управления биотехнологическими процессами» РОСБИОТЕХ
Ответственные редакторы:
Благовещенский Иван Германович, доктор технических наук, профессор кафедры
«Промышленная информатика» Института искусственного интеллекта, МИРЭА –
РТУ
Каргин Виталий Александрович, доктор технических наук, профессор кафедры
«Автоматизированные системы управления биотехнологическими процессами»
РОСБИОТЕХ
Мокрушин Сергей Александрович, кандидат технических наук, доцент кафедры
«Автоматизированные системы управления биотехнологическими процессами»
РОСБИОТЕХ
Назойкин Евгений Анатольевич, кандидат технических наук, доцент кафедры «Автоматизированные системы управления биотехнологическими процессами»
РОСБИОТЕХ

Автоматизированные системы управления биотехнологическими процессами: сборник научных докладов Всероссийской конференции с международным участием (11 декабря 2024 года); РОСБИОТЕХ. – Курск: Изд-во ЗАО
«Университетская книга», 2025. – 358 с.
ISBN 978-5-00261-181-2
В сборнике представлены научные доклады Всероссийской конференции с
международным участием «Автоматизированные системы управления биотехнологическими процессами», отражающие вопросы теории, методы и алгоритмы эффективного автоматического управления объектами пищевых производств; автоматические и автоматизированные системы управления технологическими процессами; интеллектуальные системы и технологии в различных отраслях, в том числе, пищевой промышленности.
ISBN 978-5-00261-181-2

УДК 664.011:664.002.5(063)
ББК 36.81
© Коллектив авторов, 2025
© РОСБИОТЕХ, 2025

Курск
ЗАО Университеская книга
2025

Автоматизированные системы управления биотехнологическими процессами

СОДЕРЖАНИЕ
Ф.В. Аносов, Е.А. Ламзина ПРОЕКТИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ ШАССИ
ДЛЯ БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА САМОЛЕТНОГО ТИПА............................. 7
М.С. Афанасьева, В.Д. Войтеховская СИСТЕМА ЗАХВАТА И СБРОСА ГРУЗА ДЛЯ
УНИВЕРСАЛЬНЫХ МАНИПУЛЯЦИЙ МЕЛКИМИ ГРУЗАМИ ПОСРЕДСТВОМ
БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА ............................................................................... 10
М.П. Батурин, В.Г. Благовещенский, Н.И. Калюта ИНФОРМАЦИОННОУПРАВЛЯЮЩАЯ СИСТЕМА ПРОЦЕССА МОНИТОРИНГА И РЕГУЛИРОВАНИЯ
КОРМЛЕНИЯ СВИНЕЙ НА ЖИВОТНОВОДЧЕСКИХ КОМПЛЕКСАХ С ПРИМЕНЕИЕМ
СИСТЕМЫ МАШИННОГО ЗРЕНИЯ ........................................................................................... 14
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская
АВТОМАТИЗАЦИЯ ПРОЦЕССА ПРИГОТОВЛЕНИЯ МАРМЕЛАДНОЙ МАССЫ ............ 21
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская
РАЗРАБОТКА МУЛЬТИАГЕНТНОЙ ИМИТАЦИОННОЙ МОДЕЛИ ПРОИЗВОДСТВА
МАРМЕЛАДА С ИСПОЛЬЗОВАНИЕМ ANYLOGIC ................................................................. 27
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская, М.В.
Веселов АНАЛИЗ ОСОБЕННОСТЕЙ ИСПОЛЬЗОВАНИЯ МЕТОДОВ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РЕШЕНИИ ЗАДАЧ АВТОМАТИЗАЦИИ
ПРОИЗВОДСТВА КОНДИТЕРСКОЙ ПРОДУКЦИИ................................................................. 35
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская, М.В.
Веселов АНАЛИЗ ТП ПРОИЗВОДСТВА ШОКОЛАДА КАК ОБЪЕКТА
АВТОМАТИЗАЦИИ ....................................................................................................................... 44
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская, М.В.
Веселов ПОВЫШЕНИЕ КАЧЕСТВА ФУНКЦИОНИРОВАНИЯ ПРОИЗВОДСТВА
ПИЩЕВЫХ ПРОДУКТОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МОДЕЛИРОВАНИЯ И
ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ............................................................................... 51
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская, М.В.
Веселов ФУНКЦИОНАЛЬНАЯ СХЕМА АВТОМАТИЗАЦИИ ОСНОВНЫХ ТП
ПРОИЗВОДСТВА ШОКОЛАДНЫХ МАСС ................................................................................ 60
И.Г. Благовещенский, В.Г. Благовещенский, И.В. Кротов, А.М. Аднодворцев АНАЛИЗ
ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ ПРОИЗВОДСТВА ПОМАДНЫХ КОНФЕТ КАК
ОБЪЕКТА АВТОМАТИЗАЦИИ .................................................................................................... 64
И.Г. Благовещенский, В.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская
РАЗРАБОТКА СТРУКТУРНО-ПАРАМЕТРИЧЕСКИХ И МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ
ПРОЦЕССОВ ПРОИЗВОДСТВА ПОМАДНЫХ КОНФЕТ ........................................................ 72
К.Э. Ваниев, Т.Н. Голикова РАЗРАБОТКА ЭЛЕКТРИЧЕСКОЙ СХЕМЫ
КОНВЕРТОПЛАНА ........................................................................................................................ 82
А.Р. Гармаев, А.Д. Думнова РАЗРАБОТКА АВТОМАТИЧЕСКОЙ ЗАМЕНЫ
АККУМУЛЯТОРА ДЛЯ НЕПРЕРЫВНОЙ РАБОТЫ БЕСПИЛОТНОГО ВОЗДУШНОГО
СУДНА .............................................................................................................................................. 85
Н.И. Гданский, П.М. Барышев АНАЛИЗ РАБОТЫ PID-РЕГУЛЯТОРА И СИСТЕМ НА
НЕЧЕТКОЙ ЛОГИКЕ ДЛЯ УПРАВЛЕНИЯ ВЕРТИКАЛЬНЫМИ ВЕТРОГЕНЕРАТОРАМИ
С ПОВОРОТНЫМИ ЛОПАСТЯМИ .............................................................................................. 89
Н.И. Гданский, А.В. Карпов, Хссан Тарик МОДИФИКАЦИЯ МЕТОДА ГАУССА ДЛЯ
РЕШЕНИЯ СКОЛЬЗЯЩИХ СИСТЕМ ЛИНЕЙНЫХ УРАВНЕНИЙ ........................................ 92

4 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
Н.И. Гданский, Хссан Тарик ПОСТРОЕНИЕ СИСТЕМ УПРАВЛЕНИЯ
МЕХАТРОННЫМИ КОМПЛЕКСАМИ С ПРОГНОЗИРОВАНИЕМ ВНЕШНЕЙ НАГРУЗКИ
НА ОСНОВЕ МОДЕЛИ ТРЕТЬЕГО ПОРЯДКА .......................................................................... 98
Н.И. Гданский, Т.В. Цай ПРИНЯТИЕ РЕШЕНИЙ В ЛОГИЧЕСКИХ МОДЕЛЯХ
ПРЕДСТАВЛЕНИЯ ЗНАНИЙ ПРИ ОТСУТСТВИИ ДОСТАТОЧНЫХ ОБОСНОВАНИЙ . 104
Д.П. Доржеева, А.О. Крюкова РАЗРАБОТКА ВИНТОМОТОРНОЙ ГРУППЫ ДЛЯ
КОНВЕРТОПЛАНА ...................................................................................................................... 120
Л.А. Досаева, А.С. Кожаринов ИССЛЕДОВАНИЕ БЕСПИЛОТНОГО ВОЗДУШНОГО
СУДНА ДЛЯ ФОТО- И ВИДЕОФИКСАЦИИ ........................................................................... 123
Е.Н. Зеленова РАЗРАБОТКА СТРУКТУРНОЙ СХЕМЫ СИСТЕМЫ УПРАВЛЕНИЯ
ПРОЦЕССОМ ПОЛУЧЕНИЯ КОЛБАСНЫХ ИЗДЕЛИЙ С УЧЁТОМ АСПЕКТОВ
АВТОМАТИЗАЦИИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ ................................................... 127
Е.Н. Зеленова, И.Г. Благовещенский, В.Г. Благовещенский АВТОМАТИЗИРОВАННАЯ
ОЦЕНКА КАЧЕСТВА КОЛБАСНЫХ ИЗДЕЛИЙ С ИСПОЛЬЗОВАНИЕМ СИСТЕМЫ
КОМПЬЮТЕРНОГО ЗРЕНИЯ ..................................................................................................... 135
Е.Н. Зеленова, И.Г. Благовещенский, В.Г. Благовещенский АНАЛИЗ ПРИМЕНЕНИЯ
СИСТЕМ КОМПЬЮТЕРНОГО ЗРЕНИЯ В АВТОМАТИЗАЦИИ ПРОЦЕССОВ КОНТРОЛЯ
ОРГАНОЛЕПТИЧЕСКИХ ПОКАЗАТЕЛЕЙ КАЧЕСТВА КОЛБАСНЫХ ИЗДЕЛИЙ .......... 142
Е.Н. Зеленова, И.Г. Благовещенский, В.Г. Благовещенский КОНЦЕПТУАЛЬНАЯ
СХЕМА АВТОМАТИЗАЦИИ КОНТРОЛЯ КАЧЕСТВА КОЛБАСНОЙ ПРОДУКЦИИ НА
РАЗЛИЧНЫХ ЭТАПАХ ПРОИЗВОДСТВА............................................................................... 149
Е.Н. Зеленова, А.В. Климов, А.Р. Айсин АНАЛИЗ И ВЫБОР МЕТОДОВ
ИНТЕЛЛЕКТУАЛЬНОГО КОНТРОЛЯ КАЧЕСТВА КОЛБАСНЫХ ИЗДЕЛИЙ В
АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ ................................................................................ 156
Е.Н. Зеленова, Е.А. Морозов, И.Г. Благовещенский ПРИМЕНЕНИЕ SCADA-СИСТЕМ В
СИСТЕМЕ УПРАВЛЕНИЯ ПРОЦЕССОМ ПРИГОТОВЛЕНИЯ КОЛБАСНЫХ ИЗДЕЛИЙ
.......................................................................................................................................................... 161
Е.Н. Зеленова, К.А. Полетаев, И.Г. Благовещенский МЕТОДЫ КОМПЬЮТЕРНОГО
ЗРЕНИЯ ДЛЯ АВТОМАТИЧЕСКОГО КОНТРОЛЯ ОРГАНОЛЕПТИЧЕСКИХ
ПОКАЗАТЕЛЕЙ КАЧЕСТВА КОЛБАСНОГО ФАРША В РЕАЛЬНОМ ВРЕМЕНИ ........... 166
Е.Н. Зеленова, К.Б. Рожкова, В.Г.Благовещенский РАЗРАБОТКА ИНФОРМАЦИОННОТЕХНИЧЕСКОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОЦЕССОМ ПРИГОТОВЛЕНИЯ
КОЛБАСНЫХ ИЗДЕЛИЙ С УЧЁТОМ АСПЕКТОВ АВТОМАТИЗАЦИИ
ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ ........................................................................................ 171
Ш.З. Зиниев, М.В. Дебиев, В.А. Каргин ИНТЕЛЛЕКТУАЛЬНЫЕ АЛГОРИТМЫ И
АНАЛИТИКА БОЛЬШИХ ДАННЫХ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ
СЕЛЬСКИХ ЭЛЕКТРИЧЕСКИХ СЕТЕЙ ................................................................................... 177
Ш.З. Зиниев, В.А. Каргин, М.В. Дебиев КОНЦЕПЦИЯ БОЛЬШИХ ДАННЫХ И ЕЕ
ПРИМЕНИМОСТЬ В СЕЛЬСКИХ ЭЛЕКТРИЧЕСКИХ СЕТЯХ ............................................. 181
В.В. Иванов, А.Н. Алюнов МОДЕЛИРОВАНИЕ КОРПУСА БЕСПИЛОТНОГО
ВОЗДУШНОГО СУДНА ДЛЯ ВИДЕОСЪЕМКИ ...................................................................... 186
Н.И. Калюта АВТОМАТИЗИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ УПАКОВКОЙ
СБОРНО-РАЗБОРНОЙ МЕБЕЛИ С ПРИМЕНЕНИЕМ МАШИННОГО ЗРЕНИЯ ................ 189
Г.С. Карабанов, О.Р. Оке, А.Г. Крахмалев РАСПОЗНАВАНИЕ ЯБЛОК С ПОМОЩЬЮ
СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ АВТОМАТИЗАЦИИ СБОРА УРОЖАЯ В
САДАХ НА КАРЛИКОВОМ ПОДВОЕ ...................................................................................... 195

Автоматизированные системы управления биотехнологическими процессами

В.А. Каргин, К.А. Абдуллаев, Е.А. Четвериков ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ
ИНТЕЛЛЕКТУАЛЬНЫХ УПРАВЛЯЮЩИХ СИСТЕМ ДЛЯ МОНИТОРИНГА
ЯБЛОНЕВЫХ САДОВ .................................................................................................................. 201
В.А. Каргин, С.А. Мокрушин, К.М. Усанов, С.И. Охапкин ПРЕДСТАВЛЕНИЕ
АЛГОРИТМОВ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ В ВИДЕ BPMNДИАГРАММ................................................................................................................................... 208
А.В. Карпов ВНУТРИЦЕХОВАЯ СИСТЕМА ОРИЕНТАЦИИ ТРАНСПОРТНОЙ
ТЕЛЕЖКИ ...................................................................................................................................... 213
А.Р. Мащицкий, С.А. Рылов ДАТЧИКИ ТЕМПЕРАТУРЫ ПРОМЫШЛЕННОГО
ИНТЕРНЕТА ВЕЩЕЙ................................................................................................................... 222
Н.С. Мешков АНАЛИЗ КИНЕМАТИКИ МНОГОЗВЕННЫХ МАНИПУЛЯТОРОВ И
ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ЗАДАЧ ПРЯМОЙ И ОБРАТНОЙ КИНЕМАТИКИ ....... 224
Н.С. Мешков ОБЗОР СОВРЕМЕННЫХ ТЕХНОЛОГИЙ АВТОМАТИЗИРОВАННОГО
МОНИТОРИНГА ЗРЕЛОСТИ ПЛОДОВ ТОМАТА В ПРОМЫШЛЕННЫХ ТЕПЛИЦАХ С
ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ................................................. 233
Н.С. Мешков, В.С. Царихин, М.А. Дворак РАСПОЗНАВАНИЕ ТОМАТОВ С ПОМОЩЬЮ
СВЕРОЧНОЙ НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ АВТОМАТИЗАЦИИ СБОРА УРОЖАЯ В
УСЛОВИЯХ ЗАЩИЩЁННОГО ГРУНТА .................................................................................. 239
О.О. Озинковский ПЕРСПЕКТИВЫ РАЗВИТИЯ АВТОМАТИЗИРОВАННОГО
ПРОИЗВОДСТВА СВЕТИЛЬНИКОВ СЕРИИ «ФИТО» .......................................................... 252
О.О. Озинковский, В.А. Каргин ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ LEDФИТОСВЕТИЛЬНИКОВ ПРИМЕНЕНИЕМ ИНТЕЛЛЕКТУАЛЬНЫХ УПРАВЛЯЮЩИХ
СИСТЕМ ......................................................................................................................................... 256
И.В. Полищук, О.Н. Крахмалев CAE-ПРИЛОЖЕНИЯ ДЛЯ МОДЕЛИРОВАНИЯ
ИНЕРЦИОННЫХ СВОЙСТВ МАНИПУЛЯЦИОННЫХ РОБОТОВ ...................................... 260
С.А. Рылов, Е.Н. Каширская ASSETADMINISTRATIONSHELL (AAS) – КАК
УНИВЕРСАЛЬНЫЙ КОНЦЕПТ ДЛЯ ЦИФРОВЫХ ДВОЙНИКОВ ПРОМЫШЛЕННОГО
ИНТЕРНЕТА ВЕЩЕЙ................................................................................................................... 266
С.А. Рылов, Е.Н. Каширская AUTOMATION MARKUP LANGUAGE –
УНИВЕРСАЛЬНЫЙ ЯЗЫК ОПИСАНИЯ РАСПРЕДЕЛЕННЫХ ИНФОРМАЦИОННЫХ
СИСТЕМ ПРЕДПРИЯТИЯ И ЦИФРОВЫХ ДВОЙНИКОВ ПРОМЫШЛЕННОГО
ИНТЕРНЕТА ВЕЩЕЙ................................................................................................................... 270
С.А. Рылов, Д.С. Киселев, Е.В. Копытова DATA DISTRIBUTION SERVICE –
УНИВЕРСАЛЬНЫЙ ПРОТОКОЛ ОБЩЕНИЯ В РЕАЛЬНОМ ВРЕМЕНИ СИСТЕМ
ПРОМЫШЛЕННОГО ИНТЕРНЕТА ВЕЩЕЙ............................................................................ 274
С.А. Рылов, Д.С. Киселев, Е.В. Копытова ECLASS – УНИВЕРСАЛЬНАЯ
КЛАССИФИКАЦИЯ КОМПОНЕНТОВ РАСПРЕДЕЛЕННЫХ СИСТЕМ УПРАВЛЕНИЯ
ПРОМЫШЛЕННОГО ИНТЕРНЕТА ВЕЩЕЙ И ЦИФРОВЫХ ДВОЙНИКОВ ..................... 278
С.А. Рылов, В.Д. Федин ПРОГРАММНАЯ КОНЦЕПЦИЯ СБОРОЧНОГО СТОЛА В
РАМКАХ АВТОМАТИЗИРОВАННОЙ ЛИНИИ IIOT ............................................................. 282
С.А. Рылов, В.Д. Федин ПРОГРАММНАЯ КОНЦЕПЦИЯ ТОКАРНОГО СТАНКА В
РАМКАХ АВТОМАТИЗИРОВАННОЙ ЛИНИИ IIOT ............................................................. 287
С.А. Рылов, В.Д. Федин ПРОГРАММНАЯ КОНЦЕПЦИЯ ФРЕЗЕРНОГО СТАНКА В
РАМКАХ АВТОМАТИЗИРОВАННОЙ ЛИНИИ IIOT ............................................................. 292
И.И. Слатов, Н.Д. Коробов МОДЕЛИРОВАНИЕ ИМПЕЛЛЕРА ДЛЯ ВИДЕОСЪЕМКИ С
БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА САМОЛЕТНОГО ТИПА.................................. 296

6 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
Д.Ю. Сохинов НЕЙРО-НЕЧЕТКИЙ ПОДХОД К КЛАССИФИКАЦИИ ЯБЛОК С УЧЕТОМ
ВНЕШНИХ ДЕФЕКТОВ .............................................................................................................. 299
Д.Ю. Сохинов ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ АВТОМАТИЗИРОВАННОЙ
СИСТЕМЫ СОРТИРОВКИ ЯБЛОК НА ОСНОВЕ ФИЗИЧЕСКОЙ МОДЕЛИ СТЕНДА .... 304
Д.Ю. Сохинов, Т.В. Зудина, А.А. Тарола, Е.В. Пестова ПОВЫШЕНИЕ
ЭФФЕКТИВНОСТИ ПРОЦЕССА СОРТИРОВКИ ПЛОДОВ ПРИМЕНЕНИЕМ
АЛГОРИТМОВ НЕЧЕТКОЙ ЛОГИКИ....................................................................................... 309
Д.Ю. Сохинов, Е.В. Пестова, А.А. Тарола, Т.В. Зудина АВТОМАТИЗИРОВАННАЯ
ИДЕНТИФИКАЦИЯ ГНИЛИ ЯБЛОК НА ОСНОВЕ ТЕХНИЧЕСКОГО ЗРЕНИЯ И
ГЛУБОКОГО ОБУЧЕНИЯ ........................................................................................................... 313
Д.Ю. Сохинов, А.А. Тарола, Т.В. Зудина, Е.В. Пестова АНАЛИЗ СОВРЕМЕННЫХ
МЕТОДОВ И ТЕХНИЧЕСКИХ СРЕДСТВ ДЛЯ АВТОМАТИЗИРОВАННОЙ ОЦЕНКИ
КАЧЕСТВА ПЛОДОВ................................................................................................................... 317
Д.Ю. Сохинов, А.А. Тарола, Т.В. Зудина, Е.В. Пестова ПРОГРАММНАЯ РЕАЛИЗАЦИЯ
АЛГОРИТМА УПРАВЛЕНИЯ ПРОЦЕССОМ СОРТИРОВКИ ЯБЛОК ................................. 321
В.М. Тарасенко, С.А. Мокрушин, С.И. Охапкин ПЕРСПЕКТИВЫ ВНЕДРЕНИЯ
ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ДЛЯ ОЦЕНКИ КЛЕЕВОГО СЛОЯ ПРИ
ПРОИЗВОДСТВЕ КЛЕЕНОГО БРУСА ...................................................................................... 326
В.М. Фетисов ОБОСНОВАНИЕ ДАННЫХ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО
ПРОГНОЗИРОВАНИЯ КАЧЕСТВА СЫРЬЯ ............................................................................. 329
Е.А. Четвериков, Е.А. Шабаев, В.Н. Беленов ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ
НАГРЕВА В УСТАНОВКАХ МИКРОВОЛНОВОЙ СУШКИ ................................................. 335
Е.А. Четвериков, Е.А. Шабаев, В.Н. Беленов ПРИНЦИП РЕГУЛИРОВАНИЯ
МОЩНОСТИ МАГНЕТРОННЫХ ГЕНЕРАТОРОВ В УСТАНОВКАХ
КОМБИНИРОВАННОЙ СУШКИ ТОВАРНОГО ЗЕРНА ......................................................... 341
А.В. Щербаков, В.А. Каргин, С.В. Баталин РАЗРАБОТКА СТРУКТУРЫ НЕЙРОННОЙ
СЕТИ ДЛЯ ОЦЕНКИ КАЧЕСТВА НАНЕСЕНИЯ МАРКИРОВКИ ........................................ 347
Сведения об авторах .................................................................................................................... 354

Автоматизированные системы управления биотехнологическими процессами

УДК 629.7
Ф.В. Аносов, Е.А. Ламзина
Финансовый университет при Правительстве РФ

ПРОЕКТИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ ШАССИ ДЛЯ
БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА САМОЛЕТНОГО ТИПА
Ф.В. Аносов, Е.А. Ламзина ПРОЕКТИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ ШАССИ ДЛЯ БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА САМОЛЕТНОГО ТИПА

Аннотация: в работе рассматривается разработка системы управления шасси для беспилотного воздушного судна самолетного типа. Представлена принципиальная схема системы. Приведен алгоритм работы системы, разработан программный код на упрощённом
C/C++ с использованием библиотек. Описаны этапы тестирования, проведена проверка работы сервоприводов и управления в условиях лабораторного стенда. Разработанная система
обеспечивает автоматическое управление выпуском и уборкой шасси, а также повышенную
устойчивость к внешним факторам. Внедрение данной системы в беспилотные авиационные
комплексы позволит повысить их надежность, маневренность и автоматизацию.
Ключевые слова: беспилотное воздушное судно, моделирование, автоматическое
управление шасси, сервоприводы, широтно-импульсная модуляция.

В современных беспилотных авиационных системах особую роль играет
конструкция электронных компонентов шасси. Электронное управление шасси
позволяет автоматизировать взлет и посадку, повышая надежность и точность
выполнения маневров. Использование сервоуправляемых механизмов позволяет снизить сложность системы и уменьшить ее массу, что критически важно
для малых и средних БВС. В данной работе представлена система управления
сервоприводами с использованием микроконтроллера Arduino Nano, которая
может быть применена для управления посадочным механизмом, закрылками
или рулевыми поверхностями.
Для успешной работы системы необходимо учитывать следующие требования:
 автоматическое управление выпуском и уборкой шасси;
 синхронизация работы сервоприводов для одновременного движения
стоек;
 использование датчиков для контроля положения шасси;
 устойчивость к внешним воздействиям (вибрации, изменения температуры и влажности).
Электронная система управления шасси включает следующие компоненты:
 контроллер управления;
 сервоприводы
 датчики положения;
 источник питания;
 связь с платой управления.
На рисунке 1 представлена принципиальная схема системы управления
сервоприводами, включающая следующие компоненты:
 источник питания (BT1) – аккумуляторная батарея, обеспечивающая
энергоснабжение системы;

8 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

 DC-DC понижающий преобразователь Mini560 – стабилизирует напряжение питания для сервоприводов;
 микроконтроллер Arduino Nano – управляет сервоприводами посредством генерации ШИМ-сигналов;
 сервоприводы (M1, M2, M3) – механизмы для приведения в действие
шасси летательного аппарата.

Рис. 1. Принципиальная схема системы управления сервоприводами

Система получает питание от аккумулятора, напряжение которого поступает на DC-DC преобразователь Mini560, обеспечивающий стабилизированное
питание для сервоприводов и контроллера.
В системе используются три сервопривода (M1, M2, M3), подключенные
к Arduino Nano. Микроконтроллер Arduino Nano управляет сервоприводами путем генерации PWM-сигналов, регулирующих их положение.
Для управления сервоприводами используется язык С/C++ и библиотека
Servo.h, позволяющая управлять несколькими сервоприводами одновременно
(рисунок 2).

Рис.2. Фрагмент кода для управления сервоприводами (в интегрированной
среде разработки Arduino IDE)

Автоматизированные системы управления биотехнологическими процессами

Тестирование системы управления сервоприводами является важным
этапом проверки работы программного и аппаратного обеспечения. На рисунке
3 представлен испытательный стенд, включающий Arduino Nano, сервоприводы, потенциометр, макетную плату и аккумулятор. Данный этап тестирования
направлен на проверку корректности работы сервоприводов, алгоритмов
управления и электрических соединений.

10 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
5.

Крахмалев, О. Н. Объектное моделирование в кинематике манипуляционных роботов / О.Н.
Крахмалев // Нейрокомпьютеры: разработка, применение, 2022. – №5. – С. 55–66.
https://doi.org/10.18127/j19998554-202205-06.
6. Каргин, В.А. Интеллектуальная автоматизированная система мониторинга засорения земель
борщевиком Сосновского / В.А. Каргин, И.В. Кротов, Н.И. Гданский, С.А. Мокрушин, О.Н.
Крахмалев // Научно-технический вестник Поволжья. – 2024. – №10. – С. 114-118.
7. Krakhmalev, O.; Korchagin, S.; Pleshakova, E.; Nikitin, P.; Tsibizova, O.; Sycheva, I.; Liang, K.;
Serdechnyy, D.; Gataullin, S.; Krakhmalev, N. Parallel Computational Algorithm for ObjectOriented
Modeling
of
Manipulation
Robots.
Mathematics,
2021,
9,
2886.
https://doi.org/10.3390/math9222886.
8. Krakhmalev, O.; Krakhmalev, N.; Gataullin, S.; Makarenko, I.; Nikitin, P.; Serdechnyy, D.; Kang,
L.; Korchagin, S. Mathematics Model for 6-DOF Joints Manipulation Robots. Mathematics, 2021,
9, 2828. https://doi.org/10.3390/math9212828.
9. Krakhmalev, O.; Gataullin, S.; Boltachev, E.; Korchagin, S.; Blagoveshchensky, I.; Liang, K.
Robotic
Complex
for
Harvesting
Apple
Crops.
Robotics,
2022,
11,
77.
https://doi.org/10.3390/robotics11040077.
10. Kang Liang, Zhang Xiukai, Oleg Krakhmalev. SLSL-QPSO: Quantum-behaved particle swarm
optimization
with
short-lived
swarm
layers.
SoftwareX,
2023,
24,
101536,
https://doi.org/10.1016/j.softx.2023.101536.
УДК 629.7.022
М.С. Афанасьева, В.Д. Войтеховская
Финансовый университет при Правительстве РФ

Рис. 3. Лабораторный стенд для испытаний

Тестирование подтвердило работоспособность системы управления сервоприводами. Программное обеспечение на Arduino Nano выполняет управление без сбоев. Электропитание стабильно.
Разработанная система управления сервоприводами на базе Arduino Nano
позволяет эффективно управлять механизмом шасси беспилотного летательного аппарата самолетного типа. Проведенные тестирования подтвердили работоспособность системы и ее соответствие требованиям к плавности движения.
Внедрение данной системы в беспилотные авиационные комплексы позволит
повысить их надежность и маневренность. При выполнении исследовательских
работ были использованы источники [1–10].
1.
2.
3.
4.

Список литературы
Корнеев В. М. "Особенности конструкции и эксплуатации беспилотных летательных аппаратов самолетного типа". — М.: Издательство МГТУ ГА, 2018.
Белик А. Е., Егоров Р. А., Маршанин Е. В. "Беспилотные летательные аппараты: основы
конструкции и управления". — М.: КНОРУС, 2019.
Максимов Н. А. (под общ. ред.) "Применение беспилотных летательных аппаратов (дронов)".
— М.: КНОРУС, 2020.
Крахмалев, О. Н. Моделирование манипуляционных систем роботов : учебное пособие / О.
Н. Крахмалев. – 2-е изд. – Москва : Ай Пи Ар Медиа, 2024. – 198 c. – ISBN 978-5-4497-33771. – Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. – URL:
https://www.iprbookshop.ru/141848.html (дата обращения: 29.08.2024).

СИСТЕМА ЗАХВАТА И СБРОСА ГРУЗА ДЛЯ УНИВЕРСАЛЬНЫХ
МАНИПУЛЯЦИЙ МЕЛКИМИ ГРУЗАМИ ПОСРЕДСТВОМ
БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА
М.С. Афанасьева, В.Д. Войтеховская СИСТЕМА ЗАХВАТА И СБРОСА ГРУЗА ДЛЯ УНИВЕРСАЛЬНЫХ МАНИПУЛЯЦИЙ МЕЛКИМИ ГРУЗАМИ ПОСРЕДСТВОМ
БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА

Аннотация: В статье представлены результаты научно-исследовательских и опытноконструкторских работ (НИОКР), направленных на разработку системы захвата и сброса
груза для беспилотного воздушного судна (БВС). Система предназначена для универсальных
манипуляций мелкими грузами и обеспечивает возможность захвата груза из различных положений, его транспортировки и сброса в заданных координатах. Разработанное решение
включает в себя легкий захватный механизм и ударопрочный кейс для груза, который позволяет повторный захват при неудачных попытках. Процесс разработки включал 3Dмоделирование, прочностной анализ, создание прототипа и тестирование. Результаты соответствуют техническим требованиям, включая массу груза до 3 кг, ударопрочность кейса и
минимальную массу конструкции.
Ключевые слова: беспилотное воздушное судно, система захвата, кейс для груза, 3Dмоделирование, прочностной анализ, манипуляция грузами.

Беспилотные воздушные суда (БВС) активно применяются в различных
сферах, включая доставку грузов, мониторинг и спасательные операции. Одной
из ключевых задач при использовании БВС для доставки является разработка
надежной системы захвата и сброса груза, которая обеспечивает универсальность, минимальный вес и высокую надежность. В рамках данной работы поставлена задача создания системы, способной захватывать груз из различных
положений, транспортировать его и сбрасывать в заданных координатах. Осо-

Автоматизированные системы управления биотехнологическими процессами

бое внимание уделено разработке кейса для груза, который позволяет повторный захват при неудачных попытках.
Для выполнения поставленной задачи была сформирована инженерная команда, обладающая опытом в области конструирования, электроники и программирования. Процесс разработки включал анализ требований,
3D-моделирование, прочностной анализ, создание прототипа, и тестирование.
В рамках проведенных работ были определены технические характеристики системы, включая массу груза, ударопрочность кейса и минимальную
массу захватного механизма. Созданы модели захватного механизма и кейса
для груза с использованием CAD-системы Компас-3D. Проведение расчетов на
прочность и устойчивость к динамическим нагрузкам проводилось с помощью
встроенного в Компас-3D модуля FEM. Изготовленный из легкодоступных материалов и компонентов прототип системы был подвергнут испытаниям на захват, транспортировку и сброс груза в различных условиях.
Разработанная система включает в себя достаточно легкий захватный
механизм, масс которого не превышает 1 кг, способный выдерживать груз массой до 3 кг. Механизм обеспечивает захват груза из различных положений и его
надежную фиксацию во время транспортировки. Ударопрочный кейс для груза
способен выдерживать падение с высоты 1 метра на твердую поверхность. Конструкция кейса позволяет осуществлять повторный захват при неудачных попытках.
В разработке использованы материалы с высокой прочностью, коррозионной стойкостью и термостойкость, при этом система захвата груза обеспечивает защиту от механических, атмосферных воздействий и электромагнитных
помех.
Общий вид разработанной системы захвата груза для беспилотного воздушного судна представлен на рисунке 1.

12 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
Рис. 1. Общий вид модели системы захвата груза для беспилотного воздушного судна

Кейс имеет на каждой из граней места для захвата клешнями и состоит из
6 деталей (рисунок 2).

Рис. 2. Внешний вид кейса для доставки грузов

Прототип системы управления реализован на базе платы Arduino UNO с
использованием двух сервоприводов, имеющих напряжение питания 5 В. Схема
подключения сервоприводов к плате приведена на рисунке 3.

Рис. 3. Схема управления сервоприводами системы захвата и сброса грузов

Разработанная система захвата и сброса груза для БВС удовлетворяет
всем техническим и пользовательским требованиям. Использование современных CAD-систем и методов анализа позволило оптимизировать конструкцию и
снизить себестоимость до 80 000 рублей. Система захвата и сброса обеспечива-

Автоматизированные системы управления биотехнологическими процессами

ет высокую надежность, простоту эксплуатации и совместимость с компонентами корпуса БВС. Результаты моделирования представлены в таблице 1.
Табл.1. Характеристики системы захвата и сброса груза
Наименование
Значение
Единица измерения
Масса груза, не более
3
кг
Масса кейса, не более
1
кг
Ударопрочность
выдерживает падение с
–
высоты 1 метра
Себестоимость, до
80 000
руб.

В результате проведенных НИОКР разработана система захвата и сброса
груза для БВС, которая соответствует всем поставленным требованиям. Разработанное решение обеспечивает универсальность, минимальный вес и высокую
надежность, что делает его пригодным для использования в различных сферах,
включая доставку грузов и спасательные операции. Система может быть масштабирована и адаптирована под различные типы БВС. При выполнении исследовательских работ были использованы источники [1–10].
Список литературы
1. ГОСТ Р 59751-2021. Беспилотные авиационные системы с беспилотными воздушными
судами самолетного типа.
2. Никонов, В.В. КОМПАС-3D: создание моделей и 3D-печать. Учебное пособие / В.В. Никонов.– Издательство: Питер, 2020 .– 208 с.
3. Брусов, В.С. Аэродинамика и динамика полета малоразмерных беспилотных летательных
аппаратов / В.С. Брусов, В.П. Петручик, Н.И. Морозов.– Издательство: Москва: МАИ.–
2010.– 340 с.
4. Крахмалев, О. Н. Моделирование манипуляционных систем роботов : учебное пособие / О.
Н. Крахмалев. – 2-е изд. – Москва : Ай Пи Ар Медиа, 2024. – 198 c. – ISBN 978-5-4497-33771. – Текст : электронный // Цифровой образовательный ресурс IPR SMART : [сайт]. – URL:
https://www.iprbookshop.ru/141848.html (дата обращения: 29.08.2024).
5. Крахмалев, О. Н. Объектное моделирование в кинематике манипуляционных роботов / О.Н.
Крахмалев // Нейрокомпьютеры: разработка, применение, 2022. – №5. – С. 55–66.
https://doi.org/10.18127/j19998554-202205-06.
6. Каргин, В.А. Интеллектуальная автоматизированная система мониторинга засорения земель
борщевиком Сосновского / В.А. Каргин, И.В. Кротов, Н.И. Гданский, С.А. Мокрушин, О.Н.
Крахмалев // Научно-технический вестник Поволжья. – 2024. – №10. – С. 114-118.
7. Krakhmalev, O.; Korchagin, S.; Pleshakova, E.; Nikitin, P.; Tsibizova, O.; Sycheva, I.; Liang, K.;
Serdechnyy, D.; Gataullin, S.; Krakhmalev, N. Parallel Computational Algorithm for ObjectOriented
Modeling
of
Manipulation
Robots.
Mathematics,
2021,
9,
2886.
https://doi.org/10.3390/math9222886.
8. Krakhmalev, O.; Krakhmalev, N.; Gataullin, S.; Makarenko, I.; Nikitin, P.; Serdechnyy, D.; Kang,
L.; Korchagin, S. Mathematics Model for 6-DOF Joints Manipulation Robots. Mathematics, 2021,
9, 2828. https://doi.org/10.3390/math9212828.
9. Krakhmalev, O.; Gataullin, S.; Boltachev, E.; Korchagin, S.; Blagoveshchensky, I.; Liang, K.
Robotic
Complex
for
Harvesting
Apple
Crops.
Robotics,
2022,
11,
77.
https://doi.org/10.3390/robotics11040077.

14 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
10. Kang Liang, Zhang Xiukai, Oleg Krakhmalev. SLSL-QPSO: Quantum-behaved particle swarm
optimization
with
short-lived
swarm
layers.
SoftwareX,
2023,
24,
101536,
https://doi.org/10.1016/j.softx.2023.101536.
УДК 65.018:664.1
М.П. Батурин1, В.Г. Благовещенский1, Н.И. Калюта2
1
МИРЭА - Российский технологический университет
2
ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана
(национальный исследовательский университет)»

ИНФОРМАЦИОННО-УПРАВЛЯЮЩАЯ СИСТЕМА ПРОЦЕССА
МОНИТОРИНГА И РЕГУЛИРОВАНИЯ КОРМЛЕНИЯ СВИНЕЙ НА
ЖИВОТНОВОДЧЕСКИХ КОМПЛЕКСАХ С ПРИМЕНЕИЕМ СИСТЕМЫ
МАШИННОГО ЗРЕНИЯ
М.П. Батурин, В.Г. Благовещенский, Н.И. Калюта ИНФОРМАЦИОННО-УПРАВЛЯЮЩАЯ СИСТЕМА ПРОЦЕССА МОНИТОРИНГА И РЕГУЛИРОВАНИЯ КОРМЛЕНИЯ
СВИНЕЙ НА ЖИВОТНОВОДЧЕСКИХ КОМПЛЕКСАХ С ПРИМЕНЕИЕМ СИСТЕМЫ МАШИННОГО ЗРЕНИЯ

Аннотация. В данной статье рассматривается создание информационно-управляющей
системы процесса мониторинга и регулирования кормления свиней с использованием технологий машинного зрения для животноводческой промышленности. Описаны возникающие
по мере проектировки данной системы проблемы и методы борьбы с ними.
Ключевые слова: кормления свиней, нейронные сети, информационно-управляющая
система, мониторинг, регулирование, животноводство.

Свиньи являются всеядными животными. Они успешно поедают корма
растительного и животного происхождения, очень продуктивны и отличаются
скороспелостью [1]. Животных можно использовать для размножения, когда
они достигают 9-месячного возраста. При убое выходит достаточно высокий
процент мяса — до 75%. При этом для высокопродуктивного выращивания поголовья необходимо сочетание сразу нескольких факторов — породы, наследственности, условий содержания и грамотно сбалансированного вскармливания
[2]. При соблюдении всех условий для обеспечения будущих доходов от свиноводства главным становится вклад в качественные корма. Выбор их состава,
соотношение компонентов и рекомендуемые объемы порций зависят от группы
свиней [3]:
- поросята;
- отъемыши;
- свиньи на доращивании и откорме;
- супоросные свиноматки;
- лактирующие свиноматки.
В нашей работе мы рассматриваем кормление группы свиней на доращивании и откорме.
В настоящее время в России все породы свиней в зависимости от направления делятся на две группы: 1-я группа (сальные и комбинированные породы), 2-я группа (мясные и беконные породы) [4].
Качественное свиное мясо имеет большое значение как для потребителей,
так и для производителей, поскольку оно является важным источником питательных веществ и играет ключевую роль в рационе многих людей. Правиль-

Автоматизированные системы управления биотехнологическими процессами

16 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ные условия содержания свиней на животноводческих комплексах позволяют
растить свиней, мясо которых соответствует современным стандартам потребления. Одним из ключевых факторов для поддержания качества свиного мяса
является здоровье свиней, которое в свою очередь в большей степени зависит
от вида и дозировки потребляемого корма [5]. Также расписание кормления однозначно имеет немаловажную роль в формировании здорового свиного организма и его тоже надо учитывать.
Основная проблема заключается в том, что за точным соблюдением всех
факторов бывает крайне трудно уследить на нынешних производствах, вследствие чего множество свиней на животноводческих комплексах страдают от
переедания и имеют слишком большой процент подкожного жира, не соответствующий стандартам, или же наоборот испытывает нехватку массы.
Рассмотрим наиболее популярную схему кормления свиней на животноводческих производствах, представленную на рисунке 1.

Рис.2. Схема информационно-управляющей системы на производстве

Рис.1. Схема кормления свиней при помощи кормораздатчика

Рабочий процесс осуществляется в следующем порядке. Перед кормлением животных включают в работу технологическое оборудование линии. При
этом откроются автоматические задвижки транспортера и трубопровода. По их
сигналам начнется поочередное заполнение кормораздатчиков исходными компонентами. Задвижки автоматически закроются от дискретных датчиков, а
фиксатор откроет свои захваты и с помощью датчика подаст команду на передвижение кормораздатчика. Одновременно с этим начнется заполнение исходными компонентами следующего кормораздатчика [6].
Для обеспечения автономной работы всего технологического процесса
кормления свиней, используется разработанная информационно-управляющая
система (ИУС), модульная схема которой представлена на рисунке 2.

ИУС может использоваться для мониторинга и контроля различных процессов в реальном времени [6 – 9]. Анализ и прогнозирование — это функция, с
помощью которой система предоставляет инструменты для глубокого анализа
данных, разработки отчетов и прогнозирования будущих трендов на основе
существующих данных. Поддержка принятия решений — еще одна основная
задача ИУС, заключающаяся в том, чтобы предоставить актуальную информацию в нужное время, обеспечивая пользователям возможность делать обоснованные выводы и принимать решения на основе анализа данных. Также ИУС
обеспечивает интеграцию между различными подразделениями организации,
позволяя им эффективно обмениваться информацией и улучшать координацию
действий [10 - 11].
Данная система получает более полный набор данных о состоянии каждой свиньи, при технологии машинного зрения, которая позволяет ей считывать
морфометрические признаки. Морфометрические характеристики свиней, такие
как длина тела, высота в холке, ширина грудной клетки и толщина жировой
складки, являются важными показателями для мониторинга роста и оценки состояния животных. С помощью машинного зрения можно создавать 3D-модели
свиней и проводить детальный анализ их физических показателей. Это позволяет системе быстрее и более точно оценивать, требуется ли коррекция рациона
или условия содержания, в зависимости от состояния здоровья и физиологических нужд свиней.
С развитием визуального искусственного интеллекта использование звуков и изображений свиней в сочетании с моделями глубокого обучения стано-

Автоматизированные системы управления биотехнологическими процессами

вится более выгодным в точном свиноводстве. Существует два основных способа сбора данных с помощью камер наблюдения [12 – 14]. Первый способ —
закрепить камеры наблюдения на крыше свинарника, при этом используется
метод обзора сверху, чтобы охватить весь свинарник и собрать больше информации о спинах свиней Второй подход собирает видео свиней с бокового обзора, что позволяет записать больше информации о ногах свиней и тележках.
Результирующая оценка системы будет зависеть не только от морфометрических факторов, но и от поведения животного в течении определенного
промежутка времени. Если свинья находиться в состоянии сна или бодрствования дольше определенной нормы или проявляет недостаток двигательной активности, система сообщит об этом оператору и сформирует соответствующий
отчет о текущем состоянии свиньи. Эта мера сделает мониторинг за состоянием
свиней постоянным, что в свою очередь повысит шансы обнаружения болезней
и прочих недомоганий.
Точка контроля
Замеры будут производиться сразу после кормежки выводка, для получения максимально свежих и достоверных данных. После чего производственный
цикл кормления повторяется.
Камеры и овещение
Для обеспечения правильной работы системы, необходимо правильное
освещение, расположение и качество камер во всех ключевых зонах животноводческого производства.
Непосредственно сама камера должна находиться над загоном, лицевой
стороной вниз. Задача состоит в том, что ширина инспектируемой области около 3 метров. Для целевой точности в 2 мм нам была необходима камера с разрешением 1 мм на пиксель, то есть разрешение камеры по ширине должно быть
минимум 1000 пикселей. На рынке предоставлено множество подобных устройств, но именно для этого теста мы выберем камеру фирмы Cognex In-Sight
7402 с разрешением 1280х1024 пикселя. Она монохромная (а работа с цветом
нам не нужна), бюджетная, имеет стандартные разъёмы и возможность модификации. Проблема заключается в размещении камеры. С полем зрения трех
метров в ширину, камера должна была бы иметь линзу с очень широким углом
обзора, или она должна была бы быть установлена относительно высокая над
конвейерной линией. Иметь широкоугольный объектив в условиях производства не желательно из-за оптических искажений. Располагая камеру высоко над
линией, мы уменьшаем интенсивность света достигающего камеры и делаем её
более подверженной воздействию окружающих объектов освещения. Также такая установка более затруднительная и делает конструкцию неустойчивой. Было бы логичным использовать 2 камеры с низким разрешением и последующей
сшивкой данных с них, но это снизило бы скорость обработки изображения и
потребовало дополнительных затрат [15].
Алгоритмы обработки данных
В системах машинного зрения, используемых для мониторинга и анализа
поведения свиней, применяются различные алгоритмы обработки данных. Для

18 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

обнаружения и идентификации объектов используются алгоритмы выделения
контуров, такие как алгоритм Canny для обнаружения краев. Методы сегментации, например, K-means или алгоритмы на основе подсчета пикселей (например, GrabCut), позволяют сегментировать отдельных свиней в кадре.
Для распознавания поведения применяются алгоритмы отслеживания
движений, такие как фильтр Калмана или алгоритмы Optical Flow, которые отслеживают перемещения свиней во времени и анализируют их поведение. Методы классификации распознают различные типы поведения, такие как еда, отдых или взаимодействие с другими свиньями, с помощью машинного обучения
(например, SVM, Random Forest) или нейронных сетей (например, CNN). Для
обработки и анализа видео осуществляется оптимизация потока видео и компрессия с помощью алгоритмов H.264 или H.265. Методы обработки временных рядов позволяют выявлять изменения поведения свиней на протяжении
времени с помощью рекуррентных нейронных сетей (RNN) или других алгоритмов.

Рис.3. Кривая обучения на одной из тестовых выборок.

Для анализа состояния здоровья свиней используются алгоритмы анализа
теплового изображения для выявления свиней с повышенной температурой.
Методики измерения физических параметров через компьютерное зрение помогают оценивать вес и состояние свиней через рост и длину тела. Применяются также алгоритмы машинного обучения для классификации аномалий, что позволяет автоматизировать обнаружение аномального поведения, например,
чрезмерной агрессии или изоляции от стада.
Алгоритмы визуализации представляют данные в удобной форме, например, графики потока поведения или статистику по времени, с использованием
библиотек визуализации, таких как Matplotlib или Seaborn для Python.

Автоматизированные системы управления биотехнологическими процессами

Рис.4. Результаты измерения и аппроксимации показателей
метрик для различного числа эпох.

20 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Процесс работы начинается с того, что камеры фиксируют поведение
свиней на ферме. Затем применяются алгоритмы выделения объектов и сегментации для обработки изображений. После этого алгоритмы отслеживания и
классификации помогают определить, что делает каждая свинья. В завершение
генерируются отчеты для фермеров, содержащие информацию о поведении и
здоровье животных. Такой комплексный подход предоставляет более глубокое
понимание поведения свиней и условий их содержания, что значительно улучшает управление животноводческими предприятиями. На рисунках 3-4 показаны процесс и результаты обучения нескольких эпох нейросети.
Результат
Итогом работы стала ИУС по контролю и мониторингу за рационом питания свиней на животноводческих комплексах. Данная система позволяет не
только считывать данные о здоровье животных, но и анализировать их, составляя метрики. Так же система отлавливает возникающие в ней ошибки и сохраняет отчет о них для дальнейшего исправления, кроме того, она регулирует
время кормления и состав кормовых смесей для различных групп свиней. Недостатками системы являются низкий уровень отказоустойчивости и более низкий процент распознавания свиней в темное время суток.
1.
2.
3.
4.

5.
6.
7.
8.
9.

Рис. 5. Определение нейронной сетью поведенческого состояния
животных в реальном времени.

Список литературы
Родионов, Г. В. Основы животноводства: учебник / Г. В. Родионов, Ю. А. Юлдашбаев, Л.
П. Табакова. — Санкт-Петербург: Лань, 2019. — 564 с.
Основы животноводства: Учебник / Г. В. Родионов, Ю. А. Юлдашбаев, Л. П. Табакова,
А. П. Олесюк. — 3-е изд., стер. — Санкт-Петербург: Лань, 2022. — 564 с.
Мороз, М. Т. Корма и оптимизация кормления высокопродуктивного скота : учебное пособие / М. Т. Мороз, А. М. Спиридонов, В. И. Саморуков. — Санкт-Петербург :
СПбГАУ, 2024. — 118 с.
Мороз, М. Т. Современные технологии повышения продуктивности сельскохозяйственных животных, улучшения качества животноводческой продукции. Организация биологически полноценного кормления высокопродуктивных коров : учебное пособие / М. Т.
Мороз, В. В. Захаров, В. И. Саморуков. — Санкт-Петербург : СПбГАУ, 2023. — 110 с.
Показатели качества шпика молодняка свиней различных сдаточных масс / А. С. Петрушко, Д. Н. Ходосовский, А. А. Хоченков [и др.] // Животноводство и ветеринарная медицина. – 2023. – № 3(50). – С. 8-12. – EDN LOVOYI.
Уткин, А. А. Механизированные системы кормления свиней / А. А. Уткин. – Подольск :
Всероссийский научно-исследовательский институт механизации животноводства
РАСХН, 2011. – 226 с. – EDN SGCTDB.
Laudon, K. C., & Laudon, J. P. (2019). "Management Information Systems: Managing the Digital Firm."
Wang, S.; Jiang, H.; Qiao, Y.; Jiang, S.; Lin, H.; Sun, Q. The Research Progress of VisionBased Artificial Intelligence in Smart Pig Farming. Sensors 2022, 22, 6541.
https://doi.org/10.3390/s22176541
Зеленова Е.Н., Благовещенский И.Г., Зуева Ю.В., Благовещенский В.Г., Мокрушин С.А.,
Носенко А.С. Разработка информационно- логической модели / В сборнике: Роговские
чте-ния. Секция "Автоматизация технологических процессов и производств". Сборник
докладов научно-практической конференции с международным участием. Курск, 2023.
С. 266-273.

Автоматизированные системы управления биотехнологическими процессами

10. Благовещенский В. Г. Интеллектуальный анализ данных для систем поддержки принятия решений диагностики процессов производства пищевой продукции/ Благовещенский
В. Г. // Сборник научных статей П международной научно- практической конференции
«Цифровизация агропромышленного комплекса». Тамбов: Издательский центр ФГБОУ
ВО «ТГТУ». 2020. Том I. С.105-110.
11. Благовещенский В. Г. Использование методов визуальной корреляции для анализа данных от различных источников // Сборник научных статей П международной научнопрактиче-ской конференции «Цифровизация агропромышленного комплекса». Тамбов:
Издательский центр ФГБОУ ВО «ТГТУ». 2020. Том I. С.87-92.
12. Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
13. Благовещенский И.Г., Благовещенский В.Г. Нейронные сети в информационно- управляющих системах. Курск. 2025.
14. Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.
15. Благовещенский И.Г., Ребус Н.А. Автоматизированный сбор информации для улучшения моделирования сложных систем в пищевой промышленности / В сборнике: Фабрика
будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов IV Международной специализированной конференции-выставки.
Москва, 2023. С. 164-172.
УДК 004.89:664.1
В.Г. Благовещенский1, И.Г. Благовещенский1, И.В. Кротов2, М.М. Благовещенская2
1
МИРЭА - Российский технологический университет
2
Российский биотехнологический университет

АВТОМАТИЗАЦИЯ ПРОЦЕССА ПРИГОТОВЛЕНИЯ
МАРМЕЛАДНОЙ МАССЫ
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская АВТОМАТИЗАЦИЯ ПРОЦЕССА ПРИГОТОВЛЕНИЯ МАРМЕЛАДНОЙ МАССЫ

Аннотация. В работе показана важность автоматизации контроля качества мармеладных масс. Исследованы особенности технологического процесса этого производства как объекта автоматизации. Приведены основные стадии данного производства. Представлена разработанная функциональная схема автоматизации производства мармеладных масс. Описана
работа этой схемы.
Ключевые слова: функциональная схема автоматизации, контроль и управление, показатели качества, мармеладные массы.

Кондитерская промышленность является важной отраслью пищевой индустрии [1 – 3]. Эта отрасль относится к наиболее динамично развивающимся в
пищевой промышленности [4]. Российский кондитерский рынок является одним из самых больших [5, 6]. Для него эффективное развитие связано с особенностями данной отрасли и теми внешними и внутренними факторами, в кото-

22 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

рых она функционирует, прежде всего, с растущим спросом населения на кондитерскую продукцию и конкурентным потенциалом отрасли в условиях жесткой конкуренции на рынке [7].
К наиболее популярным из всех разновидностей кондитерских изделий
относится мармелад [8]. Главной особенностью этих конфет является наличие
натуральных веществ, а также простота их изготовления [10].
В отличие от других сладостей мармелад является более полезным, что
достигается благодаря содержанию в его составе пектина [11]. Пектин – природный полисахарид, он способствует выводу солей тяжелых металлов и токсинов, то есть способствует очищению организма от шлаков. При приготовлении мармелада иногда добавляют агар, это продукт, получаемый из красных и
бурых водорослей, который еще больше увеличивает пользу мармелада [12].
К основным видам мармелада относят фруктово-ягодный и желейный,
которые обладают студнеобразной структурой, и поэтому выделяются высокой
усвояемостью, ценными вкусовыми и диетическими свойствами [13]. Для создания мармеладных изделий широко применяют фруктово-ягодные припасы,
для получения более насыщенных вкусовых показателей. Данная продукция
содержит небольшое количество воды (15-25%), в отличие от свежих ягод и
фруктов (75-90%), и значительное количество сахара (до 60-75% против природных плодов 5-15%).
В процессе приготовления мармеладных изделий добавляют минеральные и азотистые вещества, пищевые кислоты, сахар, которые входят в состав
натуральных плодов, а также соединения, придающие им характерный аромат.
Такие качественные показатели зависят от применяемой технологии, основное
влияние оказывают интенсивность и продолжительность тепловой обработки
[14].
Основными стадиями технологического процесса производства мармеладной массы являются:
- Подготовка сырья к производству: хранение сахара, патоки, пектина, заготовок (эмульсия из кислоты, фруктовая эссенция, яблочное пюре, пищевые
красители, соли-модификаторы); фильтрование жидких компонентов, подготовка питьевой воды.
- Приготовление пектино-сахарной смеси: дозирование яблочного пюре,
воды и пектина, набухание пектина вводе, смешивание и уваривание пектина
до полного растворения, добавление лактата натрия для управления процессом
гелеобразования.
- Приготовление пектино-сахаро-паточного сиропа: добавление сахарапеска, патоки, растворение компонентов, уваривание сиропа до содержания сухого вещества 76,5±1%.
- Приготовление мармеладной массы: добавление в сироп эмульсии из
кислоты, красителя и фруктовой эссенции, перемешивание мармеладной массы
и дальнейшая её подача в бункер мармеладо-отливочной машины.
Все стадии производства очень важны для получения готовой продукции
необходимого качества. Немаловажным является автоматизация всех этапов

Автоматизированные системы управления биотехнологическими процессами

производства мармеладной массы, что позволит повысить качество ведения
технологического процесса и снизит расходы. Центральной задачей автоматизации производства мармелада является создание и управление высокоинтенсивными технологическими процессами и средствами производства, что позволит повысить качество ведения технологического процесса, снизит расходы, в
том числе за счет уменьшения ручного труда и количества обслуживающего
персонала. Для решения этих задач необходимы конкретные знания данного
производства как объекта автоматизации, все используемые в производстве
технологии, а также знание применяемых технических средств автоматизации,
принципов и методов управления [15].
Обзор и анализ работ в данной сфере показал, что в настоящее время автоматизация производства мармелада базируется на развитии локальных систем автоматизации, входящих в эту линию аппаратов, агрегатов, установок,
реализующих для этих технологических процессов функции автоматического
контроля и сигнализации, автоматического регулирования, автоматического
пуска и остановки технологического оборудования, автоматической защиты.
В ходе исследования производства мармеладных масс как объекта автоматизации была разработана функциональная схема автоматизации (ФСА) процесса приготовления этих масс (рисунок 1). Схемой предусматривается:
- автоматизация подачи основных рецептурных компонентов в промежуточные
сборники;
- автоматическое дозирование веществ в варочный котел;
- контроль основных параметров влияющих на ход технологического процесса,
а так же их стабилизация;
- автоматическая защита, предохраняющая действующее оборудование от аварий и блокировка в случае необходимости работы этого оборудования.
Контроль уровней продуктов осуществляется посредством электронных
сигнализаторов уровня, которые управляют насосами и клапанами. Предусмотрена возможность перехода на ручное управление, как клапанами, так и насосами.
Температура в промежуточном сборнике воды, котле и в варочном аппарате контролируется с помощью датчиков температуры, которые установлены
на щите управления. Регулирование температуры осуществляется посредством
исполнительного механизма подачи греющего пара, который имеет ручное и
автоматическое управление.
Стабилизация давления греющего пара в змеевиковом варочном аппарате осуществляется посредством электроконтактного манометра, управляющего
клапаном с электрическим исполнительным механизмом, который установлен
на линии подачи пара в аппарат.
Массу сахара- песка, подаваемого в варочный котел, контролируют электронные весы, оборудованные показывающим прибором массы продукта, с
контактным сигнализирующим устройством, установленным по месту.

24 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис. 1. ФСА процесса приготовления мармеладных масс

Расход компонентов автоматически контролируется с помощью индукционных расходомеров, вторичные приборы которых регистрируют показатели
расхода веществ, подаваемые в варочный котел.
Проведенный анализ линии производства мармелада, как объекта управления, позволил сформулировать требования к системе автоматизации процесса
приготовления мармеладной массы. Она должна обеспечивать выполнение следующих функций:
Измерение
- уровня сырья в накопительных ёмкостях, рецептурном сборнике пектина;
- температуры в сборнике воды, в котле и в змеевиковом варочном аппарате;
- давления греющего пара;
- расхода патоки, яблочного пюре, горячей воды;
- массы сахара-песка.
Регистрацию:
- уровня сырья в накопительных ёмкостях;
- температуры в сборнике воды, в котле и в змеевиковом варочном аппарате;

Автоматизированные системы управления биотехнологическими процессами

- давления греющего пара;
- расхода продуктов.
Регулирование:
- температуры в котле и в варочном аппарате;
- давления греющего пара;
- расхода продуктов;
Управление:
- приводами электродвигателей мешалок, дозаторов, оборудованием для набухания пектина и смешивания компонентов входящих в рецептуру;
- насосами;
- положением запорных и отсекающих клапанов трубопроводов;
- конвейером доставки сахара-песка.
Сигнализацию:
- положений запорных и отсекающих клапанов;
- работы электродвигателей входящих в состав линии машин, аппаратов, устройств;
- работы насосов;
- предельных значений уровня сырья в накопительных ёмкостях;
- предельных значений давления греющего пара;
- предельных значений массы сахара-песка.
Для автоматизации линии приготовления мармеладных масс предусмотрен микропроцессорный комплекс (МПК), поскольку использование высокоэффективных интеллектуальных информационно-управляющих систем является в настоящее время магистральным направлением повышения эффективности
эксплуатации оборудования на предприятиях [16]. Сигналы для МПК дифференцированы на входные и выходные; кроме этого очевиден характер сигнала аналоговый (А) и дискретный (Д). В управляющую часть схемы автоматизации
линии входят исполнительные устройства, преобразователи, модули распределённого сбора информации, контроллеры.
Данная схема автоматизации разработана с учетом рецептурных правил
для производства мармеладной массы с использованием пектина. Это позволяет
производить конкурентоспособную продукцию на основе желеобразующего
вещества пектина, с получением стабилизации технологических и качественных показателей продукции, повышением эффективности оперативного управления, обусловленное увеличением информационного обеспечения за контролем производства, а также уменьшение количества выполняемых технологических функций персоналом за счёт автоматизации производственного процесса.
Следовательно, можно сделать вывод, что автоматизация позволяет повысить производительность труда, оптимизировать процессы управления,
улучшить качество продукции за счет более тщательного контроля над производственным процессом, а также отстранить человека от производств, опасных
для здоровья и сократить количество отходов для уменьшения вредных факторов негативно влияющих на природу.

26 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
Список литературы
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
2. Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
3. Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция
создания интеллектуальной экспертной системы контроля качества пищевой продукции /
М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Пищевая промышленность. 2017. №11. – С.60 - 63.
4. Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.
5. Благовещенский И.Г., Назойкин Е.А., Татаринов А.В. Основы создания экспертных систем контроля качества пищевых продуктов с использованием интеллектуальных технологий // Пищевая промышленность, №4 , 2017.
6. Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Кротов И.В. Перспективы
использования микропроцессорных программируемых и интеллектуальных систем
управления в производстве пищевых изделий. В сборнике: Фабрика будущего: переход
к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов
V Международной конференции. Курск, 2024. С. 156-161.
7. Благовещенский В.Г., Благовещенский И.Г., Шкапов П.М., Быстров Д.И., Рожков В.Е.
Использование интеллектуальных технологий как фактора повышения качества и безопасности производства продукции при решении задач автоматизации. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным
технологиям, роботизированным системам для отраслей пищевой промышленности.
сборник научных докладов V Международной конференции. Курск, 2024. С. 63-68.
8. Благовещенский В.Г. Методологические основы автоматизации контроля органолептических показателей качества кондитерской продукции и создание на их базе интеллектуальных систем управления: Монорафия / В.Г. Благовещенский. Курск, 2024.
9. Благовещенский И.Г., Благовещенский В.Г., Кротов И.В., Благовещенская М.М. Автоматизированные системы мониторинга процессов производства пищевых продуктов на основе WEB-технологий. В сборнике: Фабрика будущего: переход к передовым цифровым,
интеллектуальным производственным технологиям, роботизированным системам для
отраслей пищевой промышленности. сборник научных докладов V Международной
конференции. Курск, 2024. С. 93-98.
10. Реологические показатели качества современной кондитерской продукции. Благовещенский В.Г., Благовещенский И.Г., Кротов И.В. Свидетельство о регистрации базы данных
RU 2024626158, 19.12.2024. Заявка № 2024625798 от 29.11.2024.
11. Органолептические показатели качества современной кондитерской продукции. Благовещенский В.Г., Кротов И.В., Благовещенский И.Г. Свидетельство о регистрации базы
данных RU 2024625642, 02.12.2024. Заявка № 2024625359 от 16.11.2024.
12. Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.
1.

Автоматизированные системы управления биотехнологическими процессами

13. Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
14. Ребус Н.А., Благовещенский И.Г. Проблемы внедрения интеллектуальных систем на
предприятии. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 271-277.
15. Благовещенский В. Г. Интеллектуальный анализ данных для систем поддержки принятия решений диагностики процессов производства пищевой продукции/ Благовещенский
В. Г. // Сборник научных статей П международной научно- практической конференции
«Цифровизация агропромышленного комплекса». Тамбов: Издательский центр ФГБОУ
ВО «ТГТУ». 2020. Том I. С.105-110.
16. Благовещенский В. Г. Использование методов визуальной корреляции для анализа данных от различных источников // Сборник научных статей П международной научнопрактической конференции «Цифровизация агропромышленного комплекса». Тамбов:
Издательский центр ФГБОУ ВО «ТГТУ». 2020. Том I. С.87-92.
УДК 664.1:62-51
В.Г. Благовещенский1, И.Г. Благовещенский1, И.В. Кротов2, М.М. Благовещенская2
1
МИРЭА - Российский технологический университет
2
Российский биотехнологический университет

28 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

компонентов, которые, в свою очередь, используются как средство реализации
для производства мармелада [4 – 8]. Получение оптимального результата функционирования производства осуществляется посредством подбора технологических и режимных параметров, которые можно получить методом имитационного моделирования, что позволит производить больше мармелада высокого
качества за более короткое время, поскольку можно подобрать наиболее оптимальные параметры, способные максимально эффективно использовать ресурсы предприятия для производства данной продукции.
Для построения мультиагентной имитационной модели процессов производства мармелада были использованы данные проведенных исследований ТП
производства мармелада, приведенные в наших работах [9 - 12], а также были
использованы объекты библиотеки моделирования потоков.
Основными автоматизированными процессами в данном производстве
являлись: автоматизация подачи рецептурных компонентов в промежуточные
сборники сырья; автоматическое дозирование компонентов в варочный котел
для производства желейных мармеладных масс; контроль параметров, влияющих на ход ТП, а также их стабилизацию; автоматическая защита, предохраняющая оборудование от аварий и блокировка в случае необходимости [13 –
15].
На рисунке 1 представлена мультиагентная имитационная модель ТП
производства мармеладных конфет.

РАЗРАБОТКА МУЛЬТИАГЕНТНОЙ ИМИТАЦИОННОЙ МОДЕЛИ
ПРОИЗВОДСТВА МАРМЕЛАДА С ИСПОЛЬЗОВАНИЕМ ANYLOGIC
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская РАЗРАБОТКА МУЛЬТИАГЕНТНОЙ ИМИТАЦИОННОЙ МОДЕЛИ ПРОИЗВОДСТВА
МАРМЕЛАДА С ИСПОЛЬЗОВАНИЕМ ANYLOGIC

Аннотация. Статья посвящена разработке мультиагентной имитационной модели с помощью среды ПО AnyLogic для идентификации линии производства мармелада. Показано,
что производство мармелада представляет собой одну из важнейших отраслей кондитерской
промышленности РФ. Разработана имитационная модель производства мармелада в
AnyLogic, позволяющая четко и структурированно отобразить данное производство, прогнозировать качество выпускаемой продукции, а также оценить показатели работы линии в целом, определить ее слабые стороны и оптимизировать ход процессов этого производства.
Это, в свою очередь, способствует определению направлений повышения (без дополнительных трудовых и материальных затрат) технико-экономической эффективности анализируемого производства. Сделан вывод о целесообразности применения методов имитационного
моделирования для нахождения оптимального критерия качества выпускаемой продукции.
Ключевые слова: имитационное моделирование, производство мармелада, технологический процесс, оптимизация параметров модели, AnyLogic.

Для анализа процесса производства мармеладных конфет была разработана мультиагентная имитационная модель процесса производства мармелада
на основе применения агентного моделирования с использованием ПО
AnyLogic [1–3].
Исследование и анализ ТП производства мармелада показали, что современные ТП производства данных конфет, представляет собой совокупность
технологического оборудования, предназначенного для обработки рецептурных

Рис. 1. Мультиагентная имитационная модель ТП
производства мармеладных конфет

Автоматизированные системы управления биотехнологическими процессами

Первый объект Fluid Source (создает поток). Позволяет отследить количество используемого сырья за единицу времени.
В модели производства мармеладных конфет имеются следующие имена:
Pectin, Water, Applesauce, Molasses, Sugar, Fluid1 (эмульсия из кислоты), Fluid2
(фруктовая эссенция), Fluid3 (краситель).
Объект Tank, накапливает вещество до уровня вместимости, опционально
задерживает, к примеру, обрабатывает его определенное время, после чего выпускает. В модели процесса производства мармеладных конфет этот объект играет роль рецептурного сборника сырья.
Объект Bulk Conveyor является имитацией конвейера для транспортировки веществ. В модели служит для транспортировки пектина и сахара-песка.
Mix Tank, создает смесь из веществ, поступающих из разных источников,
количеством до пяти штук, опционально задерживает (обрабатывает) полученную смесь в течение определенного времени, после чего выпускает. Пропорции
веществ в смеси можно определить, указав объем каждого вещества, либо указав общий объем и доли компонентов. Скорость потока на входе не ограничена,
скорость потока на выходе можно опционально ограничить. Новая смесь начнет накапливаться только после того, как предыдущая полностью покинула
блок. Изначально резервуар пуст. В модели данный объект имеет следующие
имена: mixComponents (пектинорастворитель), Boiler (котел), mixMarmalade
(емкость для смешивания компонентов).

30 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ров (speedConveyor) в зависимости от заданных параметров длины конвейера
(lengthConveyor).
Параметры запуска представлены на рисунке 2.

Рис. 3. Стандартный формат воспроизведенной модели

Параметры запуска осуществляют функции условий регулирования длины конвейера и его скорости. В зависимости от длины конвейера, подбирается
наиболее актуальная скорость для корректной реализации моделируемого процесса. Прежде чем воспроизвести модель, предоставляется возможность изменения длины конвейеров для сахара-песка и пектина, что, в свою очередь, позволяет изменить скорость дозирования веществ, перед началом симуляции
производства. На рисунке 3 показан стандартный формат воспроизведенной
модели.
На рисунке 4 изображена та же модель на основе библиотеки моделирования потоков ПО AnyLogic, реализованная в виде двумерной графики, с описанием основных задач производства.

Рис. 2. Параметры запуска

Блок Fluid To Agent преобразует партии жидкости или объемного вещества в агенты (дискретные элементы).
Fluid Dispose, принимает входящий поток и устраняет его (удаляет из
системы). Является стандартным завершающим блоком в диаграмме процесса
Библиотеки Моделирования Потоков. Принимает поток любой скорости.
myAgent – агент, предназначенный для регулирования времени задержки
дозируемых компонентов в объекте Tank с помощью параметров Time. Также
позволяет применять функции, регулирующие переменные скорости конвейе-

Рис. 4. Модель производства мармелада в формате двумерной графики

Автоматизированные системы управления биотехнологическими процессами

Агент регулировщик производственного процесса
Для регулирования параметров производства, которые могут прямо повлиять на качество функционирования ТП производства мармелада, служит
специальный агент регулировщик. Данный агент представляет собой набор параметров, описывающих необходимые функции реализации. Такие функции
предназначены для корректного регулирования параметров модели с целью моделирования различных ситуаций, которые могут возникнуть при использовании оборудования.
На рисунке 5 изображены свойства агента регулировщика и его визуализация для презентации в двумерной и трехмерной модели. Основными переменными, подверженными регулированию, как в процессе моделирования, так
и перед его началом, являются: скорость конвейера, длина конвейера, реализуемые для транспортировки пектина и сахара песка, а также время задержки
для дозирования компонентов, используемых при приготовлении мармелада.

32 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

сырья в процессе производства. Это поможет провести тесты временных характеристик модельного времени для принятия решений, направленных на сбалансированный ход производственных циклов.
Для регулирования времени дозирования рецептурных компонентов продукта, предназначен временной параметр. Он используется как имитация автоматизированной подачи компонентов между объектами системы, при определенных условиях, отвечающих за ход процесса.
Функция, используемая агентом имитационной модели, предназначена
для регулирования параметра скорости конвейеров относительно их длины. Такая функция необходима для корректного протекания процесса в модели после
её запуска и служит защитой от ошибок, при изменении различных параметров,
связанных со скоростью протекания автоматизированного процесса производства мармеладных конфет.
На рисунке 7 представлена визуализация результатов моделирования.

Рис. 5. Содержание агента регулировщика

На рисунке 6 представлены параметры, значения которых контролируются двумя функциями. Также в процессе воспроизведения модели предоставлена
возможность отслеживать значения каждого параметра и объекта, используемого при моделировании (функции агента).

Рис. 6. Параметры и функции агента

Параметр размерности представляет собой длину конвейера, представленного в метрах, как единица измерения, поддающаяся регулированию. Параметр скорости предназначен для возможности регулирования транспортировки

Рис. 7. Визуализация результатов моделирования

Статистические данные, представленные на рисунке 7 отражают информацию о состоянии объектов mixComponents (компоненты в пектинорастворителе), Boiler (пектино-сахаро-паточный сироп в котле), mixMarmalade (приготовление мармеладной массы). Контроль над количеством созданных агентов,
представляющих собой конфеты мармелада, осуществляет график, показывающий данные о количестве готового продукта, произведенного за один цикл, и
столбиковая диаграмма, необходимая для отображения общей суммы ранее
произведенного продукта. Также для контроля срока производства готовой
продукции, необходимо отслеживать временные показатели основных этапов
изготовления используемого сырья. Для осуществления такой цели был реализован график, который отображает затрачиваемое время на производство мармеладной массы (оранжевый цвет) и время, затрачиваемое на формование кон-

Автоматизированные системы управления биотехнологическими процессами

фет (бордовый цвет). Использование статистических данных позволяет на их
основе регулировать временные параметры, осуществляющие правильное протекание работы модели, с целью уменьшения возникновения возможных задержек.
Для разработки имитационной модели производства мармелада были затронуты основные характеристики, напрямую влияющие на качество проводимых технологических этапов и получения результата конечного продукта в целом. Подбор оптимальных значений для изготовления мармеладных конфет
осуществляет агент регулировщик, способный изменять параметры модели для
извлечения наиболее оптимальных вариантов функционирования исследуемой
системы. Таким образом результатами моделирования процесса производства
мармелада являются:
 созданная модель, на основе объектов библиотеки моделирования потоков, с полным содержанием параметров, отражающих объемы производства
мармеладных конфет;
 в модели отражены и реализованы все основные этапы производства,
начиная с подбора оборудования до рецептурных компонентов производимой
продукции;
 модель построена на мультиагентном методе моделирования, представляя собой набор агентов, которые описывают рецептурные компоненты
производственного процесса, регулируемые параметры и готовую продукцию;
 создан агент регулировщик, с помощью которого можно изменять параметры производства, как в процессе проигрывания модели, так и непосредственно перед её запуском;
 реализовано визуальное представление модели на основе двумерной
графики с подробным описанием этапов изготовления продукции;
 получены результаты моделирования в виде статистических данных,
отображающие динамику поведения модели;
 на основе полученных данных произведен анализ этапов производства
и даны рекомендации по улучшению функционирования автоматизированных
процессов производства мармелада.
Разработанная мультиагентная имитационная модель процесса производства мармелада позволяет виртуально воспроизвести процесс производства
этих конфет для проведения исследований, направленных на детальный разбор
основных этапов изготовления продукции, контроль изменчивости параметров,
влияющих на конечный результат, постановку новых оптимальных технологических решений и формулирование задач по эксплуатации автоматизированной
системы, реализуемой в кондитерской промышленности.
1.

Список литературы
Благовещенский И.Г., Благовещенский В.Г., Мокрушин С.А., Игольников А.О., Благовещенская М.М. Применение WEB-технологий для создания автоматизированных систем мониторига производства пищевых продуктов. В сборнике: РОГОВСКИЕ ЧТЕНИЯ.

34 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
сборник докладов научно-практической конференции с международным участием.
Курск, 2023. С. 121-125.
2. Благовещенский И.Г., Благовещенский В.Г., Тихонов А.В., Киселев С.В., Крот О.А. Алгоритмизация цифрового проектирования оборудования промышленной линии по производству конфет «Птичье молоко» / В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным
системам для отраслей пищевой промышленности. Сборник научных докладов IV Международной специализированной конференции-выставки. Москва, 2023. С. 138-144.
3. Яблоков, А.Е. Благовещенский И. Г. Научно-практические основы создания автоматизированных систем технического мониторинга и диагностики оборудования зерноперерабатывающих предприятий на базе нейросетевых методов анализа данных: Монография.
Курск, -М.:, 2022. 221 c.
4. Благовещенский В.Г. Использование цифровой симуляции для автоматического распознавания бракованных изделий. В сборнике: Фабрика будущего: переход к передовым
цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V Международной конференции. Курск, 2024. С. 23-26.
5. Благовещенский И.Г., Ребус Н.А. Автоматизированный сбор информации для улучшения моделирования сложных систем в пищевой промышленности / В сборнике: Фабрика
будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов IV Международной специализированной конференции-выставки.
Москва, 2023. С. 164-172.
6. Головин В.В., Благовещенский В.Г., Благовещенский И.Г., Киселев С.В., Сюндюков А.В.
Основные направления разработки информационных компьютерных моделей для цифровизации производства пищевых предприятий. В сборнике: Фабрика будущего: переход
к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов IV Международной специализированной конференции-выставки. Москва, 2023. С.
199-208.
7. Благовещенская М.М., Благовещенский В.Г., Краснов А.Е., Благовещенский И.Г., Холопов В.А., Попов А.С. Анализ особенностей использования систем искусственного интеллекта а решении задач автоматизации контроля и управления качеством производства
кондитерской продукции / В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова. Курск, 2023. С. 20-27.
8. Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Осташов П.И., Благовещенская М.М. Цифровизация производства пищевых продуктов / В сборнике: РОГОВСКИЕ
ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 262-270.
9. Зеленова Е.Н., Благовещенский И.Г., Зуева Ю.В., Благовещенский В.Г., Мокрушин С.А.,
Носенко А.С. Разработка информационно- логической модели / В сборнике: Роговские
чтения. Секция "Автоматизация технологических процессов и производств". cборник
докладов научно-практической конференции с международным участием. Курск, 2023.
С. 266-273.
10. Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.

Автоматизированные системы управления биотехнологическими процессами

11. Благовещенский В.Г., Краснов А.Е., Баженов Е.И., Благовещенская М.М., Мокрушин
С.А.// Применение нейросетевых технологий для управления качеством кондитерских
изделий в процессе производства/ Благовещенский В.Г., Краснов А.Е., Баженов Е.И.,
Благовещенская М.М., Мокрушин С.А.//Системы управления и информационные технологии. 2021. № 3 (85). С. 37-41.
12. Благовещенский В. Г. Интеллектуальный анализ данных для систем поддержки принятия решений диагностики процессов производства пищевой продукции/ Благовещенский
В. Г. // Сборник научных статей П международной научно- практической конференции
«Цифровизация агропромышленного комплекса». Тамбов: Издательский центр ФГБОУ
ВО «ТГТУ». 2020. Том I. С.105-110.
13. Благовещенский В.Г. Разработка концептуальной структурно- динамической модели интеллектуальной системы управления качеством пищевой продукции. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным
технологиям, роботизированным системам для отраслей пищевой промышленности.
сборник научных докладов V Международной конференции. Курск, 2024. С. 26-29.
14. Благовещенский В. Г. Использование методов визуальной корреляции для анализа данных от различных источников // Сборник научных статей П международной научнопрактической конференции «Цифровизация агропромышленного комплекса». Тамбов:
Издательский центр ФГБОУ ВО «ТГТУ». 2020. Том I. С.87-92.
15. Благовещенский В.Г. Методологические основы автоматизации контроля органолептических показателей качества кондитерской продукции и создание на их базе интеллектуальных систем управления: Монорафия / В.Г. Благовещенский. Курск, 2024.
УДК 65.01.85.664
В.Г. Благовещенский1, И.Г. Благовещенский1,
И.В. Кротов2, М.М. Благовещенская2, М.В. Веселов3
1
МИРЭА - Российский технологический университет
2
Российский биотехнологический университет
3
Холдинг «Объединенные кондитеры»

АНАЛИЗ ОСОБЕННОСТЕЙ ИСПОЛЬЗОВАНИЯ МЕТОДОВ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РЕШЕНИИ ЗАДАЧ
АВТОМАТИЗАЦИИ ПРОИЗВОДСТВА КОНДИТЕРСКОЙ ПРОДУКЦИИ
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская, М.В. Веселов АНАЛИЗ ОСОБЕННОСТЕЙ ИСПОЛЬЗОВАНИЯ МЕТОДОВ ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА В РЕШЕНИИ ЗАДАЧ АВТОМАТИЗАЦИИ ПРОИЗВОДСТВА КОНДИТЕРСКОЙ ПРОДУКЦИИ

Аннотация. В работе показана важность автоматизации контроля качества производства кондитерской продукции с использованием интеллектуальных технологий. Изучены особенности технологических процессов этих производств. Показана перспективность использования интеллектуальных систем для решения задач автоматизации контроля органолептических показателей качества кондитерских изделий. Приведена классификация интеллектуальных систем. Проведенный анализ интеллектуальных информационных систем позволил
выделить наиболее важные и перспективные направления искусственного интеллекта.
Ключевые слова: анализ методов искусственного интеллекта, автоматизация производства, кондитерская продукция, контроль и управление.

Кондитерская продукция представляет собой сложные многокомпонентные смеси, состояние которой зависит от многих факторов (качества сырья,
технологических параметров процессов производства, режимов работы оборудования, реологических, структурно- механических и органолептических
свойств, квалификации экспертов и работников кондитерских фабрик, типов

36 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

используемого оборудования и т.д.) [1 – 4]. Следует отметить, что в формировании показателей качества готовой кондитерской продукции, кроме отмеченных факторов, большое значение имеют также и материальные потоки. Все это
вызывает колебания технологических параметров процессов производства кондитерских изделий [5 – 7].
Изучение особенностей ТП этих производств показало, что они имеют
неустановившиеся режимы с периодической повторяемостью разных типов
операций, а используемое оборудование (веечные машины, просеиватели, сепараторы, дозаторы, молотковые мельницы, обкаточные машины, охлаждающие,
темперирующие, конширующие машины, формующе-заверточные агрегаты,
установки обжаривания и др.) имеют достаточно однородные установившиеся
режимы [8].
Проблемами управления ТП производства кондитерской продукции также являются: необходимость учета большого числа имеющихся критериев качества; взаимосвязанность этих критериев, целей и других элементов процесса
производства кондитерской продукции; наличие несравнимых альтернативных
решений, имеющих существенные различия в плане функциональных характеристик. Между стадиями производства прослеживается большое количество
взаимосвязей. Указанные обстоятельства являются важными причинами сложности принятия решения [9].
Анализ существующих производств, проведенный на высокоавтоматизированных кондитерских предприятиях России показал, что решение этих проблем непосредственно связано с изучением различных методов, алгоритмов и
классов существующих АСУ, а также интеллектуальных технологий для оценки возможности их практического применения при автоматизации контроля и
управления процессами производства кондитерской продукции.
Оценка возможностей практического применения различных классических
методов, алгоритмов и классов автоматизированных систем для управления ТП
производства кондитерской продукции показала, что на многих предприятиях
более 90% контуров автоматического управления используют ПИД законы регулирования [10]. Столь широкое распространение эти законы регулирования
получили потому, что их внедрение не требует наличия математической модели
процесса. Они эффективны для управления производственными процессами,
математические модели которых сложно разработать. ПИД-контроллеры используют на основе классической теории управления [11]. Но эти контроллеры
имеют и недостатки. Если процессы имеют переменные технологические и режимные параметры, переменные непредсказуемые возмущения, временные задержки и существенные нелинейности, ПИД-контроллеры чувствительны к
возмущениям, требуют подстройки каждый раз, когда изменяется динамика
процесса и поэтому не могут создать оптимальные условия функционирования
системы управления. Поэтому дальнейшим шагом развития адаптивных и самонастраивающихся систем управления явилась разработка экстремальных регуляторов [12]. Однако, несмотря на интенсивные исследования по повышению
эффективности их работы, эти системы не получили широкого распростране-

Автоматизированные системы управления биотехнологическими процессами

ния на действующих объектах, поскольку при их исследовании нарушался нормальный режим работы существующих производственных линий, требовалась
дополнительная затрата энергии на поиски оптимальных решений.
Был проведен анализ оценки возможностей практического применения
беспоисковых самонастраивающихся регуляторов, являющихся основным
классом адаптивных систем, для внедрения их на линиях производства различной кондитерской продукции. Однако практическое использование данных систем адаптивного управления в производственных линиях кондитерских предприятий получило значительное число критических оценок специалистов этих
фабрик. Обзор и анализ традиционных методов адаптивного управления, подробно описанный в нашей работе [13] показал, что практическое их использование в реальных условиях производства кондитерских изделий для управления
даже одномерными объектами при неконтролируемых возмущениях становится
затруднительным.
Перспективным является подход к решению задач автоматизации на основе использования интеллектуальных систем (рисунок1).
Для многомерных, многоэтапных, многокритериальных динамических
объектов, какими являются линии производства кондитерской продукции,
трудно реализуемые чисто математически, в условиях неопределенности, наиболее эффективны системы, основанные на искусственном интеллекте [14].

Рис.1. Подход к решению задач автоматизации ТП кондитерских
производств на основе использования интеллектуальных систем

Поэтому была поставлена задача изучения методов и технологий искусственного интеллекта для поиска решения вопросов автоматизации контроля и
управления качеством производства кондитерской продукции.
Для решения данной задачи была проведена сравнительная характеристика методов искусственного интеллекта. На рисунке 2 представлена следующая
наиболее эффективная классификация интеллектуальных систем, в которую

38 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

входят: интеллектуальные информационные системы (ИИС); расчетно- логические; гибридные; рефлекторные; нейронные; генетические и мультиагентные
системы [15].

Рис. 2. Классификация интеллектуальных систем

Согласно представленной схеме основными видами интеллектуальных
систем являются:
1. Расчетно-логическая система
К расчетно-логическим системам относят системы, способные решать
управленческие и проектные задачи по декларативным описаниям условий.
Данные системы способны автоматически строить математическую модель
задачи и автоматически синтезировать вычислительные алгоритмы по
формулировке задачи. Эти свойства реализуются благодаря наличию базы
знаний в виде функциональной семантической сети и компонентов
дедуктивного вывода и планирования. Эти системы дают возможность
конечному пользователю решать на компьютере свои задачи, давая их
содержательные описания и определяя значения исходных данных без
программирования процесса решения задачи. Эта технология пригодна для
хорошо структурированных предметных областей.
Функционирование расчетно-логической системы складывается из этапов
создания и работы. На этапе создания ИТ-специалистом формируется описание
предметной области и в виде некоторой аннотации через интерфейс передается
в модуль создания модели, который трансформирует полученное описание в
некоторую БЗ. Для представления знаний используется функциональная
семантическая сеть, которая может формироваться самим пользователем с
помощью специальных входных языков.
На этапе работы пользователь формирует запрос, на решение некоторой
задачи и передает исходные данные для этого. Планировщик на основе модели
предметной области формирует программу для решения задачи, а модуль
решения эту программы выполняет. Результаты решения передаются
пользователю. Для упрощения работы интерфейс может быть выполнен с

Автоматизированные системы управления биотехнологическими процессами

использованием лингвистического процессора. Ключевым блоком является
планировщик решения прикладных задач.
2. Рефлекторная система – одна из видов интеллектуальных систем.
Это система, которая формирует вырабатываемые специальными
алгоритмами ответные реакции на различные комбинации входных
воздействий. Рефлекторные программные системы применяются к следующим
задачам: естественно-языковой доступ к базам данных; оценки
инвестиционных предложений; оценки и прогнозирования влияния вредных
веществ на здоровье населения; прогнозирования результатов спортивных игр и
др.
3. Интеллектуальная информационная система
Интеллектуальная информационная система (ИИС) — это система,
основанная на знаниях. ИИС являются результатом развития обычных
информационных систем (ИС), которые сосредоточили в себе наиболее
наукоемкие технологии с высоким уровнем автоматизации не только процессов
подготовки информации для принятия решений, но и самих процессов
выработки вариантов решений, опирающихся на полученные ИС данные. В
отличие от обычных аналитических и статистических моделей, ИИС позволяет
получить решение трудно формализуемых слабо структурированных задач.
Направленность ИИС на решение слабоструктурированных, плохо
формализуемых задач расширяет область применения ИИС.

Рис. 3. Классификация интеллектуальных информационных систем

Интеллектуальные информационные системы можно классифицировать
по разным основаниям (рисунок 3): по области применения; по степени

40 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

интеграции; по способу и оперативности взаимодействия с объектом; по
адаптивности; по модели представления знаний.
В ИИС имеется возможность непосредственного применения ИИС в
качестве средств поддержки процессов анализа, оценки и принятия решений.
ИИС способны диагностировать состояние ТП, цехов, предприятий,
обеспечивать выбор оптимальных решений по повышению эффективности
производства выпускаемой ими продукции. Примерами таких систем являются
наиболее распространенные экспертные системы, системы интеллектуального
управления, интеллектуальные базы данных, системы когнитивной графики,
самообучающиеся системы, адаптивные информационные системы и др.
4. Гибридная интеллектуальная система (ГИС)
Под гибридной интеллектуальной системой принято понимать систему, в
которой для решения задач управления и проектирования применяется не один,
а нескольких интеллектуальных методов, как правило, из различных классов.
Таким образом, ГИС — это технология искусственного интеллекта (ИИ),
включающего в себя несколько основных направлений, таких как:
аналитические модели; экспертные системы (ЭС); искусственные нейронные
сети (ИНС); системы нечеткой логики (СНЛ); генетические алгоритмы (ГА);
мультиагентные имитационные модели и системы. И др.
В настоящее время активно развиваются направления, являющиеся сочетанием перечисленных направлений, например, генетические нейронные системы, экспертные нейронные системы, генетические экспертные системы и т.п.
5. Генетические алгоритмы
Генетический алгоритм (ГА) — это эвристический алгоритм поиска,
используемый для решения задач оптимизации и моделирования путём
последовательного подбора, комбинирования и вариации искомых параметров.
Отличительной особенностью генетического алгоритма является акцент на
использование оператора «скрещивания», который производит операцию
рекомбинации решений-кандидатов, роль которой аналогична роли
скрещивания в живой природе. ГА служат для решение задач оптимизации и
моделирования путём случайного подбора, комбинирования и вариации
искомых параметров.
ГА предназначен для поиска экстремума сложных функций. Сложность
оптимизируемой функции определяется как количеством переменных, по
которым ведется оптимизация, так и наличием локальных экстремумов.
Поэтому сферы применения ГА разнообразны: аппроксимация функций и
регрессионный анализ; поиск кратчайших путей; комбинаторная оптимизация;
задачи автоматического программирования и тестирования программ;
техническое проектирование; задачи выбора структуры и параметров
искусственных нейронных сетей. Происходящие процессы в промышленности
требуют постоянной оптимизации, а ГА, имеющие в своей основе ее
инструменты, являются перспективными системами для автоматизации ТП
производства кондитерской продукции.
6. Нейронные сети

Автоматизированные системы управления биотехнологическими процессами

Под нейросетью понимается система вычислительных единиц —
искусственных нейронов, функционирующих подобно нейронам мозга живых
существ (рисунок 4). Как и биологические, искусственные нейроны получают и
обрабатывают информацию, после чего передают ее дальше. Взаимодействуя
друг с другом, нейроны решают сложные задачи. Модель НС состоит из
одного или нескольких слоев искусственных нейронов, которые имитируют
работу своих биологических аналогов (нервных клеток). Нейросетевые
технологии являются одним из наиболее перспективных направлений развития
искусственного интеллекта. Они представляют собой математический аппарат,
позволяющий воспроизводить достаточно сложные зависимости. Их
применение целесообразно для решения сложно формализуемых задач, в
которых входные данные слабо взаимосвязаны с выходными.

42 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Базовым понятием, лежащим в основе мультиагентных систем является
понятие агента. Под интеллектуальным агентом понимается активный элемент,
моделирующий поведение человека в процессах обработки информации и
принятия решения. В общем смысле это любой объект, способный действовать
и воспринимать. В соответствии с этим, каждому агенту присущи наборы
сенсоров – то, с помощью чего агент воспринимает, и актуаторов – то, чем
агент воздействует. Агент может воздействовать на других агентов и внешнюю
среду. На все, что окружает агента. Для идентификации и прогнозирования
различных ситуаций в больших системах предлагается агентноориентированная имитация взаимодействия активных элементов –
интеллектуальных агентов, изменяющих
свои свойства и поведение в
зависимости от состояния других элементов и среды.
Проведенный нами анализ интеллектуальных информационных систем
показал, что кроме описанных выше интеллектуальных систем, активно
развиваются также следующие высокоэффективные взаимосвязанные ИС:
робототехника, системы компьютерного зрения, экспертные системы,
технологии виртуальной и дополненной реальностей, технологии интернет
вещей, цифровые двойники и др. Таким образом, одним из наиболее важных и
перспективных направлений искусственного интеллекта являются интеллектуальные информационные системы
1.

Рис. 4. Нейронные сети

Важным свойством НС при решении прикладных задач является
способность к обучению и к обобщению полученных знаний. Натренированная
на ограниченном множестве обучающих выборок, нейронная сеть обобщает
накопленную
информацию
и
вырабатывает
ожидаемую
реакцию
применительно к данным, не обрабатывавшимся в процессе обучения. На
сегодняшний день аппараты искусственных НС и методы их применения
активно развиваются и совершенствуются.
7. Мультиагентные системы
В условиях неопределенности поведения ТП производства кондитерской
продукции для идентификации и прогнозирования различных ситуаций в
больших системах эффективным является использование агентноориентированной имитации взаимодействия активных элементов –
интеллектуальных агентов, изменяющих
свои свойства и поведение в
зависимости от состояния других элементов и среды.

4.
5.
6.

Список литературы
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция
создания интеллектуальной экспертной системы контроля качества пищевой продукции /
М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Пищевая промышленность. 2017. №11. – С.60 - 63.
Благовещенский В.Г. Методологический основы автоматизации контроля органолептических показателей качества кондитерской продукции и создание на их базе интеллектуальных систем управления // Монография. Курск, 2024. С.
Благовещенский И.Г., Благовещенский В.Г. Нейронные сети в информационно- управляющих системах. Курск. 2025.
Благовещенский И.Г., Шибанов Э.Д. Автоматизированная система контроля и управления технологическим процессом пищевой 3D печати шоколадом с использованием системы технического зрения: Монография /И.Г. Благовещенский, Э.Д. Шибанов. Курск,
2024.
Зеленова Е.Н., Благовещенский И.Г., Благовещенская М.М., Мокрушин С.А. Разработка
информационной системы автоматизации процессов закупки пищевого сырья. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышлен-

Автоматизированные системы управления биотехнологическими процессами

10.
11.

12.

13.
14.
15.

ности. сборник научных докладов V Международной конференции. Курск, 2024. С. 149156.
Благовещенская М.М., Аднодворцев А.М., Благовещенский В.Г., Благовещенский И.Г.,
Яценко Е.О. Использование системы компьютерного зрения для создания автоматизированной системы прослеживания готовой пищевой продукции. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 15-19.
Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Кротов И.В. Перспективы
использования микропроцессорных программируемых и интеллектуальных систем
управления в производстве пищевых изделий. В сборнике: Фабрика будущего: переход
к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов
V Международной конференции. Курск, 2024. С. 156-161.
Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.
Благовещенский В.Г., Краснов А.Е., Баженов Е.И., Благовещенская М.М., Мокрушин
С.А.// Применение нейросетевых технологий для управления качеством кондитерских
изделий в процессе производства/ Благовещенский В.Г., Краснов А.Е., Баженов Е.И.,
Благовещенская М.М., Мокрушин С.А.//Системы управления и информационные технологии. 2021. № 3 (85). С. 37-41.
Балыхин М.Г., Благовещенский И.Г., Назойкин Е.А., Благовещенский В.Г. Адаптивная
система управления с идентификатором нестационарными технологическими процессами в отраслях пищевой промышленности // Интеллектуальные системы и технологии в
отраслях пищевой промышленности: материалы научно- практической конференции с
международным участием. М.: Издательский комплекс МГУПП. 2019. С. 32-39.
Благовещенский И.Г. Автоматизированная экспертная система контроля в потоке показателей качества помадных конфет с использованием нейросетевых технологий и систем
компьютерного зрения. // Монография. - М.: Изд-во Франтера, 2017. – 214 с.
Благовещенский В.Г., Благовещенский И.Г. Интеллектуальная автоматизированная система управления качеством халвы с использованием гибридных методов и технологий:
Монография. Курск, 2022. – 158 с.
Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.

44 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
УДК 65.01.85.664
В.Г. Благовещенский1, И.Г. Благовещенский1,
И.В. Кротов2, М.М. Благовещенская2, М.В. Веселов3
1
МИРЭА - Российский технологический университет
2
Российский биотехнологический университет
3
Холдинг «Объединенные кондитеры»

АНАЛИЗ ТП ПРОИЗВОДСТВА ШОКОЛАДА
КАК ОБЪЕКТА АВТОМАТИЗАЦИИ
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская, М.В. Веселов АНАЛИЗ ТП ПРОИЗВОДСТВА ШОКОЛАДА КАК ОБЪЕКТА АВТОМАТИЗАЦИИ

Аннотация. В работе показана важность автоматизации контроля качества производства шоколада с использованием интеллектуальных технологий. Исследованы особенности
технологического процесса этого производства как объекта автоматизации. Приведены основные этапы производства шоколада. Представлены органолептические показатели качества этих изделий и их недопустимые дефекты. Подробно рассмотрен каждый из органолептических показателей и существующие методы их определения. Дана схема производства шоколада с указанием необходимых точек контроля и регулирования.
Ключевые слова: анализ технологического процесса, контроль и управление, производство шоколада, органолептические показатели качества.

Производство шоколадных масс является одним из определяющих процессов приготовления самых разнообразных типов конфет [1- 5]. Шоколад богат железом и магнием.100- граммовая плитка шоколада содержит 70 – 80 %
железа из 67% рекомендуемой суточной нормы его потребления и 58% магния
[6]. Особой популярностью пользуется пористый шоколад [7 – 10].
Первым этапом цифровизации производства шоколада является анализ
ТП этого производства как объекта автоматизации. На рисунке 1 представлена
машинно-аппаратурная схема линии производства шоколада [11].

Рис.1. Машинно-аппаратурная схема линии производства шоколада

Линия работает следующим образом. Какао-бобы выгружают из расходных бункеров 1 и передают конвейером 2 на взвешивание автоматическими ве-

Автоматизированные системы управления биотехнологическими процессами

сами 3. Далее через бункер-питатель 4 бобы поступают в очистительносортировочную машину 5. В ней какао-бобы очищаются от посторонних примесей и сортируются по размерам. Отсортированные какао-бобы выгружают из
машины 5 через магнитный уловитель и норией 6 подают в промежуточный
бункер 7 для передачи на термическую обработку. В обжарочный аппарат 9 какао-бобы подаются питателем 8 из бункера 7. Термическая обработка бобов заключается в их обжаривании горячим воздухом температурой 130…180°С, но
температура самих бобов должна быть не выше 125°С. При таком температурном режиме влажность какао-бобов уменьшается от 6…8 до 2,5…3,0%, увеличивается хрупкость ядра и оболочки (какаовеллы). Происходит отделение какаовеллы от ядра.
В результате обжаривания бобов появляются ароматообразующие вещества, удаляются неприятные летучие кислоты и происходят другие химические
изменения, определяющие цвет, вкус и аромат какао-бобов. Обжаривание различных по размеру и форме какао-бобов и их частей требует разной продолжительности их обработки.
Обжаренные какао-бобы в аппарате 9 подвергаются быстрому охлаждению
до температуры 25…30°С, что увеличивает хрупкость бобов. Далее бобы норией 10 загружаются в дробильно-сортировочную машину 11, в которой они дробятся на кусочки размером от 0,75 до 8 мм. В машине 11 при помощи воздушного потока от крупки отвеивается какаовелла. Из машины 11 какаовелла поступает в циклон 12, затем она выгружается в мешки и отправляется на утилизацию.
Какао-крупка пневмотранспортером подается в расходный бункер 13. Какао-крупка последовательно измельчается на трех мельницах: ударноштифтовой 14, дисковой 75 и шариковой 77. В мельнице 14 крупка подвергается предварительному измельчению и поступает на истирание между дисками
мельницы 75. В ней получается какао тертое, которое насосом 16 нагнетается в
мельницу 17 для тонкого измельчения. Готовая тертая масса собирается в темперирующем сборнике 18, из которого перекачивается насосом в сборник 35
для получения какао-масла и какао-порошка, либо в сборник 19 для производства шоколада.
Какао тертое, предназначенное для получения какао-масла, хранится в
темперирующем сборнике 35 при температуре 85…90°С в течение не менее 8 ч.
В результате многочасового вымешивания и нагревания влажность какао тертого снижается до 1,5%, уменьшается его вязкость и облегчается отделение какао-масла. Из сборника 35 какао тертое насосом перекачивается в дозирующую
емкость 34, из которой по поступает в рабочие камеры 33 гидравлического
пресса 32. Прессование ведут при температуре какао тертого 90… 95°С. Продолжительность прессования от 15 до 20 мин при повышении давления в конце
прессования до 35…45 МПа.
Из темперирующих сборников жидкие компоненты (какао тертое, какаомасло и др.) насосами подаются в дозаторы 47 рецептурно-смесительной установки 52. В дозаторы 50 загружают сахар, сухое молоко и другие сыпучие ком-

46 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

поненты. Сахар подается в виде сахарной пудры с размерами частиц не более
80 мкм. В результате смешивания компонентов получают однородную массу
температурой 35…45°С с пластичной тестообразной консистенцией. Такая масса непрерывно поступает на конвейер 46 и распределяется на мельницы 45. В
процессе измельчения в мельнице 45 наблюдается изменение жидкой консистенции загружаемой рецептурной смеси в порошкообразной продукт.

Рис. 2. Основные стадии процесса производства шоколада

Автоматизированные системы управления биотехнологическими процессами

Измельченная масса ссыпается на движущийся конвейер 43 со стальной
лентой, который направляет продукт на разведение, гомогенизацию и конширование в ротационную коншмашину 41. Продолжительность вымешивания устанавливают в зависимости от типа применяемого оборудования и вида обрабатываемой массы. Далее оттемперированная шоколадная масса подается в агрегат для формования шоколада, состоящий из отливочной машины 57, цепного
конвейера с формами и охлаждающего аппарата 55. Отливочная машина дозируют определенные порции шоколадной массы в жесткие формы. Благодаря
вибрационной обработке форм в течение 3…5 мин шоколад приобретает темный цвет и блестящую поверхность. При низкой температуре воздуха изделие
имеет блестящую зеркальную поверхность. Шоколадные плитки, имеющие
температуру, близкую к температуре воздуха цеха, далее направляют на завертку. Если вышедшая из охлаждающего аппарата плитка шоколада имеет температуру ниже точки росы воздуха в цехе, то поверхность плитки приобретает
неприятный серый налет - сахарное поседение шоколада.
Анализ машинно-аппаратурной схемы линии производства шоколада позволил определить основные стадии, а также технологические и режимные параметры ТП, представленные на рисунке 2.
Проведенные экспериментальные исследования производства шоколада,
подробно описанные в наших работах [12 - 15], позволили разработать функционально-структурную схему (ФСС) влияния технологических и режимных
параметров ТП, а также показателей качества сырья и промежуточных операций, на качество готовых шоколадных масс (рисунок 3).

Рис. 3. ФСС влияния показателей качества сырья и промежуточных операций, на качество
готового шоколада

48 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Были изучены существующие органолептические показатели качества шоколада, контролируемые при его производстве, в соответствии с ГОСТом 653489 «Шоколад. Общие технические условия». На рисунке 4 представлен органолептический профиль шоколада (т.е. профилограмма исследуемых нами образцов шоколада), полученный на основе проведенных исследований.

Рис. 4. Профилограмма органолептической оценки образцов шоколада

Анализ возможности автоматизации контроля наиболее важных показателей качества сырья, полуфабрикатов и готового шоколада, определяемых на
каждой стадии производства шоколада подробно приведен в наших статьях [16
- 19]. Обзор и анализ результатов исследований показал, что существующие в
настоящее время методы оценки качества шоколада субъективны и далеки от
совершенства, поскольку эта оценка осуществляется органолептическим путем.
Успешное решение этой задачи возможно лишь при внедрении в производство
автоматизированных интеллектуальных систем контроля и управления с использованием искусственных нейронных сетей (ИНС), систем компьютерного
зрения (СКЗ), цифровых двойников, виртуальной и дополненной реальности
[20].
На основе полученных результатов была проведена оценка возможности
цифровой трансформации линии производства шоколадных масс. Для решения
этой задачи был использован метод математического моделирования с применением теории графов, подробно описанный в наших статьях. Этот метод позволил определить показатели асимметричности Кас, поточности Кпот. и Кск., характеризующие поточность и прогрессивность исследуемой линии производства шоколада:
Кас = 0,1547; Кпот = 0,8453 и Кск. = 0,3714
Полученные результаты расчетов показали, что данная схема имеет коэффициент поточности и коэффициент собственных контуров Кпот  Кпот.теор. =
0,655 и Кск Кск.теор. = 0,500. Это позволяет сделать вывод о достаточно хорошей
поточности и прогрессивности используемой схемы производства и перспективности цифровой трансформации ТП производства шоколада.
В соответствии с полученными результатами исследований и их анализом
была разработана функционально- структурная схема (ФСС) с указанием необходимых точек контроля и управления основными технологическими и режим-

Автоматизированные системы управления биотехнологическими процессами

ными параметрами процесса производства шоколада на всех его стадиях (рисунок 5).

50 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
4.
5.
6.

9.
Рис. 5. ФСС ТП производства шоколада с указанием
необходимых точек контроля и регулирования

Проведенный анализ ТП производства шоколада как объекта автоматизации, исследование всех стадий этого производства, выявление основных технологических и режимных параметров, а также разработка ФСС ТП производства
шоколада с указанием необходимых точек контроля и регулирования являются
основой разработки автоматизированных интеллектуальных систем контроля и
управления качеством шоколада. Создание такой системы позволит: непрерывно, в потоке контролировать показатели качества в течение всего ТП; обеспечить стабильность производства шоколада; существенно уменьшить уровень
брака, снизить потери рабочего времени, сырья и энергии, повысить качество
готовой продукции.
1.

10.

11.
12.

13.
14.
15.
16.

Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.
Благовещенский И.Г., Назойкин Е.А., Татаринов А.В. Основы создания экспертных систем контроля качества пищевых продуктов с использованием интеллектуальных технологий // Пищевая промышленность, №4, 2017.
Благовещенский В.Г., Краснов А.Е., Баженов Е.И., Благовещенская М.М., Мокрушин
С.А.// Применение нейросетевых технологий для управления качеством кондитерских
изделий в процессе производства/ Благовещенский В.Г., Краснов А.Е., Баженов Е.И.,
Благовещенская М.М., Мокрушин С.А.//Системы управления и информационные технологии. 2021. № 3 (85). С. 37-41.
Благовещенский В. Г. Интеллектуальный анализ данных для систем поддержки принятия решений диагностики процессов производства пищевой продукции/ Благовещенский
В. Г. // Сборник научных статей П международной научно- практической конференции
«Цифровизация агропромышленного комплекса». Тамбов: Издательский центр ФГБОУ
ВО «ТГТУ». 2020. Том I. С.105-110.
Благовещенский В. Г. Использование методов визуальной корреляции для анализа данных от различных источников // Сборник научных статей П международной научнопрактической конференции «Цифровизация агропромышленного комплекса». Тамбов:
Издательский центр ФГБОУ ВО «ТГТУ». 2020. Том I. С.87-92.
Носенко С.М., Благовещенский И.Г., Шаверин А.В., Благовещенская М.М. Автоматизация контроля показателей вкуса шоколадных изделий с использованием интеллектуальных технологий. // Кондитерское и хлебопекарное производство, №10, 2017.
Балыхин М.Г., Благовещенский И.Г., Назойкин Е.А., Благовещенский В.Г. Адаптивная
система управления с идентификатором нестационарными технологическими процессами в отраслях пищевой промышленности // Интеллектуальные системы и технологии в
отраслях пищевой промышленности: материалы научно- практической конференции с
международным участием (Москва, 15 – 18 октября, 2019 г.). М.: Издательский комплекс
МГУПП. 2019. С. 32-39.
Благовещенская М. М., Благовещенский И.Г., Назойкин Е.А. Методика автоматической
оценки качества пищевых изделий на основе теории искусственных нейронных сетей //
Пищевая промышленность. 2015. №7. С. 42 - 49.
Петряков А.Н., Благовещенская М.М., Благовещенский В.Г., Крылова Л.А. Применение
методов объектно- ориентированного программирования для контроля показателей качества кондитерской продукции // Кондитерское и хлебопекарное производство. 2018. №
5-6, С. 21-23.
Благовещенский И.Г. Автоматизированная экспертная система контроля в потоке показателей качества помадных конфет с использованием нейросетевых технологий и систем
компьютерного зрения. // Монография. - М.: Изд-во Франтера, 2017. – 214 с.
Носенко С.М., Благовещенский И.Г., Шаверин А.В., Благовещенская М.М. Автоматизация контроля показателей вкуса шоколадных изделий с использованием интеллектуальных технологий. // Кондитерское и хлебопекарное производство, №10, 2017.
Благовещенский В.Г., Благовещенский И.Г. Интеллектуальная автоматизированная система управления качеством халвы с использованием гибридных методов и технологий:
Монография. Курск, 2022. – 158 с.
Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.

Автоматизированные системы управления биотехнологическими процессами

17. Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
18. Носенко С.М., Носенко А.С., Благовещенский И.Г., Кучумов А.В., Рылов С.А., Чистяков
О.В. Разработка рекомендаций по формированию политики информационной безопасности на предприятиях кондитерской промышленности. В сборнике: Фабрика будущего:
переход к передовым цифровым, интеллектуальным производственным технологиям,
роботизированным системам для отраслей пищевой промышленности. Сборник научных
докладов III Международной специализированной конференции - выставки. Курск, 2022.
С. 222-232.
19. Аднодворцев А.М., Благовещенский И.Г., Благовещенский В.Г., Носенко А.С., Веселов
М.В., Нгонганг Р.Д. Создание интеллектуальных систем принятия решений на базе технологии сверточных нейронных сетей. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III
Международной специализированной конференции - выставки. Курск, 2022. С. 25-32.
20. Ребус Н.А., Благовещенский И.Г. Проблемы внедрения интеллектуальных систем на
предприятии. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 271-277.
УДК 65.01.85.664
В.Г. Благовещенский1, И.Г. Благовещенский1, И.В. Кротов2,
М.М. Благовещенская2, М.В. Веселов3
1
МИРЭА - Российский технологический университет
2
Российский биотехнологический университет
3
Холдинг «Объединенные кондитеры»

ПОВЫШЕНИЕ КАЧЕСТВА ФУНКЦИОНИРОВАНИЯ ПРОИЗВОДСТВА
ПИЩЕВЫХ ПРОДУКТОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ
МОДЕЛИРОВАНИЯ И ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская, М.В. Веселов ПОВЫШЕНИЕ КАЧЕСТВА ФУНКЦИОНИРОВАНИЯ ПРОИЗВОДСТВА
ПИЩЕВЫХ ПРОДУКТОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МОДЕЛИРОВАНИЯ И ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Аннотация. Статья посвящена исследованию метода, основанного на разработке модели автоматизированного процесса производства пищевых продуктов и внедрения алгоритмов
искусственных нейронных сетей, предназначенных для автоматического поиска и изменения
параметров технологического процесса, которые оказывают влияние на функционирование
производства, реализуемого в сфере пищевой промышленности. В работе приведен способ
взаимодействия модели технологического процесса и искусственной нейронной сети, а также их функциональные возможности, предназначенные для увеличения производительности
основных этапов производства, параметры которых могут быть изменены с учетом особенности изготовления пищевой продукции. Выявлены особенности автоматического подбора
параметров, влияющих на прирост производительности в течение заданного промежутка
времени. Показана реализованная параметрическая схема процесса производства грильяжных конфет. Разработана имитационная модель технологического процесса производства
грильяжных конфет, включающая базовый алгоритм искусственной нейронной сети. По полученным результатам проведенного исследования предложены принципы взаимодействия
искусственной нейронной сети и имитационного моделирования. Данный метод позволяет

52 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
находить оптимальные значения производительности производства, а также разрабатывать
новые автоматизированные линии в сфере пищевой промышленности.
Ключевые слова: имитационное моделирование, технологический процесс, пищевая
промышленность, искусственная нейронная сеть, автоматизация.

Автоматизация производства в пищевой промышленности подразумевает
обеспечение взаимосвязи между основным технологическим оборудованием,
осуществляющим свою работу в автоматическом режиме без непосредственного участия человека в процессе [1 – 3]. Работа такого оборудования выражается
в обработке сырья, его дозировании, транспортировки от одного этапа производства к другому, а также в необходимости проведения мер, направленных на
упаковку товара и придания ему требуемого внешнего вида, исходя из особенностей изготавливаемой продукции [4 – 6]. Все этапы имеют свои функциональные особенности, которые обусловлены влиянием значений параметров
технологического процесса [7 – 9].
В ходе проведения производственного процесса можно определить производительность эксплуатируемого оборудования, которая определяется количеством обработанного сырья или произведенного товара, на конкретном технологическом этапе, в течение заданного времени [10 – 12]. При неудовлетворительной производительности потребуется изменение некоторых параметров,
влияющих на скорость технологического процесса, что потребует проведения
дополнительного тестирования для получения требуемого результата.
Большинство параметров технологического оборудования изменяется без
модернизации его физической структуры, а осуществляется с помощью средств
автоматического управления [13]. Такие средства обладают возможностью изменять параметры процессов производства, которые, в свою очередь, задают
управляющее воздействие на объект управления [14].
В любом случае изменение параметров эксплуатируемого этапа производства напрямую влияет на состояние оборудования, что может привести к
неправильной работе всей производственной линии [15]. Поэтому потребуется
проведение экспериментов, описывающих влияние одного конкретного оборудования на всю линию производства. Эксперименты такого типа небезопасно
осуществлять вручную на установленном оборудовании во время реализации
производства. Поэтому потребуется метод, позволяющий учитывать все особенности этого производства, а также проводить поиск эталонных значений параметров исследуемой системы.
Методом, с помощью которого можно проводить необходимые исследования для определения индивидуальных особенностей всех этапов производства, является имитационное моделирование [16]. Предназначение имитационного моделирования выражается в предоставлении средств разработки моделей,
имитирующих работу реального производства или технологического процесса,
который требуется создать в будущем [17].
Одним из наиболее перспективных методов автоматизации технологических процессов пищевых производств являются интеллектуальные нейросетевые технологии [18].

Автоматизированные системы управления биотехнологическими процессами

Целью работы является разработка метода, предназначенного для автоматического поиска эталонных значений параметров технологического процесса,
с помощью средств имитационного моделирования и внедрения математической модели искусственной нейронной сети.
В качестве основных задач исследования выделены следующие задачи:
- проанализировать процесс производства грильяжных конфет, как средство для получения параметров технологического процесса;
- реализовать параметрическую модель процесса производства грильяжных конфет с учетом основных этапов производства;
- на основе параметрической модели разработать имитационную модель
технологического процесса производства грильяжных конфет, в специализированном программном обеспечении AnyLogic;
- осуществить подбор и внедрение алгоритма поиска искусственной нейронной сети, разработав автоматический метод перебора значений параметров,
влияющих на ход технологического процесса;
- описать принцип взаимодействия искусственной нейронной сети с имитационной моделью.
Для решения задачи, по разработке модели на основе искусственной нейронной сети, было использовано программное обеспечение для имитационного
моделирования AnyLogic. Данное программное обеспечение позволяет создавать модели технологического процесса производства, которые функционируют в сфере пищевой промышленности, на основе предоставленных программных средств библиотеки моделирования процессов и библиотеки моделирования потоков.

54 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

тов, которые имеют свои собственные характеристики, позволяющие устанавливать взаимосвязь с другими объектами или разделять их.
Варианты реализации имитационного моделирования в специализированной среде разработки указаны на рисунке 1.
Таким образом, агентное моделирование является наиболее актуальным
вариантом для данного исследования, благодаря дополнительному обозначению объектов в виде агентов с заданными характеристиками, а также возможности применения различных уровней абстракции, определяющих взаимодействие и совокупность моделируемых объектов. Значения параметров агентов
используются в качестве разработки искусственной нейронной сети, осуществляющей поиск и принятие решений в назначении новых параметрических данных.

Рис. 1. Основные методы имитационного моделирования

Из возможного варианта представления данных исследуемого процесса
производства грильяжных конфет, был выбран метод агентного моделирования.
Агентное моделирование позволяет преобразовать объекты модели в виде аген-

Рис. 2. Параметрическая модель процесса производства грильяжных конфет

Для проведения экспериментальных исследований была разработана
структурно-параметрическая модель технологического процесса производства
грильяжных конфет. Данная модель описывает алгоритм выполнения техноло-

Автоматизированные системы управления биотехнологическими процессами

гического процесса, который требуется для разработки имитационной модели
производства. В модели указаны основные параметры необходимые для изготовления конфет, которые нельзя изменять на основании причины предварительно заложенной рецептуры кондитерского изделия.
Исходя из установленной последовательности алгоритма производственного процесса необходимого для изготовления пищевой продукции, была разработана имитационная модель технологического процесса производства
грильяжных конфет, указанная на рисунке 3.
Данная модель состоит из блоков библиотеки моделирования потоков и
библиотеки моделирования процессов, реализованных на языке программирования Java в программе AnyLogic. Модель работает по принципу взаимодействия всех реализованных блоков моделирования, которые функционируют исходя из указанных значений их параметров.
Установить взаимосвязь между математической моделью нейросети и
имитационной моделью, можно используя элемент событие, в котором указывается математическая функция, реализованная на языке Java, которая работает
во время воспроизведения модели и меняет значения моделируемых параметров исходя из условий принятия решений, указанных в нейросети.

56 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

вия, по присваиванию параметрам новых значений, применяется основная математическая модель искусственного нейрона, с учетом заданных весовых коэффициентов каждого исследуемого параметра имитационной модели.
Проектирование нейронной сети, для принятия решений по изменению
значений параметров модели, начинается с формулы взвешенной суммы нейрона (1).
n

S  X 1W1  X 2W 2  ...  X nW n   X iW j

(1)
где, Xi – входное значение, которое отражает параметр скорости или длины
конвейера, пропускную способность дозирования трубы, скорость заверточной
машины, объем сборников сырья. Значение Xi равняется единице только в том
случае, если не удовлетворяется условие производительности модели, и параметр не имеет максимально допустимого значения. В остальных случаях, когда
условие удовлетворительно, значение входных параметров равно нулю. Величина весового коэффициента Wj означает значимость входного параметра нейрона для увеличения производительности имитационной модели.
Условие, по которому принимается решение по изменению исходных
значений имитационной модели, задает функция активации (2).
i 1

f (s) 

1
1  e  as

(2)
Сигмоидальная функция предназначена для определения нескольких вариантов для принятия решения в диапазоне значений [0;1]. Функция выдает конечный результат, используя параметр a и значение результата взвешенной
суммы. Графическое обозначение сигмоидальной функции указано на рис.4.

Рис. 3. Имитационная модель технологического процесса

Для решения поставленной задачи необходимо подать на вход сети исследуемые параметры имитационной модели, которые принимают значение 1
или 0 исходя из условий и возможных критериев поиска решений, связанных с
производительностью технологического процесса.
При реализации заданных условий, значение входных параметров для
нейронной сети будет означать наличие или отсутствие входного сигнала. Если
входное значение приравнивается к нулю, то сеть не учитывает данный параметр для решения задачи в конкретной ситуации. После удовлетворения усло-

Рис. 4. Сигмоидальная функция активации нейрона

На вертикальной оси обозначается результат выходного сигнала. На горизонтальной оси значения, которые сформированы этапом суммирования математической модели искусственного нейрона.
Сигмоидальная функция является наиболее часто используемой функцией для построения искусственных нейронных сетей. Такой подход позволяет
поддерживать баланс между линейным и нелинейным свойством, осуществляемым с помощью возможности изменения параметра a. Данный параметр

Автоматизированные системы управления биотехнологическими процессами

представляет собой значение наклона сигмоидальной функции. Чем больше это
значение, тем больше функция приобретает вид пороговой функции (3).
F(s) =

0, S < b
1, S ≥ b

(3)
Отсюда следует, что если пороговая функция принимает значения 0 или 1, то
сигмоидальная позволяет вывести множество значений в диапазоне от 0 до 1.
Это дает возможность задать для нейронной сети несколько вариантов для принятия решения, предназначенного для изменения состояния модели.
Число нейронов входного слоя задается относительно количеству входных параметров с индивидуальными весами. Такими параметрами является:
скорость конвейера (м/с); пропускная способность дозирования сырья (кг/с);
скорость заверточной машины (агент/с); объем рецептурных сборников сырья.
Количество слоев сети задается этапами технологического процесса, на которые могут оказывать свое влияние измененные параметры. Основными этапами
технологического процесса являются: этап производства грильяжной массы;
подготовка шоколадной глазури; процесс реализации и формования конфет.
Работа алгоритма, по поиску актуальных значений параметров, обеспечивает плавность функционирования имитационной модели и позволяет достичь
сокращения временных задержек за счет увеличения производительности в
наиболее важных участках исследуемого технологического процесса.
В процессе проведения исследования, выявлен принцип взаимодействия
искусственной нейронной сети и имитационной модели, рисунке 5.

58 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

няться весовые коэффициенты, пока не будет найдено оптимальное значение
параметра, обеспечивающего производительность имитационной модели.
Таким образом, исследование автоматизированных процессов и производств, в пищевой промышленности, становится более практичным, что позволяет проводить разностороннее тестирование всех этапов технологического
процесса и уменьшить издержки предприятия за счет имитации внедрения нового оборудования, без потребности в предварительном вмешательстве в саму
работу эксплуатируемого оборудования.
Таким образом, Данное исследование обусловлено потребностью в эффективном проектировании новых производственных линий и модернизации
существующих автоматизированных систем. Имитационное моделирование совместно с алгоритмами искусственных нейронных сетей дает возможность поэтапного тестирования различных параметров системы, оказывающих влияние
на качество производственного процесса, что позволяет подбирать наилучшие
показатели производства, которые можно внедрить в реальный автоматизированный процесс и предварительно провести расчет рисков проводимой модернизации. Также разработанный метод позволяет заранее подготовить необходимое оборудование, удовлетворяющее требованию по наличию необходимых
характеристик, предназначенных для разработки новой производственной линии, которая будет наиболее эффективна для производства в сфере пищевой
промышленности.
Результаты исследования:
- произведен анализ процесса производства грильяжных конфет, предназначенный для получения параметров технологического процесса;
- реализована параметрическая модель процесса производства грильяжных
конфет с учетом основных этапов производства;
- на основе параметрической модели разработана имитационная модель технологического процесса производства грильяжных конфет;
- проведен подбор и внедрение алгоритма поиска искусственной нейронной сети, разработан автоматический метод перебора значений параметров, влияющих на ход технологического процесса;
- приведен принцип взаимодействия искусственной нейронной сети с имитационной моделью.
1.

Рис. 5. Принцип взаимодействия искусственной нейронной сети
с имитационной моделью

Если во время работы нейронная сеть изменит показатели производительности в худшую сторону, то математическая функция обеспечит автоматический перезапуск имитационной модели на исходные значения параметров,
которые были изначально заданы пользователем. А в самой сети будут изме-

Список литературы
Яблоков, А.Е. Благовещенский И. Г. Научно-практические основы создания автоматизированных систем технического мониторинга и диагностики оборудования зерноперерабатывающих предприятий на базе нейросетевых методов анализа данных: Монография.
Курск, -М.:, 2022. 221 c.
Благовещенский И.Г., Благовещенский В.Г., Мокрушин С.А., Игольников А.О., Благовещенская М.М. Применение WEB-технологий для создания автоматизированных систем мониторига производства пищевых продуктов. В сборнике: РОГОВСКИЕ ЧТЕНИЯ.
сборник докладов научно-практической конференции с международным участием.
Курск, 2023. С. 121-125.
Благовещенский И.Г., Благовещенский В.Г., Тихонов А.В., Киселев С.В., Крот О.А. Алгоритмизация цифрового проектирования оборудования промышленной линии по про-

Автоматизированные системы управления биотехнологическими процессами

изводству конфет «Птичье молоко» / В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным
системам для отраслей пищевой промышленности. Сборник научных докладов IV Международной специализированной конференции-выставки. Москва, 2023. С. 138-144.
4. Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Крот О.А., Киселев С.В.
Структура компьютерной системы формирования базы знаний / В сборнике: Интеллектуальные автоматизированные управляющие системы в биотехнологических процессах.
сборник докладов всероссийской научно-практической конференции. Москва, 2023. С.
139-146.
5. Благовещенский И.Г., Ребус Н.А. Автоматизированный сбор информации для улучшения моделирования сложных систем в пищевой промышленности / В сборнике: Фабрика
будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов IV Международной специализированной конференции-выставки.
Москва, 2023. С. 164-172.
6. Головин В.В., Благовещенский В.Г., Благовещенский И.Г., Киселев С.В., Сюндюков А.В.
Основные направления разработки информационных компьютерных моделей для цифровизации производства пищевых предприятий. В сборнике: Фабрика будущего: переход
к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов IV Международной специализированной конференции-выставки. Москва, 2023. С.
199-208.
7. Благовещенская М.М., Благовещенский В.Г., Краснов А.Е., Благовещенский И.Г., Холопов В.А., Попов А.С. Анализ особенностей использования систем искусственного интеллекта а решении задач автоматизации контроля и управления качеством производства
кондитерской продукции / В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова. Курск, 2023. С. 20-27.
8. Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Благовещенская М.М.,
Шкарлаков С.Е. Алгоритмическое обеспечение нейросетевой системы оптимизации текстуры сложной структуры / В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 228-237.
9. Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Осташов П.И., Благовещенская М.М. Цифровизация производства пищевых продуктов / В сборнике: РОГОВСКИЕ
ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 262-270.
10. Зеленова Е.Н., Благовещенский И.Г., Зуева Ю.В., Благовещенский В.Г., Мокрушин С.А.,
Носенко А.С. Разработка информационно- логической модели / В сборнике: Роговские
чтения. Секция "Автоматизация технологических процессов и производств". cборник
докладов научно-практической конференции с международным участием. Курск, 2023.
С. 266-273.
11. Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
12. Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.

60 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
13. Благовещенский В.Г., Краснов А.Е., Баженов Е.И., Благовещенская М.М., Мокрушин
С.А.// Применение нейросетевых технологий для управления качеством кондитерских
изделий в процессе производства/ Благовещенский В.Г., Краснов А.Е., Баженов Е.И.,
Благовещенская М.М., Мокрушин С.А.//Системы управления и информационные технологии. 2021. № 3 (85). С. 37-41.
14. Благовещенский В. Г. Интеллектуальный анализ данных для систем поддержки принятия решений диагностики процессов производства пищевой продукции/ Благовещенский
В. Г. // Сборник научных статей П международной научно- практической конференции
«Цифровизация агропромышленного комплекса». Тамбов: Издательский центр ФГБОУ
ВО «ТГТУ». 2020. Том I. С.105-110.
15. Благовещенский В. Г. Использование методов визуальной корреляции для анализа данных от различных источников // Сборник научных статей П международной научнопрактической конференции «Цифровизация агропромышленного комплекса». Тамбов:
Издательский центр ФГБОУ ВО «ТГТУ». 2020. Том I. С.87-92.
16. Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.
17. Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
18. Благовещенский И.Г., Благовещенский В.Г. Нейронные сети в информационно- управляющих системах. Курск. 2025.
УДК 65.01.85.664
В.Г. Благовещенский1, И.Г. Благовещенский1,
И.В. Кротов2, М.М. Благовещенская2, М.В. Веселов3
1
МИРЭА - Российский технологический университет
2
Российский биотехнологический университет
3
Холдинг «Объединенные кондитеры»

ФУНКЦИОНАЛЬНАЯ СХЕМА АВТОМАТИЗАЦИИ ОСНОВНЫХ ТП
ПРОИЗВОДСТВА ШОКОЛАДНЫХ МАСС
В.Г. Благовещенский, И.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская, М.В. Веселов ФУНКЦИОНАЛЬНАЯ СХЕМА АВТОМАТИЗАЦИИ ОСНОВНЫХ ТП
ПРОИЗВОДСТВА ШОКОЛАДНЫХ МАСС

Аннотация. В статье показана важность повышения эффективности производства кондитерских изделий. Отмечено, что определение органолептических показателей качества сырья, полуфабрикатов и готовых кондитерских изделий в настоящее время осуществляется
технологами экспертами методами дегустационного анализа. Такие традиционные методики
контроля имеют ряд недостатков: они требуют высокой квалификации экспертов, занимают
много времени и не всегда позволяют оперативно обнаружить дефекты. Представлена разработанная функциональная схема автоматизации (ФСА) процессов производства шоколадных
масс с внесением новых решений по автоматизации контроля органолептических показателей сырья, полуфабрикатов и готовых изделий с использованием интеллектуальных технологий.
Ключевые слова: функциональная схема автоматизации, технологический процесс, производство шоколадных масс, контроль, параметры.

Автоматизированные системы управления биотехнологическими процессами

Кондитерские изделия представляют собой большую группу разнообразных высококалорийных продуктов питания, которые регулярно потребляются
практически всеми группами населения различных возрастов [1 - 3].
В последние несколько лет рынок кондитерской продукции стабильно развивается [4, 5]. В отрасли проводится целенаправленная работа по оптимизации
производства как традиционно производимых конфет, так и совершенно новых
сортов. Идёт цифровизация отраслей кондитерской промышленности, активное
внедрение современных интеллектуальных технологий, способствующих повышению качества производимой продукции [6, 7].
Проведенный нами анализ особенностей и закономерностей ТП производства кондитерской продукции [8 -10] показал, что определение органолептических показателей качества сырья, полуфабрикатов и готовых кондитерских изделий осуществляется в настоящее время технологами экспертами методами
дегустационного анализа. Такие традиционные методики контроля (визуальный
контроль качества экспертами, органолептический анализ показателей качества, выборочные лабораторные тесты) имеют ряд недостатков: они требуют высокой квалификации экспертов, занимают много времени и не всегда позволяют оперативно обнаружить дефекты [11 – 13].
В современных условиях на первый план выходит необходимость комплексной автоматизации технологических процессов, позволяющей непрерывно контролировать качество в режиме реального времени и интегрировать полученные результаты анализа в общую систему управления производством.
Обзор и анализ работ в данной сфере показал перспективы использования
интеллектуальных технологий (систем компьютерного зрения, нейросетевых
технологий, технологий имитационного моделирования и т.д.) для автоматизации контроля в потоке органолептических показателей качества кондитерской
продукции [14, 15].
Целью данной работы является разработка функциональной схемы автоматизации (ФСА), отражающей все ключевые элементы контроля технологических (температуры, влажности и др.), режимных параметров процессов производства (число оборотов мешалки, зазор между валками мельницы и т.д.), а
также органолептических показателей качества конкретной кондитерской продукции.
Одним из определяющих процессов приготовления самых разнообразных
типов конфет является производство шоколадных масс. Исходя из полученных
результатов исследований нами была разработана функциональная схема автоматизации (ФСА) процессов производства шоколадных масс с внесением новых решений по автоматизации контроля в потоке органолептических показателей сырья, полуфабрикатов и готовых изделий с использованием нейросетевых технологий и систем технического зрения, что позволит повысить эффективность данной линии производства (рисунок 1).

62 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис. 1. ФСА производства шоколадных масс

Разработанная схема автоматизации обеспечивает:
- измерение, контроль и регистрацию технологических параметров процесса;
- обнаружение, предаварийную сигнализацию, регистрацию отклонений контролируемых параметров от установленных границ;
- реализацию заданного алгоритма управления;
- реализацию алгоритмов противоаварийной защиты;
- сигнализацию нарушений состояния технологического оборудования;
- анализ срабатывания блокировок и защит;
- самодиагностику ТС и самодиагностику контроллера до уровня модуля с выдачей сигнализации об отказе без останова линии производства шоколада;
- связь с вышестоящими системами.
В разработанной схеме автоматизации, представленной на рисунке 1, показаны новые решения по автоматизации контроля в режиме реального времени
органолептических показателей качества сырья, полуфабрикатов и готовых изделий с использованием интеллектуальных технологий. Так, в представленную
схему были включены интеллектуальные датчики АК органолептических показателей качества процесса сепарирования какао бобов: коэффициента извлече-

Автоматизированные системы управления биотехнологическими процессами

ния примесей в процессе сепарирования и внешнего вида какао бобов. В разработанную ФСА заложены также интеллектуальные датчики контроля в режиме
реального времени цвета, вкуса, запаха, формы и состояния поверхности сырья,
полуфабрикатов и готовых изделий. Для получения заданного качества шоколадной массы системой цифровых видеокамер (ЦВК) контролируется в потоке
цвет сырья и готовой шоколадной массы, а виртуальным датчиком на основе
искусственных нейронных сетей (ИНС) определяется вкус полученной массы.
Внедрение представленных в данном исследовании разработок повлечёт
за собой исключение возможных ошибок, минимизацию брака, расходов и трудозатрат, а также повышение качества производимой продукции.
1.
2.
3.

6.
7.
8.

Список литературы
Благовещенский В.Г. Методологический основы автоматизации контроля органолептических показателей качества кондитерской продукции и создание на их базе интеллектуальных систем управления // Монография. Курск, 2024. С.
Благовещенский И.Г., Благовещенский В.Г. Нейронные сети в информационно- управляющих системах. Курск. 2025.
Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Благовещенская М.М., Зуева
Ю.В., Рычков Д.Ф. Использование в производственном контроле качества пищевой продукции компьютерного зрения. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов
научно-практической конференции с международным участием. Курск, 2023. С. 217-227.
Благовещенский В.Г., Благовещенский И.Г., Кротов И.В., Благовещенская М.М., Челноков Д.М. Обзор исследований в области контроля запаха пищевых продуктов. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 16-27.
Кротов И.В., Благовещенский В.Г., Благовещенский И.Г., Мокрушин С.А., Благовещенская М.М., Ломакин Д.В. Исследование возможности применения технологии искусственного интеллекта для автоматизации контроля запаха кондитерской продукции. В
сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научно-практической конференции
с международным участием. Курск, 2023. С. 208-216.
Благовещенский В.Г., Кротов И.В., Благовещенский И.Г. Органолептические показатели
качества современной кондитерской продукции. Свидетельство о регистрации базы данных RU 2024625642, 02.12.2024. Заявка № 2024625359 от 16.11.2024.
Благовещенский В.Г., Благовещенский И.Г., Кротов И.В. Реологические показатели качества современной кондитерской продукции. Свидетельство о регистрации базы данных RU 2024626158, 19.12.2024. Заявка № 2024625798 от 29.11.2024.
Благовещенская М.М., Аднодворцев А.М., Благовещенский В.Г., Благовещенский И.Г.,
Яценко Е.О. Использование системы компьютерного зрения для создания автоматизированной системы прослеживания готовой пищевой продукции. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 15-19.
Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Кротов И.В. Перспективы
использования микропроцессорных программируемых и интеллектуальных систем
управления в производстве пищевых продуктов. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V Международной конференции. Курск, 2024. С. 156-161.

64 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
10. Благовещенский И.Г., Благовещенский В.Г., Мокрушин С.А., Игольников А.О., Благовещенская М.М. Применение WEB-технологий для создания автоматизированных систем мониторинга производства пищевых продуктов. В сборнике: РОГОВСКИЕ
ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 121-125.
11. Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
12. Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
13. Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция
создания интеллектуальной экспертной системы контроля качества пищевой продукции /
М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Пищевая промышленность. 2017. №11. – С.60 - 63.
14. Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.
15. Благовещенская М. М., Благовещенский И.Г., Назойкин Е.А. Методика автоматической
оценки качества пищевых изделий на основе теории искусственных нейронных сетей //
Пищевая промышленность. 2015. №7. С. 42 - 49.
УДК 65.018:664.1
И.Г. Благовещенский1, В.Г. Благовещенский1, И.В. Кротов2, А.М. Аднодворцев3
1
МИРЭА - Российский технологический университет
2
Российский биотехнологический университет
3
Холдинг «Объединенные кондитеры»

АНАЛИЗ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ ПРОИЗВОДСТВА
ПОМАДНЫХ КОНФЕТ КАК ОБЪЕКТА АВТОМАТИЗАЦИИ
И.Г. Благовещенский, В.Г. Благовещенский, И.В. Кротов, А.М. Аднодворцев АНАЛИЗ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ ПРОИЗВОДСТВА ПОМАДНЫХ КОНФЕТ КАК
ОБЪЕКТА АВТОМАТИЗАЦИИ

Аннотация. В работе показана важность автоматизации контроля качества производства сбивных конфет (суфле и др.) с использованием интеллектуальных технологий. Исследованы особенности технологического процесса этого производства как объекта автоматизации. Приведены основные этапы производства суфле. Представлены органолептические показатели качества этих изделий и их недопустимые дефекты. Подробно рассмотрен каждый
из органолептических показателей и существующие методы их определения. Дана схема
производства вафель с указанием необходимых точек контроля и регулирования.
Ключевые слова: анализ технологического процесса, контроль и управление, производство суфле, органолептические показатели качества.

В последние несколько лет рынок кондитерской продукции стабильно развивается [1-5]. В отрасли проводится целенаправленная работа по оптимизации
производства как традиционно производимых конфет, так и совершенно новых,
идёт внедрение современных интеллектуальных технологий, способствующих
повышению качества производимой кондитерской продукции [6 – 8].

Автоматизированные системы управления биотехнологическими процессами

В настоящее время в конфетном производстве все более возрастающим
спросом пользуются помадные конфеты, что объясняется их относительно невысокой стоимостью и постоянно обновляемым ассортиментом [9].
Помадные конфеты представляют собой сахарные кондитерские изделия,
которые состоят из мелких (10...20 мкм) кристаллов сахара. Такую структуру
изделий получают из помадной массы — полуфабриката, образованного в результате определенной технологической обработки сахара, при которой сахар
из крупнокристаллического состояния переходит в мелкокристаллическое, отчего помадная масса легко растворяется и «тает». В отличие от сахара в помадной массе содержится от 9 до 12 % воды [10]. Кроме того, в ней находятся
мельчайшие пузырьки воздуха, придающие ей некоторую пышность и белую
окраску [11].
Основным сырьем для производства помадных конфет является сахарный
песок. При изготовлении помадных конфет в зависимости от сорта к сахарной
помадной массе добавляются фруктово-ягодные припасы, обжаренные тертые
орехи или какао- порошок. Такое многообразие применяемого сырья позволяет
выпускать разнообразные виды помадных конфет [12].
Существующие в настоящее время методы оценки качества помадных
конфет субъективны и далеки от совершенства, поскольку эта оценка осуществляется органолептическим путем. Успешное решение этой задачи возможно
лишь при внедрении в производственный процесс автоматизированных интеллектуальных систем контроля и управления с использованием искусственных
нейронных сeтeй (ИНС), систем компьютерного зрения (СКЗ), цифровых двойников, виртуальной и дополненной реальности [13].
Создание такой системы позволит: непрерывно, в потоке контролировать
показатели качества в течение всего технологического процесса; обеспечить
стабильность производства сбивных конфет; существенно уменьшить уровень
брака, снизить потери рабочего времени, сырья и энергии, повысить качество
готовой продукции [14].
Первым этапом разработки такой интеллектуальной системы управления
является анализ технологического процесса производства помадных конфет как
объекта автоматизации.
Исходя из вышеизложенного, тема данной работы является актуальной.
Для достижения поставленной цели необходимо решить следующие задачи: изучение особенностей производства помадных конфет; определение факторов, формирующих качество этих конфет; изучение органолептических показателей их качества; изучение дефектов, возникающих при производстве данных конфет и проанализировать методы и средства, используемые при контроле показателей качества готовых изделий.
На рисунке 1. представлена наиболее распространенная на кондитерских
предприятиях линия производства глазированных помадных конфет [15].

66 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис. 1. Поточная линия ТП приготовления помадных конфет

В состав линии входит следующее оборудование: агрегат ускоренной выстойки, варочный аппарат с мешалкой, весы, виброраспределитель, глазировочная машина, дозаторы, заверточная машина, змеевиковый варочный аппарат
непрерывного действия, конвейеры, насосы, отливочная машина, охлаждающая
камера, пароотделитель, помадосбивательная машина, раскладочное устройство, расходные емкости, сборник-фильтр, сироповарочная установка, смеситель
непрерывного действия, темперирующая машина, глазировочная машина и
упаковочная машина.
Данная поточная линия оборудована современными средствами автоматизации. Более подробно описание ТП производства глазированных помадных
конфет приведены в наших работах [16].
Основные этапы процесса приготовления помадных глазированных помадных конфет представлены на рисунке 2.

Рис. 2. Основные этапы процесса приготовления помадных конфет

Автоматизированные системы управления биотехнологическими процессами

Требования, предъявляемые к качеству помадных конфет.
Главными способами улучшения качества продукции считается непрерывный автоматический контроль качества сырья, полуфабрикатов и готовой
продукции. Кондитерские изделия должны быть изготовлены в соответствии с
требованиями существующего по данному изделию стандарта по рецептурам и
технологическим инструкциям с соблюдением требований или нормативных
правовых актов, действующих на территории государства, принявшего стандарт. Применяемое сырье должно отвечать требованиям нормативной документации [17]. Ароматические и красящие добавки должны быть разрешены к использованию органами государственного санитарно-эпидемиологического надзора.
Требования к качеству помадных конфет регламентируются ГОСТ 45702014 «Конфеты. Общие технические условия».
На каждом этапе производства глазированных помадных конфет контролируются реологические [18], а также органолептические показатели качества,
которые должны соответствовать ГОСТу 5897-90 «Изделия кондитерские. Методы определения органолептических показателей качества, размеров, массы
нетто и составных частей» [19]. По органолептическим показателям помадные
конфеты должны соответствовать требованиям, указанным в таблице 1.
Таблица 1
Наименование
Характеристика и значение показателя
показателя
Вкус и запах
Характерные для данного наименования конфет, ясно выраженные
Внешний вид,
поверхность глазироРовная, блестящая поверхность
ванных помадных
конфет
Разнообразная, в соответствии с утвержденными рецептурами,
Форма конфет
без деформаций.
Цвет
Разнообразный, в соответствии с утвержденными рецептурами
Консистенция,
Однородная, без крупинок и комочков.
структура
Структура конфет – мелкопористая, пышная.
конфет

Конфеты, глазированные шоколадной глазурью должны иметь блестящую поверхность с четким рисунком без следов поседения.
Согласно данным таблицы 1, по вкусу и запаху помадные конфеты – это
изделия со вкусом, свойственным наименованию продукта с учетом используемого сырья и ароматизаторов, без посторонних привкусов и запахов.
Поверхность конфет без глазирования должна быть без вздутий, вмятин и
трещин. Поверхность глазированных конфет с отделкой сухая, не липкая, без
сколов, вздутий и трещин, глазурь должна покрывать поверхность конфет ровным или волнистым слоем.
Форма конфет может быть разнообразной - плоской или объемной в зависимости от тиипа кондитерских изделий. Края конфет должны быть с ровным
обрезом.

68 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Цвет конфет – разнообразный, в соответствии с утвержденными рецептурами.
На рисунке 3 представлена профилограммы контролируемых в соответствии с ГОСТом органолептических показателей качества исследуемых образцов
помадных конфет.

а) конфеты молочные
б) конфеты фруктовые
Рис. 3. Профилограммы органолептической оценки образцов помадных конфет

Были проведены исследования и выявлены технологические и режимные
параметры, влияющие на производство исследуемых конфет. Разработанная
ФСС влияния исходного сырья, промежуточных операций на качество готовых
помадных конфет на всех стадиях показана на рисунке 4. Анализ наиболее
важных показателей качества сырья, полуфабрикатов и готовой продукции,
контролируемые на каждой стадии производства подробно приведен в наших
статьях [20].
Для оптимизации режимов работы технологического оборудования линий
производства этих конфет необходима полная, всесторонняя, достоверная,
своевременная и в то же время не избыточная информация именно об основных
параметрах, оказывающих наибольшее влияние на качество приготавливаемой
продукции [27]. Для решения этой задачи был использован метод математического моделирования с применением теории графов, подробно описанный в
наших статьях [28]. Этот метод позволил определить показатели асимметричности Кас, поточности Кпот. и коэффициент собственных контуров Кск.
Кас = 0,1547; Кпот = 0,8453 и Кск = 0,3714
Полученные результаты расчетов показали, что данная схема имеет коэффициент поточности и коэффициент собственных контуров Кпот  Кпот.теор. =
0,655 и Кск Кск.теор. = 0,500. Это позволяет сделать вывод о достаточно хорошей
поточности и прогрессивности исследуемой схемы и перспективности цифровой трансформации ТП производства помадных глазированных конфет [29].
Прежде чем решать комплекс задач, обеспечивающих автоматизацию
контроля показателей качества помадных конфет в процессе производства, необходимо четко представить себе сущность процесса приготовления этих изделий, всех совершаемых операций, формирующих качество получаемой готовой
продукции в их взаимосвязи. Такой анализ удобно проводить на базе функцио-

Автоматизированные системы управления биотехнологическими процессами

70 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

нально-структурной схемы (ФСС) технологических процессов производства
помадных конфет с указанием необходимых точек контроля и регулирования.
Данная схема будет отражать последовательность выполнения основных операций данного производства. В дальнейшем это дает возможность выбрать
наиболее значимые из них и с учетом полученных результатов распределить
необходимые точки контроля и регулирования исследуемого ТП производства.

Рис. 4. Точки контроля и регулирования основных параметров процесса
приготовления глазированных помадных конфет

Группа помадных кондитерских изделий имеет большие перспективы
[30]. Ассортимент таких конфет расширяется, создаются новые и разнообразные виды изделий. Дальнейшее развитие кондитерского производства этих видов изделий должно быть направлено в первую очередь на разработку и внедрение средств автоматизации контроля в потоке органолептических показателей качества сырья, полуфабрикатов и готовой продукции с использованием
интеллектуальных технологий.
1.

Рис. 4. ФСС влияния факторов исходного сырья, промежуточных операций на качество готовых конфет на всех стадиях процесса производства

На основании проведенных исследований ТП производства помадных
глазированных конфет была разработана функционально - структурная схема
ТП производства этих изделий с указанием необходимых точек контроля и регулирования (рисунок 5).

Список литературы
Благовещенская М.М., Аднодворцев А.М., Благовещенский В.Г., Благовещенский И.Г.,
Яценко Е.О. Использование системы компьютерного зрения для создания автоматизированной системы прослеживания готовой пищевой продукции. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 15-19.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция
создания интеллектуальной экспертной системы контроля качества пищевой продукции /
М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Пищевая промышленность. 2017. №11. – С.60 - 63.

Автоматизированные системы управления биотехнологическими процессами
4.
5.
6.

10.

11.

12.

13.

Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.
Благовещенский И.Г., Назойкин Е.А., Татаринов А.В. Основы создания экспертных систем контроля качества пищевых продуктов с использованием интеллектуальных технологий // Пищевая промышленность, №4 , 2017.
Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Кротов И.В. Перспективы
использования микропроцессорных программируемых и интеллектуальных систем
управления в производстве пищевых изделий. В сборнике: Фабрика будущего: переход
к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов
V Международной конференции. Курск, 2024. С. 156-161.
Благовещенская М.М., Веселов М.В., Благовещенский В.Г., Благовещенский И.Г., Быстров Д.И. Возможности использования искусственных нейронных сетей в производстве
пористого шоколада. В сборнике: Фабрика будущего: переход к передовым цифровым,
интеллектуальным производственным технологиям, роботизированным системам для
отраслей пищевой промышленности. сборник научных докладов V Международной
конференции. Курск, 2024. С. 20-23.
Зеленова Е.Н., Кротов И.В., Благовещенский И.Г. Модель системы управления информационным ресурсом пищевого производства на основе СУБД. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 181-185.
Благовещенский В.Г., Краснов А.Е., Баженов Е.И., Благовещенская М.М., Мокрушин
С.А.// Применение нейросетевых технологий для управления качеством кондитерских
изделий в процессе производства/ Благовещенский В.Г., Краснов А.Е., Баженов Е.И.,
Благовещенская М.М., Мокрушин С.А.//Системы управления и информационные технологии. 2021. № 3 (85). С. 37-41.
Благовещенский В.Г., Благовещенский И.Г., Шкапов П.М., Быстров Д.И., Рожков В.Е.
Использование интеллектуальных технологий как фактора повышения качества и безопасности производства продукции при решении задач автоматизации. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным
технологиям, роботизированным системам для отраслей пищевой промышленности.
сборник научных докладов V Международной конференции. Курск, 2024. С. 63-68.
Благовещенский И.Г., Благовещенский В.Г., Зеленова Е.Н., Благовещенская М.М. Аспекты использования технологий виртуальной и дополненной реальностей для оптимизации производства пищевых продуктов. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V
Международной конференции. Курск, 2024. С. 89-92.
Благовещенский И.Г., Благовещенский В.Г., Кротов И.В., Благовещенская М.М. Автоматизированные системы мониторинга процессов производства пищевых продуктов на основе WEB-технологий. В сборнике: Фабрика будущего: переход к передовым цифровым,
интеллектуальным производственным технологиям, роботизированным системам для
отраслей пищевой промышленности. сборник научных докладов V Международной
конференции. Курск, 2024. С. 93-98.
Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.

72 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
14. Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
15. Благовещенский В.Г. Использование искусственной нейронной сети YOLO в задаче автоматического распознавания бракованных кондитерских изделий. Научно-технический
вестник Поволжья. 2024. № 10. С. 96-100.
16. Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
17. Благовещенский В.Г. Методологические основы автоматизации контроля органолептических показателей качества кондитерской продукции и создание на их базе интеллектуальных систем управления: Монорафия / В.Г. Благовещенский. Курск, 2024.
18. Реологические показатели качества современной кондитерской продукции. Благовещенский В.Г., Благовещенский И.Г., Кротов И.В. Свидетельство о регистрации базы данных
RU 2024626158, 19.12.2024. Заявка № 2024625798 от 29.11.2024.
19. Органолептические показатели качества современной кондитерской продукции. Благовещенский В.Г., Кротов И.В., Благовещенский И.Г. Свидетельство о регистрации базы
данных RU 2024625642, 02.12.2024. Заявка № 2024625359 от 16.11.2024.
20. Благовещенский В.Г., Благовещенский И.Г., Холопов В.А., Яблоков А.Е., Благовещенская М.М. Оптимизация пищевых производств с использованием технологий виртуальной, дополненной реальностей и инструментов Кайдзен. Научно-технический вестник
Поволжья. 2024. № 12. С. 229-233.
21. Яблоков А.Е., Латышев М.А., Благовещенская М.М., Благовещенский В.Г., Кайченов
А.В. Технология искусственных нейронных сетей в задаче интеллектуальной онлайндиагностики технологического оборудования пищевой отрасли. Научно-технический
вестник Поволжья. 2024. № 10. С. 139-142.
УДК 65.01.85.664
И.Г. Благовещенский1, В.Г. Благовещенский1, И.В. Кротов2, М.М. Благовещенская2
1
МИРЭА - Российский технологический университет
2
Российский биотехнологический университет

РАЗРАБОТКА СТРУКТУРНО-ПАРАМЕТРИЧЕСКИХ
И МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ПРОЦЕССОВ
ПРОИЗВОДСТВА ПОМАДНЫХ КОНФЕТ
И.Г. Благовещенский, В.Г. Благовещенский, И.В. Кротов, М.М. Благовещенская РАЗРАБОТКА СТРУКТУРНО-ПАРАМЕТРИЧЕСКИХ И МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ
ПРОЦЕССОВ ПРОИЗВОДСТВА ПОМАДНЫХ КОНФЕТ

Аннотация. В данной работе показаны результаты получения структурно- параметрических и математических моделей основных стадий технологических процессов производства помадных конфет. В статье приведена методология построения структурно- параметрических и математических моделей основных стадий производства кондитерской продукции.
Показаны полученные параметрические и математические модели подготовки сырья к производству, Предложенный метод структурно-параметрического моделирования позволил определить влияние входных параметров процессов на выходные параметры. По полученным
результатам проведенного исследования построены наглядные графиков зависимостей выходного параметра от разных входных параметров. Данный метод позволяет наглядно изучить влияние входных контролируемых и регулируемых параметров, возмущающих воздействий на исследуемые показатели качества на всех стадиях кондитерского производства, а

Автоматизированные системы управления биотехнологическими процессами

также даст возможность прогнозировать ход этих ТП и определять необходимые при этом
режимы работы используемого оборудования
Ключевые слова: структурно- параметрические, математические и ситуационные модели, производства помадных конфет, качество продукции

Решение задачи создания интеллектуальной автоматизированной системы
контроля и управления (ИАСКиУ) качеством кондитерской продукции в процессе производства возможно лишь при наличии соответствующих структурнопараметрических и математических моделей, что позволит наглядно изучить
влияние входных контролируемых и регулируемых параметров, возмущающих
воздействий на исследуемые показатели качества на всех стадиях кондитерского производства, а также даст возможность прогнозировать ход этих ТП и определять необходимые при этом режимы работы используемого оборудования
[1 – 5].
По методологии структурно-параметрического моделирования, изложенной в работах Ю.А. Ивашкина [6], нами разработаны структурно- параметрические и математические модели (СПММ) связей между параметрами состояния
и исследуемыми показателями качества на всех стадиях процессов производства разнообразных изделий.
Успешное решение задачи оптимизации качества кондитерской продукции зависит в большой степени от адекватности моделей реальным технологическим процессам, удачного выбора критерия качества и от рациональной модели организации информационного обеспечения, хранения и обработки производственных данных [7 – 10]. Поэтому нами были проведены на кондитерских
фабриках экспериментальные исследования ТП производства разнообразной
кондитерской продукции и на основании полученных данных разработаны
структурно- параметрические, математические и ситуационные модели всех
стадий исследуемых производств [11 – 15].
Была разработана методология построения структурно- параметрических
и математических моделей основных стадий производства кондитерской продукции, которая заключалась в том, что сначала получали таблицу корреляционных связей, которая отражает глубину статистической связи между параметрами на всех стадиях.

𝒓𝒊𝒋 =

𝟏
∑𝒏 (𝒙
𝒏 𝟏 𝒌 𝟏

𝑺𝟐𝒙𝒊

𝒙𝒌𝒊 )(𝒙
𝑺𝟐𝒋

𝒙𝒌𝒋 )

(1)

где: 𝑟 – коэффициент корреляции между i-ым и j-ым параметром; 𝑥 , 𝑥 –
среднее значение i-ого и j-ого параметров; 𝑆 , 𝑆 - дисперсия i-го и j-го параметров.
Проверка значимости коэффициентов 𝑟 производилась по критерию
Стьюдента так, что при 𝑡 ≥ 𝑡кр коэффициент принимался значимым, при t ≤ t кр.
коэффициент 𝑟 равнялся ≤0.
Далее рассчитывали коэффициенты линейной множественной регрессии
для приращений ∆𝑥 , ∆𝑥 :

74 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
mi

xi   pij x j

; i  1, m i
(2)
где 𝑚 − число факторов ∆𝑥 , имеющих достаточно сильную корреляционную
связь с i-м отклонением ∆𝑥 . ; 𝑝 – коэффициенты связи j-го параметра
(𝑗 = 1, 𝑚 ) с i-м.
Затем определяли коэффициенты регрессии 𝑃 и потом приводили их к
безразмерным характеристикам связей относительно среднеквадратичных отклонений.
В данной работе покажем результаты получения структурно- параметрических и математических моделей (СПММ) основных стадий ТП производства
помадных конфет. Параметрическая модель подготовки сырья к производству
помадных конфет представлена на рисунке1.
j 1

Рис.1. Параметрическая модель подготовки сырья к производству: f – влагосодержание сахарного песка (с.п.) (13,5-14,5%) (X1); t – температура сахарного песка (25-40°C) (X2); ГС –
гранулометрический состав с.п. (20-90 мк) (X3); φ – относительная влажность воздуха (2090%) (X4); P – расход воздуха (при сепарировании с.п.) (1200-1500 м3/т) (X5); п – частота колебаний сита при сепарировании с.п. (2,5-5 об/мин) (X6); Y1псп – выходной параметр, характеризует качество сахара песка (вкус).

Структурно-параметрическое моделирование процесса подготовки сырья
к производству сводилось к построению матриц взаимосвязей, расчет которых
позволил получить математическую модель величины вкуса сахара песка (величина кристаллов сахара), удовлетворяющую текущим требованиям к регулированию ТП помадных конфет.
Y1 = C1X1+C2X2+C3X3+….+CnXn
(3)
В соответствии с расчетами по методике Ю.А. Ивашкина получили следующий критерий качества сахара песка:
Y1псп = 0,35X1+0,16X2+0,39X3-0,58X4+0,5X5+0,47X6
(4)
Таким образом, предложенный метод структурно-параметрического моделирования позволяет определить влияние входных параметров на величину
Y1псп. Полученные при этом наглядные графики для их анализа представлены
на рисунке 2. Подробные расчеты и все полученные графики приведены в наших статьях [ 11 - 13 ].

Автоматизированные системы управления биотехнологическими процессами

76 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Полученные результаты зависимости между выходным параметром и переменными входными параметрами были представлены в виде наглядных графиков для их анализа (часть полученных данных приведена на рисунке 4).

Рис. 2. Пример полученных графиков зависимостей выходног
о параметра от разных входных параметров.

Разработка СПМ модели процесса приготовления помадного сиропа
Структурно-параметрическая модель процесса приготовления сахарного
сиропа показана на рисунке 3.

Рис. 4. Пример полученных графиков зависимости выходного
параметра при меняющихся X1 и X2 и постоянном X3

Разработка СПМ модели процесса приготовления помадного сиропа
СП модель процесса приготовления помадного сиропа представлена на
рисунке 5.

Рис. 3. Параметрическая модель процесса приготовления сахарного сиропа

Входные параметры:
X1– угол естественного откоса (для определения гранулометрического состава
сахара – песка), град. 40 - 50
X2 – рН от 6,0 до 7,5
Х3 – концентрация сахара в сиропе от 80 до 75%
X4 – влажность сахара - песка 0,14 – 0,15 %
Х5 – частота перемешивания 28 – 35 об/мин
Х6 – время перемешивания, τ 1,0—1,5 мин.
Х7 – температура сахарного сиропа 90—95°С
Х8 – давление греющего пара в колонке 0,34—0,4 Мпа
Выходной параметр:
Y1сс – вкус готового сахарного сиропа (величина кристаллов сахара в сахарном
сиропе) (от 50 до 90 мкм).
На основании проведенных расчетов получен критерий качества - вкус
сахарного сиропа Y1сс
Y1сс = 0,52X1+0,24X2+0,78X3-0,42X4+0,58X5+0,68X6+0,62X7+0,45X8
(5)

Рис. 5. СП модель процесса приготовления помадного сиропа

Х4 – вязкость сахарного сиропа,ϻ от 13 до 20 Пас
Х5 – давление греющего пара в рубашке помадоварочной станции Р1 от 392
до 499 кПа
Х6 – давление внутри помадоварочной станции Р2 от 98 до 105 кПа
Х7 – время уваривания, τ 30—40 мин.
Y1пс – качество готового помадного сиропа – вкус: величина кристаллов сахара
в помадном сиропе (от 40 до 80 мкм).
На основании проведенных расчетов представлен показатель Y1пс:
Y1пс = 0,89X1-0,65X2+0,93X3+0,82X4+0,47X5+0,54X6+0,68X7
(6)
Полученные результаты зависимости между выходным параметром и переменными входными параметрами показаны в виде наглядных графиков для
их анализа ( часть полученных данных приведена на рисунке 6).

Автоматизированные системы управления биотехнологическими процессами

78 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Разработка СПМ модели процесса сбивания помадных масс

Рис.6. Зависимости между выходным параметром и переменными входными параметрами

Разработанная структурно – параметрическая модель процесса сбивания
помадных масс представлена на рисунке 7.

Рис. 7. Параметрическая модель процесса сбивания помадных конфет

X1 – температура сиропа (п.с.), подаваемого на сбивание Тп.с. от 105 до 109 °С;
X2 – вязкость подаваемого на сбивание п.с., ɳ (от 9,0 Пас до 16 Пас);
X3 – массовая доля влаги подаваемого на сбивание п.с. W ( от 15% до 19%);
X4 – плотность п.с. ρ (от 730 до 770 кг/м );
X5 – давление пара перед началом сбивания Р (от 98 кПа до 117 кПа);
X6 – время сбивания τ ( от 7 до 10 минут)
X7 – температура процесса сбивания Тсб. от 90°С до 100 °С;
X8 – температура воды в помадосбивальной машине Тх.в от 8°С до 12°С;
X9 – частота вращения сбивальных лопастей п (от 0,35 1/с до 0,65 1/с);
Y1спм – величина кристаллов сахара в помадной массе (от 30 до 70 мкм).
На основании проведенных расчетов получен критерий Y1спм:
Y1спм=-0,76X1+0,84X2-0,62X3+0,38X4+0,24X5+0,82X6+0,14X7-0,56X8+0,56X9 (4.7)

Рис. 8. Зависимости между параметром Y1спм и входными параметрами

Зависимости между выходным параметром Y1спм и переменными входными параметрами даны на рисунке 8.
Разработанная СПМ процесса приготовления помадной конфетной массы представлена на рисунке 9.
X1- объем поступающей помадной массы 7,5-8 т/час
Х2 -температура поступающей помадной массы 75-80 оС
Х3- количество оборотов мешалки в темперирующей машине 50-60 в минуту.
Х4 -температура воды в рубашке темперирующей машины 40-50 оС
Y1км –величина кристаллов сахарав конфетной массе (от 30 до 70 мкм),
Y2км – вязкость конфетной массы, от 11х10-2 до 44х10-2 Па с,
Y3км - скорость выхода массы из матричного отверстия, от 9 до 15 мм/с.

Рис. 9. СПМ процесса приготовления конфетной массы.

Критерий качества Yк приготовления помадных конфетных масс:
Yк =- 0,64 X1+0,86X2-0,72X3+0,82X4+0,68X5
(8)
показал, что наибольшее влияние оказывают температура поступающей помадной массы, а также количество оборотов мешалки в темперирующей машине.

Автоматизированные системы управления биотехнологическими процессами

Зависимости между Yк и входными параметрами приведены на рисунке10.

80 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

цесса формования помадных масс. Приведенные на рисунке 12 часть полученных графиков наглядно демонстрируют зависимости выходных параметров Уi
при одном постоянном входном параметре Xin и меняющихся остальных входных параметрах Xi.

Рис.10. Зависимости между Yк и входными параметрами

Разработка СПМ модели процесса формования корпусов конфет
Разработанная структурно – параметрическая модель процесса формования корпусов конфет показана на рисунке11.

Рис. 12. Графики зависимости выходных параметров Уi при одном постоянном входном параметре Xin и меняющихся остальных входных параметрах Xi.

Таким образом, полученные структурно- параметрические и математические модели всех стадий производства помадных конфет позволяют наглядно
изучить влияние входных контролируемых и регулируемых параметров, возмущающих воздействий на исследуемые показатели качества на всех стадиях
кондитерского производства, а также дают возможность прогнозировать ход
этих технологических процессов и определять необходимые при этом режимы
работы используемого оборудования
Рис. 11. СПМ процесса формования корпусов конфет

X1- скорость выхода массы из матричного отверстия ( от 9 до 15 мм/с);
X2 – реологические свойства помадных масс (от 4х10-2 Пас до 32х10-2Пас);
X3 – температура помадной массы, поступающей на формование (от 32 С0до
42 С0).
X4 - скорость транспортерной ленты при проведении эксперимента эксперимента была постоянной - 22,68 мм/с, (может меняться от 20 до 24,5 мм/с).
Описание выходных величин:
У1- высота конфетного жгута на выходе (изменение высоты конфетного жгута в
рабочем режиме может изменяться от 0,8 до 1,2 мм);
У2 – изменение размеров кристаллов сахара в конфетных массах от 30 до 70
мкм;
У3– цвет конфетных масс, до 5 баллов.
На основе проведенных исследований получена следующая математическая модель процесса формования при производстве помадных конфет
У1 = 0,55 X1+0,76 X2+0,57 X3-0,68 X4
(4.9)
У2 = 0,52 X2
У3 = 0,26 X2+0,39 X3
Коэффициенты уравнений рассчитывались с использованием программы
Method. Изначально, как приведено выше, задавали входные параметры про-

Список литературы
1. Благовещенский И.Г., Благовещенский В.Г., Мокрушин С.А., Игольников А.О., Благовещенская М.М. Применение WEB-технологий для создания автоматизированных систем
мониторига производства пищевых продуктов. В сборнике: РОГОВСКИЕ ЧТЕНИЯ.
сборник докладов научно-практической конференции с международным участием.
Курск, 2023. С. 121-125.
2. Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Крот О.А., Киселев С.В.
Структура компьютерной системы формирования базы знаний / В сборнике: Интеллектуальные автоматизированные управляющие системы в биотехнологических процессах.
сборник докладов всероссийской научно-практической конференции. Москва, 2023. С.
139-146.
3. Благовещенский И.Г., Ребус Н.А. Автоматизированный сбор информации для улучшения
моделирования сложных систем в пищевой промышленности / В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник
научных докладов IV Международной специализированной конференции-выставки. Москва, 2023. С. 164-172.
4. Благовещенская М.М., Благовещенский В.Г., Краснов А.Е., Благовещенский И.Г., Холопов В.А., Попов А.С. Анализ особенностей использования систем искусственного интеллекта а решении задач автоматизации контроля и управления качеством производства
кондитерской продукции / В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова. Курск, 2023. С. 20-27.

Автоматизированные системы управления биотехнологическими процессами

5. Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Осташов П.И., Благовещенская М.М. Цифровизация производства пищевых продуктов / В сборнике: РОГОВСКИЕ
ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 262-270.
6. Зеленова Е.Н., Благовещенский И.Г., Зуева Ю.В., Благовещенский В.Г., Мокрушин С.А.,
Носенко А.С. Разработка информационно- логической модели / В сборнике: Роговские
чтения. Секция "Автоматизация технологических процессов и производств". cборник
докладов научно-практической конференции с международным участием. Курск, 2023.
С. 266-273.
7. Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
8. Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
9. Благовещенский В.Г., Краснов А.Е., Баженов Е.И., Благовещенская М.М., Мокрушин
С.А.// Применение нейросетевых технологий для управления качеством кондитерских
изделий в процессе производства/ Благовещенский В.Г., Краснов А.Е., Баженов Е.И.,
Благовещенская М.М., Мокрушин С.А.//Системы управления и информационные технологии. 2021. № 3 (85). С. 37-41.
10. Благовещенский В. Г. Интеллектуальный анализ данных для систем поддержки принятия решений диагностики процессов производства пищевой продукции/ Благовещенский
В. Г. // Сборник научных статей П международной научно- практической конференции
«Цифровизация агропромышленного комплекса». Тамбов: Издательский центр ФГБОУ
ВО «ТГТУ». 2020. Том I. С.105-110.
11. Благовещенский В. Г. Использование методов визуальной корреляции для анализа данных от различных источников // Сборник научных статей П международной научнопрактической конференции «Цифровизация агропромышленного комплекса». Тамбов:
Издательский центр ФГБОУ ВО «ТГТУ». 2020. Том I. С.87-92.
12. Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.
13. Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
14. Органолептические показатели качества современной кондитерской продукции. Благовещенский В.Г., Кротов И.В., Благовещенский И.Г. Свидетельство о регистрации базы
данных RU 2024625642, 02.12.2024. Заявка № 2024625359 от 16.11.2024.
15. Реологические показатели качества современной кондитерской продукции. Благовещенский В.Г., Благовещенский И.Г., Кротов И.В. Свидетельство о регистрации базы данных
RU 2024626158, 19.12.2024. Заявка № 2024625798 от 29.11.2024.

82 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
УДК 629.7.022
К.Э. Ваниев, Т.Н. Голикова
Финансовый университет при Правительстве РФ

РАЗРАБОТКА ЭЛЕКТРИЧЕСКОЙ СХЕМЫ КОНВЕРТОПЛАНА
К.Э. Ваниев, Т.Н. Голикова РАЗРАБОТКА ЭЛЕКТРИЧЕСКОЙ СХЕМЫ КОНВЕРТОПЛАНА

Аннотация: В статье представлены результаты научно-исследовательских и опытноконструкторских работ (НИОКР), направленных на разработку электрической схемы для
конвертоплана на базе беспилотного воздушного судна (БВС). Электрической схемы обеспечивает управление пятью электродвигателями, сервоприводами для складывания шасси и
закрылками, а также сбор и обработку данных с датчиков. Разработанное решение включает
в себя подбор доступных на рынке электронных компонентов, расчет электропотребления и
создание прототипа. Результаты соответствуют техническим требованиям, включая надежность, ремонтопригодность, минимальные массу и габариты, а также стоимость.
Ключевые слова: конвертоплан, электрическая схема, беспилотное воздушное судно,
электродвигатели, сервоприводы, датчики, STM32, LoRa.

Конвертопланы, сочетающие в себе возможности вертикального взлета и
посадки (VTOL) и горизонтального полета, представляют собой перспективное
направление в развитии беспилотных воздушных судов (БВС). Одной из ключевых задач при создании конвертопланов является разработка надежной и эффективной электрической схемы, обеспечивающей управление двигателями,
сервоприводами и сбор данных с датчиков. В рамках данной работы поставлена
задача создания типовой электрической схемы для конвертоплана, которая будет соответствовать требованиям по надежности, ремонтопригодности, массе,
габаритам и стоимости.
Основной целью работы является разработка электрической схемы для
конвертоплана, включающей управление пятью электродвигателями (4 для вертикального взлета и посадки с тягой 2,2 кг каждый и 1 основной двигатель с тягой 3 кг), управление сервоприводами для складывания шасси и закрылков,
сбор и обработку данных с датчиков (гироскоп, акселерометр, датчик давления,
GPS), передачу данных на наземную станцию с использованием модуля LoRa и
обеспечение питания бортовых систем от LiPo-аккумулятора.
Для выполнения поставленной задачи была сформирована инженерная
команда, обладающая опытом в области электроники, схемотехники и авиамоделирования. Процесс разработки включал анализ требований, подбор компонентов, расчет электропотребления, разработка схемы, создание прототипа.
В рамках проведенных работ были определены технические характеристики и функциональные возможности электрической схемы, а также проведен
выбор доступных на рынке электронных компонентов, включая контроллер
STM32F405, сервоприводы DS3225, датчики BMP180 и GY-521, модуль LoRa
E01-ML01DP5, а также ESC (Electronic Speed Controller) для управления двигателями. Для подбора аккумулятора и понижающих преобразователей была определена потребляемая мощность двигателей и бортовых систем. На основе
решения предварительных задач создана принципиальная схема с использованием CAD-систем, включая подключение всех компонентов и обеспечение их

Автоматизированные системы управления биотехнологическими процессами

взаимодействия, а также изготовлен прототип электрической схемы и проведено его тестирование на соответствие техническим требованиям.
Разработанная электрическая схема включает в себя контроллер
STM32F405, обеспечивающий управление двигателями, сервоприводами и сбор
данных с датчиков. При этом сервоприводы DS3225 используются для управления шасси и закрылками, а датчики BMP180 и GY-521 обеспечивают сбор
данных о давлении, угле наклона, скорости и высоте. Модуль LoRa E01ML01DP5 обеспечивает передачу данных на наземную станцию, модуль ESC
(Electronic Speed Controller) используется для управления оборотами двигателей, а LiPo-аккумулятор 6S емкостью 6000 мА·ч обеспечивает питание бортовых систем.
Табл.1. Характеристики электрической схемы конвертоплана
Наименование
Значение
Количество двигателей
Тяга двигателей VTOL
Тяга основного двигателя
Количество сервоприводов
Масса электрической схемы
Стоимость компонентов

5
2,2
3
4
1,5
75 000

Единица
измерения
шт.
кг
кг
шт.
кг
руб.

Электрическая схема была протестирована на соответствие техническим
требованиям, включая надежность, ремонтопригодность, минимальные массу и
габариты, а также стоимость, которая не превысила 75 000 рублей. Результаты
тестирования представлены в таблице 1.
Электрическая схема прототипа реализованной системы управления конвертопланом приведена на рисунке 1.

84 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

данных с датчиков и передачу информации на наземную станцию. Использование доступных на рынке компонентов позволило снизить стоимость разработки, сохранив при этом высокую надежность и ремонтопригодность системы.
Электрическая схема может быть адаптирована для различных типов конвертопланов и масштабирована в зависимости от требований конкретного проекта.
В результате проведенных НИОКР разработана электрическая схема для
конвертоплана, которая соответствует всем поставленным техническим и пользовательским требованиям. Разработанное решение обеспечивает высокую надежность, минимальные массу и габариты, а также низкую стоимость, что делает его пригодным для использования в различных сферах, включая доставку
грузов и мониторинг местности. При выполнении исследовательских работ были использованы источники [1–13].
1.
2.
3.
4.
5.
6.
7.

8.
9.

10.

11.
12.
13.

Рис. 1. Общий вид электрической схемы конвертоплана

Разработанная электрическая схема обеспечивает выполнение всех поставленных задач, включая управление двигателями и сервоприводами, сбор

Список литературы
ГОСТ Р 59751-2021. Беспилотные авиационные системы с беспилотными воздушными
судами самолетного типа.
Datasheet STM32F405. STMicroelectronics, 2024.– 205 с.
Datasheet DS3225 Servo. Dongguan City Dsservo Technology Co. Ltd, 2018.– 2 с.
Datasheet BMP180. Bosch Sensortec, 2013.– 28 с.
Datasheet GY-521. InvenSense, 2013.– 52 с.
Datasheet LoRa E01-ML01DP5. Ebyte, 2019.– 10 с.
Крахмалев, О. Н. Моделирование манипуляционных систем роботов : учебное пособие /
О. Н. Крахмалев. – 2-е изд. – Москва : Ай Пи Ар Медиа, 2024. – 198 c. – ISBN 978-54497-3377-1. – Текст : электронный // Цифровой образовательный ресурс IPR SMART :
[сайт]. – URL: https://www.iprbookshop.ru/141848.html (дата обращения: 29.08.2024).
Крахмалев, О. Н. Объектное моделирование в кинематике манипуляционных роботов /
О.Н. Крахмалев // Нейрокомпьютеры: разработка, применение, 2022. – №5. – С. 55–66.
https://doi.org/10.18127/j19998554-202205-06.
Каргин, В.А. Интеллектуальная автоматизированная система мониторинга засорения земель борщевиком Сосновского / В.А. Каргин, И.В. Кротов, Н.И. Гданский, С.А. Мокрушин, О.Н. Крахмалев // Научно-технический вестник Поволжья. – 2024. – №10. – С. 114118.
Krakhmalev, O.; Korchagin, S.; Pleshakova, E.; Nikitin, P.; Tsibizova, O.; Sycheva, I.; Liang,
K.; Serdechnyy, D.; Gataullin, S.; Krakhmalev, N. Parallel Computational Algorithm for Object-Oriented Modeling of Manipulation Robots. Mathematics, 2021, 9, 2886.
https://doi.org/10.3390/math9222886.
Krakhmalev, O.; Krakhmalev, N.; Gataullin, S.; Makarenko, I.; Nikitin, P.; Serdechnyy, D.;
Kang, L.; Korchagin, S. Mathematics Model for 6-DOF Joints Manipulation Robots. Mathematics, 2021, 9, 2828. https://doi.org/10.3390/math9212828.
Krakhmalev, O.; Gataullin, S.; Boltachev, E.; Korchagin, S.; Blagoveshchensky, I.; Liang, K.
Robotic Complex for Harvesting Apple Crops. Robotics, 2022, 11, 77.
https://doi.org/10.3390/robotics11040077.
Kang Liang, Zhang Xiukai, Oleg Krakhmalev. SLSL-QPSO: Quantum-behaved particle swarm
optimization with short-lived swarm layers. SoftwareX, 2023, 24, 101536,
https://doi.org/10.1016/j.softx.2023.101536.

Автоматизированные системы управления биотехнологическими процессами

УДК 629.7.022
А.Р. Гармаев, А.Д. Думнова
Финансовый университет при Правительстве РФ.

РАЗРАБОТКА АВТОМАТИЧЕСКОЙ ЗАМЕНЫ АККУМУЛЯТОРА ДЛЯ
НЕПРЕРЫВНОЙ РАБОТЫ БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА
А.Р. Гармаев, А.Д. Думнова РАЗРАБОТКА АВТОМАТИЧЕСКОЙ ЗАМЕНЫ АККУМУЛЯТОРА ДЛЯ НЕПРЕРЫВНОЙ РАБОТЫ БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА

Аннотация: В статье представлены результаты научно-исследовательских и опытноконструкторских работ (НИОКР), направленных на разработку и реализацию конструкции
захвата и сброса аккумуляторов беспилотного воздушного судна (БВС), а также площадки
для подзарядки аккумуляторов с магнитным контактом. Разработанное решение было сделано на основе обзора и анализа существующих решений, рассмотрения их плюсов и недостатков и позволяет осуществлять замену аккумулятора для непрерывной работы БВС. Для разработки технологии
Ключевые слова: беспилотное воздушное судно, технология, аккумулятор, моделирование, разработка, технология.

В настоящее время стали востребованными технологии беспилотных воздушных судов (БВС), которые используются в различных сферах деятельности
человека. Вместе с тем и есть недостатки таких судов, в частности их зависимость от продолжительности работы от аккумуляторов, необходимость их ручной замены. Для решения этой проблемы была поставлена задача создания технологии, способной снизить затраты на применение агродронов и повысить
эффективность его работы путем исключения человеческого фактора. Система
должна представлять собой кейс, расположенный на БВС для размещения аккумулятора и наземной площадки для подзарядки 2х аккумуляторов. В случае
разряда аккумулятора БВС садится на наземную станцию, система производит
замену разряженного аккумулятора на заряженный таким образом, чтобы разряженный был поставлен на зарядку.
Для решения поставленной задачи в стенах университета была сформирована молодежная инженерная команда, участники которой имели знания в
области конструирования, электроники и программирования, а также опыт работы с микропроцессорами и с программой «Компас 3D».
Участниками команды был проведен обзор существующих аналогов решения данной задачи и проведен их анализ. Были рассмотрены следующие
иностранные решения: Automated Battery Swap and Recharge to Enable Persistent
UAV Missions, Swap-it: the Autonomous Drone-battery Swapping Platform, Autonomous drone battery replacement British company Vikaso, RAPID | Prototype for the
Battery-Hot-Swap-Station. Основные результаты анализа представлены в виде
следующей таблицы 1.
Приняв во внимание основные недостатки данных аналогов, а также их
плюсы, решено некоторые инженерные решения данных аналогов использовать
в своей разработке. Из решения Automated Battery Swap and Recharge to Enable
Persistent UAV Missions решено использовать кейсы с АКБ, принцип револьверных барабанов, толкатели. Принцип перемещения дрона после его посадки в
произвольном порядке из Swap-it: the Autonomous Drone-battery Swapping Plat-

86 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

form. Фиксирование дрона перед заменой АКБ из RAPID | Prototype for the Battery-Hot-Swap-Station. На основе этого были выведены основные параметры будущего решения, и сформировано техническое задание на разработку собственного решения.
Табл.1. Анализ существующих аналогов автоматической замены аккумуляторов БВС
Решение
Краткое описание
Недостатки
Automated Battery Swap and Представляет собой станцию замены Необходимость поRecharge to Enable Persistent АКБ и их зарядки, состоящую из ком- садки дрона на
площадку станции
понент:
UAV Missions
с точностью до
Кейсы с АКБ.
Станция из двух барабанов револьвер- сантиметра
ного типа, содержащих кейсы с АКБ.
Приемники кейсов АКБ на дроне, в
слотах барабанов
Площадка для посадки дрона
Swap-it:
the
Autonomous При подлете дрона принимающий Необходимость
Drone-battery Swapping Plat- компонент платформы захватывает оператора для попозицию дрона, следуя за его переме- садки из-за нестаform
щением. Далее принимающий компо- бильности положенент перемещает дрон на станцию за- ния дрона перед
посадкой - принимены АКБ.
мающая компонента платформы следует за дроном с
задержкой
Autonomous drone battery re- Замена АКБ с помощью робота мани- Высокая стоимость
реализации техноplacement British company пулятора.
логии и прерываVikaso
ния питания дрона
RAPID | Prototype for the Bat- Точная посадка дрона перед платфор- Необходимость
посадки
tery-Hot-Swap-Station
мой для замены АКБ. Его перемеще- точной
ние к станции замены АКБ. Закрепле- дрона
ние дрона на станции, смена аккумуляторов.

Проектная часть будущего решения была разделена на следующие части:
посадочная площадка, кейс АКБ, станция замены. Рассмотрим более подробно
процесс проектирования выделенных частей решения:
Посадочная площадка - квадратная площадка, на которую садится дрон.
Для реализации инженерного замысла площадка должна содержать планку
длиной, равной стороне площадки, которая с помощью тягового механизма перемещает дрон к краю площадки, в которой расположена станция замены АКБ,
а также планку длиной, равной ширине ножек дрона, которая с помощью тягового механизма перемещает дрон к станции замены АКБ, вдоль планки, находящейся после ее передвижения по первой планке. Проект разрабатываемой
площадки представлен на следующей схеме:

Автоматизированные системы управления биотехнологическими процессами

88 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис. 3. Схематичное изображение станции замены АКБ.

Рис. 1. Схема посадочной площадки БВС

Кейс АКБ - питание БВС осуществляется через кейс, содержащий АКБ.
Внутри кейса содержатся токопроводящие дорожки, через которые осуществляется контакт с токопроводящими дорожками на корпусе АКБ. Питание на
дрон передается с токопроводящих дорожек кейса через провода, подсоединенным к дорожкам.

В результате проведенных исследований получилось разработать технологию замены аккумулятора для непрерывной работы БВС. Практическая реализация полученной технологии с использованием 3D-моделирования и последующей печати деталей на 3D-принтере, сборка и промышленные испытания
покажут эффективность предложенного решения. Работы сделаны в рамках параметров технического задания, что и представлено в следующей таблице:
Параметр

Табл.2. Сравнение параметров ТЗ и полученного решения
ТЗ
Решение

Вес АКБ

Не более 5 кг

Менее 5 кг

Количество АКБ на борту

Не более 1 шт.

1 шт.

«Количество банок» (АКБ)

Таким образом, результатом проведенных НИОКР стала разработка технологии автоматической замены аккумулятора для непрерывной работы беспилотного воздушного судна. Разработанная технология может использоваться
для осуществления непрерывной работы БВС в таких отраслях как сельское хозяйство, как было заявлено в техническом задании, так и для других отраслей,
где необходима интенсивная работа БВС. При выполнении исследовательских
работ были использованы источники [1–12].
Рис. 2. Схематичное изображение кейса АКБ

Станция замены, принцип действия - под дроном, перемещенным на
станцию замены, находится площадка замены, с токопроводящими дорожками.
Первый толкатель заталкивает заряженный АКБ в кейс под днищем дрона.
Осуществив заталкивание, толкатель возвращается в исходное положение. В
процессе заталкивания заряженный аккумулятор выталкивает разряженный
АКБ, находящийся в кейсе под днищем дрона. Питание дрона не прерывается
за счет того, что одновременно питание осуществляется с разряженного/заряженного АКБ, т.к. происходит параллельное подсоединение. Разряженный АКБ своими токопроводящими дорожками контактирует с токопроводящими дорожками на площадке замены АКБ, осуществляется его заряд. При
очередном цикле смены АКБ, происходят аналогичные действия для замены
аккумулятора, но задействован уже другой толкатель.

1.
2.
3.

5.
6.

Список литературы
ГОСТ Р 59751-2021. Беспилотные авиационные системы с беспилотными воздушными
судами самолетного типа.
Autonomous drone battery replacement British company Vikaso. Электронный ресурс:
https://vikaso.co.uk/drone-battery-swap, дата обращения: 10.10.2024.
Michini, Bernard, Tuna Toksoz, Joshua Redding, Matthew Michini, Jonathan How, Matthew
Vavrina, and John Vian. “Automated Battery Swap and Recharge to Enable Persistent UAV
Missions.” In Infotech@Aerospace 2011. American Institute of Aeronautics and Astronautics,
2011. Электронный ресурс: https://dspace.mit.edu/handle/1721.1/81474, дата обращения:
10.10.2024.
Schneider V. E. et al. The development of a Battery Hot Swap prototype for use on the Autonomous Surface Vehicle SeaML: SeaLion. – 2022. Электронный ресурс:
https://publica.fraunhofer.de/entities/publication/597942a1-3500-42d5-a5fa-f7c32bd70785, дата обращения: 11.10.2024.
Swap-It: The Autonomous Drone-Battery Swapping Platform. Электронный ресурс:
https://thewikihow.com/video_MTez24dTvq4, дата обращения: 11.10.2024.
Крахмалев, О. Н. Моделирование манипуляционных систем роботов : учебное пособие /
О. Н. Крахмалев. – 2-е изд. – Москва : Ай Пи Ар Медиа, 2024. – 198 c. – ISBN 978-5-

Автоматизированные системы управления биотехнологическими процессами

4497-3377-1. – Текст : электронный // Цифровой образовательный ресурс IPR SMART :
[сайт]. – URL: https://www.iprbookshop.ru/141848.html (дата обращения: 29.08.2024).
7. Крахмалев, О. Н. Объектное моделирование в кинематике манипуляционных роботов /
О.Н. Крахмалев // Нейрокомпьютеры: разработка, применение, 2022. – №5. – С. 55–66.
https://doi.org/10.18127/j19998554-202205-06.
8. Каргин, В.А. Интеллектуальная автоматизированная система мониторинга засорения земель борщевиком Сосновского / В.А. Каргин, И.В. Кротов, Н.И. Гданский, С.А. Мокрушин, О.Н. Крахмалев // Научно-технический вестник Поволжья. – 2024. – №10. – С. 114118.
9. Krakhmalev, O.; Korchagin, S.; Pleshakova, E.; Nikitin, P.; Tsibizova, O.; Sycheva, I.; Liang,
K.; Serdechnyy, D.; Gataullin, S.; Krakhmalev, N. Parallel Computational Algorithm for Object-Oriented Modeling of Manipulation Robots. Mathematics, 2021, 9, 2886.
https://doi.org/10.3390/math9222886.
10. Krakhmalev, O.; Krakhmalev, N.; Gataullin, S.; Makarenko, I.; Nikitin, P.; Serdechnyy, D.;
Kang, L.; Korchagin, S. Mathematics Model for 6-DOF Joints Manipulation Robots. Mathematics, 2021, 9, 2828. https://doi.org/10.3390/math9212828.
11. Krakhmalev, O.; Gataullin, S.; Boltachev, E.; Korchagin, S.; Blagoveshchensky, I.; Liang, K.
Robotic Complex for Harvesting Apple Crops. Robotics, 2022, 11, 77.
https://doi.org/10.3390/robotics11040077.
12. Kang Liang, Zhang Xiukai, Oleg Krakhmalev. SLSL-QPSO: Quantum-behaved particle swarm
optimization with short-lived swarm layers. SoftwareX, 2023, 24, 101536,
https://doi.org/10.1016/j.softx.2023.101536.
УДК 681.515
Н.И. Гданский1,2, П.М. Барышев1
1
Российский биотехнологический университет (РОСБИОТЕХ)
2
Национальный исследовательский университет «МЭИ»

АНАЛИЗ РАБОТЫ PID-РЕГУЛЯТОРА И СИСТЕМ НА НЕЧЕТКОЙ
ЛОГИКЕ ДЛЯ УПРАВЛЕНИЯ ВЕРТИКАЛЬНЫМИ
ВЕТРОГЕНЕРАТОРАМИ С ПОВОРОТНЫМИ ЛОПАСТЯМИ
Н.И. Гданский, П.М. Барышев АНАЛИЗ РАБОТЫ PID-РЕГУЛЯТОРА И СИСТЕМ НА НЕЧЕТКОЙ ЛОГИКЕ ДЛЯ УПРАВЛЕНИЯ ВЕРТИКАЛЬНЫМИ ВЕТРОГЕНЕРАТОРАМИ С
ПОВОРОТНЫМИ ЛОПАСТЯМИ

Аннотация. В статье рассмотрено решение “скользящих” систем линейных уравнений, которые отличаются друг от друга одним уравнением. На основании анализа обычного
метода Гаусса предложен его обращенный вариант, который позволяет существенно сократить вычислительную сложность итогового расчетного алгоритма, в котором решаются все
скользящие системы.
Ключевые слова: адаптивное управление, решения систем линейных алгебраических
уравнений, метод Гаусса

Введение. Ветроэнергетика является одним из наиболее динамично развивающихся направлений возобновляемой энергетики. Вертикальные ветрогенераторы с поворотными лопастями (ВВПЛ) обладают рядом преимуществ, таких как компактность, возможность работы при низких скоростях ветра и независимость от направления ветра [1]. Однако их эффективность во многом зависит от качества системы управления, которая должна обеспечивать стабильную
работу в условиях изменяющихся ветровых нагрузок [3].
Управление ВВПЛ с поворотными лопастями направлено на оптимизацию угла атаки лопастей для максимизации мощности генерации и минимиза-

90 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ции механических нагрузок на конструкцию. Стабилизация скорости вращения
ротора, адаптация к изменяющимся условиям ветра и предотвращение перегрузок и повреждений конструкции – основные задачи системы управления ВВПЛ.
В данной статье рассматриваются два подхода к управлению ВВПЛ: классический PID-регулятор и системы на нечеткой логике.
PID-регулятор в управлении ВВПЛ
PID-регулятор (Proportional-Integral-Derivative) является классическим
методом управления, который благодаря таким преимуществам, как простота
настройки и высокая точность в установившихся режимах, широко применяется в промышленности. Однако PID-регулятор имеет ограничения при работе в
условиях нестационарных процессов. В работе ветроагрегатов их создают резкие изменения скорости ветра. Это связано с линейным характером регулятора,
который не всегда эффективно справляется с нелинейными динамическими
системами.
Поэтому PID-регулятор может быть эффективен для управления ВВПЛ в
условиях умеренных ветровых нагрузок, но при внезапном изменении скорости
ветра PID-регулятор может демонстрировать инерционность или перерегулирование [5].
Системы управления на нечеткой логике
Системы на нечеткой логике (Fuzzy Logic Control, FLC) представляют собой нелинейный подход к управлению, основанный на теории нечетких множеств и позволяющий использовать при управлении общие правила, характеризующие оптимальное поведение системы в переходных режимах.
К основным элементам систем на нечеткой логике относятся:
1. Фаззификация - преобразование входных данных, таких как скорость
ветра, направление ветра в нечеткие множества.
2. База правил – это набор лингвистических правил, описывающих поведение системы.
3. Дефаззификация – это преобразование нечетких выводов в четкие значения управления.
FLC имеют возможность работы с неопределенностью и неточностями
входных данных, а так же они имеют высокую адаптивность к изменяющимся
условиям, что делает их более эффективными для управления ВВПЛ, по сравнению с PID-регуляторами, особенно – при переходных режимах.
Использование систем на нечеткой логике позволяет минимизировать
резкие изменения параметров управления, что снижает механические нагрузки
на конструкцию и увеличивает срок службы оборудования [4].
Сравнительный анализ PID-регуляторов и систем на нечеткой логике
PID-регулятор обеспечивает высокую точность в установившихся режимах, но имеет задержки при реакции на резкие изменения ветровой нагрузки.
FLC демонстрирует лучшую адаптивность и быстродействие в условиях
нестационарных процессов, но требует более сложной настройки и вычислительных ресурсов, однако, в долгосрочной перспективе они компенсируют это

Автоматизированные системы управления биотехнологическими процессами

за счет меньшего износа оборудования. [2] В таблице 1 представлены сравнительные характеристики рассмотренных систем.
Табл.1. Преимущества и недостатки систем управления ВВПЛ.
Метод управления
Преимущества
Недостатки
PID-регулятор
Простота настройки, высоОграничения в условиях
кая точность в установивнестационарных процессах
шихся режимах
Системы на нечеткой логиЭффективная работа с неСложность настройки праке
линейными системами
вил управления и требование вычислительных ресурсов.

Заключение. Управление вертикальными ветрогенераторами с поворотными лопастями представляет собой сложную комплексную задачу, которая
требует учета нелинейных и нестационарных характеристик системы.
Комплексное сравнение показывает, что, несмотря на более сложную настройку, системы управления на нечеткой логике более эффективны для управления данными ветроагрегатами.
Список литературы
1. Горячев С. В., Смолякова А. А. Проблемы и перспективы ветрогенерирующих систем в
России // МНИЖ. 2022. №5-1 (119).
2. Манусов В. З., Ядагаев Э. Г. Анализ функционирования нечеткого регулятора мощности
ветроэнергетической установки в режиме рабочих ветров // Доклады ТУСУР. 2012. №1-1
(25).
3. Попова И. Г., Кравцов В. Б., Камелина Е. С., Гребенюк И. А. Исследование опыта использования ветрогенераторов // Молодой исследователь Дона. 2021. №1 (28).
4. Санкевич С. А., Петренко Ю. Н. Оптимизация режимов работы ветроэлектрической установки // Системный анализ и прикладная информатика. 2013. №1-2. С. 27-31.
5. Шукирова А.К., Ускенбаева Г.А., Рзаева Л.Г., Абдугулова Ж.К., Наурызбаева А.И. Адаптивный нечеткий ПИД-регулятор системы управления углом наклона лопасти ветрогенератора // Вестник КазАТК. 2022. №2 (121). С. 580–590.

92 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
УДК 681.515
Н.И. Гданский1,2, А.В. Карпов3, Хссан Тарик1
1
Российский биотехнологический университет (РОСБИОТЕХ)
2
Национальный исследовательский университет «МЭИ»
3
Московский политехнический университет

МОДИФИКАЦИЯ МЕТОДА ГАУССА ДЛЯ РЕШЕНИЯ СКОЛЬЗЯЩИХ
СИСТЕМ ЛИНЕЙНЫХ УРАВНЕНИЙ
Н.И. Гданский, А.В. Карпов, Хссан Тарик МОДИФИКАЦИЯ МЕТОДА ГАУССА ДЛЯ РЕШЕНИЯ СКОЛЬЗЯЩИХ СИСТЕМ ЛИНЕЙНЫХ УРАВНЕНИЙ

Введение. Для управления объектами и процессами с недетерминированным, заранее непредсказуемым характером поведения необходимо применять
адаптивные методы управления, которые способны оперативно перестраивать
алгоритм управления на основании получаемых данных обратной связи о текущем поведении объекта управления [1-4]. Наиболее эффективным является
прогнозирование текущего поведения, которое используется, в частности, в методе управления с прогнозирующими моделями – Model Predictive Control
(MPC) [5-7]. Также для реализации адаптивного управления объектами с одной
степенью свободы в недетерминированных средах предложено использовать
прогнозирование приведенной внешней нагрузки, в которую наряду с внешними силовыми факторами также включен инерционные нагрузки [8].
Для повышения устойчивости процесса управления необходимо уменьшать влияние шумов в данных обратной связи на величины расчетных параметров управления. С этой целью в методе с прогнозированием внешней нагрузки предложено учитывать избыточный объем входных данных с последующей фильтрацией получаемых решений.
Рассмотрим определение с помощью линейных уравнений n неизвестных
управляющих параметровx = (x1, …, xn). Одиночную линейную формульную
зависимость между компонентами вектора x при помощи вектора коэффициентов а =(a1,a2,...,an) и свободного коэффициента b представим в виде:
eq1: a1 х1 + a2 х2 + ...+ an х n = (а,x) = b.
Данные обратной связи в каждый момент времени ti позволяют сформировать только одно такое уравнение. Для расчета всего вектораx необходимо
сформировать систему линейных уравнений [9]
eq0: a01 х1 + a02 х2 + ...+ a0n х n = b0;
eq1: a11 х1 + a12 х2 + ...+ a1n х n = b1;
…
eq(n-1): a(n-1)1 х1 + a(n-1)2 х2 + ...+ a(n-1n х n = b n-1.

(1)

Автоматизированные системы управления биотехнологическими процессами

В ней коэффициентыа(i) и b(i) каждого уравнения определяются в процессе обработки данных обратной связи для последовательных моментов времени t0, t1, …, tn-1. Реально получаемые значения коэффициентов матрицы А
всегда содержат погрешности, обусловленные измерениями, оцифровкой и другими процессами. Они, как правило, существенно сказываются на точности получаемого решения x.
Поэтому для повышения точности расчета вектора управляющих параметровx предложена схема двойной фильтрации, которая предусматривает
выполнение следующих основных шагов.
1. Построение расширенной совокупности линейных уравнений связи для моментов времени t0, t1, …, t(n+m-1):
eq0: a01 х1 + a02 х2 + ...+ a0n х n = b0;
eq1: a11 х1 + a12 х2 + ...+ a1n х n = b1;
…
eq n+m-2: a(n+m-2)1 х1 + a(n+m-2)2 х2 + ...+ a(n+m-2)n х n = b n+m-2.
(2)
2. Формирование и решение набора m скользящих систем линейных уравнений
S0 ={ eq0; eq1;… ; eq(n-1)}; S2 ={ eq1; eq2;… ; eqn };…; Sm-1 ={ eq m-1; eq n+m-2;… ;eq
p
p
n+m-2}. Если решение xабс хотя бы одной из систем S (0p m-1) не существует, то рассмотренный набор данных не является информативным для решаемой задачи. Её решения не существует. Если все решения {xабсp} (0p m-1)
существуют, то переход на шаг 3.
3. Фильтрация полученных решений {xабсp} (0p m-1) с получение искомого
усредненного значения управляющих параметров {x}.
Необходимость решения вместо одной системы S0 совокупности из m
систем S={ {S0; S1;…; Sm-1 } увеличивает вычислительную сложность решаемой
задачи. При простейшем подходе, который заключается в последовательном
полном решении каждой из систем S0; S1;…; Sm-1 обычным методом (например
методом Гаусса) общее количество вычислений увеличивается также в m раз.
Для сокращения общего числа вычислений предложено при определении
решения последующих систем Sp (p>0) использовать данные, полученные при
решении предыдущей системы Sp-1 по методу Гаусса. Однако проверка показывает, что при решении начальной системы S0 при помощи обычного метода Гаусса получаемые данные не могут быть использованы для решения последующих систем S1,S2,…
Рассмотрим данную проблему, а также способ её решения.
Исследование применения обычного метода Гаусса
для решения начальной системы S0
При решении начальной системы S0 ={ eq0; eq1;… ; eq(n-1)} обычным методом Гаусса после выполнения прямого хода с выбором главных элементов
строк система после обнуления элементов под главной диагональю принимает
новый вид, который с учетом принятых обозначений можно представить как:
eq0 = eq0(0);

94 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

eq1 = eq(eq0(0); eq1(1));
eq2 = eq(eq0(0); eq1(1); eq2(2));
…
eq n-2 = eq(eq0(0); eq1(1); … ; eq n-2(n-2));
eq n-1 = eq(eq0(0); eq1(1); … ; eq n-2(n-2); eq n-1(n-1)).
(3)
где через eqi(i) обозначено уравнение с номером i, в котором выполнен выбор
главного элемента и его возможное перемещение на диагональ матрицы путем
перестановки соответствующих столбцов.
Очевидно, при отбрасывании в исходной системе S0 первого уравнения
eq0 и введения вместо него нового eqn при переходе к решению следующей системы S1= {eq1, eq2,…, eqn} результат прямого хода при решении S0 теоретически
не может быть использован при решении S1, поскольку коэффициенты исключаемого первого уравнения eq0 исходной системы (1) могут входить во все
уравнения преобразованной системы (2) с номерами 1, 2, …, n-1.
Справедливость данного факта несложно показать на примерах конкретных скользящих систем уравнений.
Для исключения данного явления предложено модифицировать метод Гаусса таким образом, чтобы данные, полученные при решении начальной системы S0, могли быть максимально использованы при решении последующих систем.
Для того, чтобы обеспечить данную возможность, наряду с решениями
xабсp систем Sp также рассмотрим следующие вспомогательные структуры.
1. Вектор перестановок переменныхper[n]. Каждый его элемент per[i] указывает, на какую позицию в текущий момент попадает переменная хi.
2. Относительное решение хотн, в котором не учитываются перестановки переменных, производимые при решении систем уравнений, учитываемые в векторе
перестановок per[n],
Решение начальной системы уравнений S0 .
Обращённый метод Гаусса. Его общая структура
При решение начальной системы S0 ={ eq0; eq1;… ; eq(n-1)} требуется определить существование её единственного решения с учётом погрешностей и в
случае положительного ответа – найти:
1) её относительное решениехотн (0),
2) соответствующий ему вектор перестановок переменныхperотн (0),
3) абсолютное решение хабс(0), а также
4) вспомогательные структуры данных - урезанную по первой строке нормированную нижнеугольную матрицу А0 и соответствующий ей вектор свободных
коэффициентовb0.
При этом дополнительно требуется учесть наличие погрешностей у коэффициентов уравнений {eq0; eq1; … ; eq(n-1)}. Для этого введем дополнительные параметры, оценивающие точность данных обратной связи и погрешности
их дальнейшей обработки:
1) А - точность определения коэффициентов матрицы А,

Автоматизированные системы управления биотехнологическими процессами

2) b - точность определения коэффициентов свободного вектораb.
В отличие от обычного метода Гаусса, у предлагаемого метода преобразование уравнений начинается с последнего уравнения системы (eq(n-1)) и, соответственно, с его последней переменной (хn). Поэтому данный метод, применяемый на первом шаге построения модели третьего порядка, назван обращённым методом Гаусса решения системы линейных уравнений.
В обращённом методе Гаусса, как и в обычном, выполняются два преобразования уравнений системы.
1.
Прямой ход. Его задача – выяснение существования и единственности
решения системы путём предварительного преобразования её уравнений. В
рассматриваемом методе он выполняется снизу – вверх. Если единственного
решения нет, то производится досрочный выход с отрицательным ответом. Если такое решение есть, то матрица в итоге приводится к нормированному нижнетреугольному виду, при котором на главной диагонали стоят 1, а все элементы выше её равны 0.
2.
Обратный ход. Его задача – определение искомого решения системы. Он
производится сверху – вниз. После его выполнения матрица приводится в единичному диагональному виду, а искомое относительное решениехотн (3r) задаёт
вектор свободных коэффициентов.
Рассмотрим прямой ход. При его выполнении в обращённом методе Гаусса перед обработкой каждой очередной строки i (i = (n -1), (n-2),…,1) матрица
системы имеет следующий вид:
1) на главной диагонали в последующих строках с номерами (i+1), (i+2) , … , (n
-1), n стоят 1 (элементы а(i+1) (i+1) = 1,…, аnn = 1),
2) во всех столбцах с номерами (i+1), (i+2) , … , (n -1), n элементы над главной
диагональю равны 0.
Обработка рассматриваемой очередной строки i начинается с того, что
среди элементов {а(i)(1),…, а(i)(i)} определяется максимальный по модулю, на нём
достигается величина max(аij. По нему производится проверка условия: max(аij)  у. Если данное условие выполнилось, то дальнейшие действия прекращаются и осуществляется выход из функции с отрицательным ответом
(false) – решения не существует. Если условие не выполнилось и полученный
элемент достаточно велик по модулю, то выполнение алгоритма продолжается.
При последующей обработке строки i вначале выполняются следующие
предварительные действия.
1. Если (i  j), то производится смена местами столбцов i и j в матрице А. При
этом в векторе перестановок переменныхper также производится смена местами элементов с номерами i и j.
2. Значение найденного оптимального диагонального элемента аii заносится на
позицию i в массивd: d [i] = аii.
3. Уравнение нормируется на величину диагонального элемента аii – на эту величину делятся все элементы строки i матрицы и i-тый свободный коэффициент.

96 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Затем ко всем предыдущим строкам k, начиная со строки k = (i-1) до 1,
прибавляется нормированная строка i, умноженная на величину (-а(i)(k)). После
этого в данной строке обнуляется элемент столбца с номером i.
После завершения прямого хода в обращённом методе Гаусса система,
уравнений при соответствующем преобразованном векторе свободных коэффициентов системы уравненийb, векторе значений преобразованных диагональных элементовd = (а(1)(1) , а(2)(2) ,…, а(n)(n)) и векторе перестановок переменных
per = (n1, n2 ,…, nn) принимает следующий эквивалентный нижнетреугольный
вид:
x1 = b0;
a11 x1 + x2 = b1;
a21 x1 + a22 x2 + x3 = b2;
...
a(n-2) 1 x1 + a(n-2) 2 x2 + a(n-2) 3 x3 + ... + x (n-2) = b(n-2) ;
a(n-1) 1 x1 + a(n-1) 2 x2 + a(n-1) 3 x3 + ... + a(n-1) (n-1) x (n-1) + xn = b(n-1). (4)
После завершения прямого хода вычисляется величина det определителя
исходной матрицы А, которая равна:
det = d1 d2…  dn.
По ней выполняется проверяется проверка на достаточно большую величину определителя данной матрицы A:
(det(A) < о.
(5)
Если данное условие выполнилось, то дальнейшие действия также прекращаются и осуществляется выход из функции с отрицательным ответом
(false) – решения не существует. Если условие не выполнилось, то определитель det(A) достаточно велик по модулю, следовательно, система уравнений
достаточно информативна и выполнение алгоритма продолжается.
Анализ прямого хода в обращённом методе Гаусса показывает следующее. Полученные уравнения качественно представляют собой следующие зависимости:
еq0 = eq(eq n-1 (n) ,eq n-2(n-1),…,eq2(3),eq1(2) ),eq0(1));
eq1 = eq(eq n-1 (n) ,eq n-2(n-1),…,eq2(3),eq1(2));
eq2 = eq(eq n-1 (n) ,eq n-2(n-1),…,eq2(3));
…
eq n-2 = eq(eq n-1 (n) ,eq n-2(n-1));
eq n-1 = eq(eq n-1 (n)) ;
где через eqi(i+1) обозначено уравнение с номером i, в котором выполнен выбор
главного элемента и его возможное перемещение на диагональ матрицы путем
перестановки соответствующих столбцов. При использовании замены уравнений изменяются только номера уравнений из исходной совокупности. Качественная структура системы сохраняется.
В отличие от системы вида (3), получаемой после прямого хода в традиционном методе Гаусса, в уравнениях 1-(n-1) системы, получаемой в обращённом методе, нет зависимости от первого уравнения eq0, в уравнениях 2-(n-1) нет
зависимости от уравнений eq0,eq1, в уравнениях 3-(n-1) нет зависимости от

Автоматизированные системы управления биотехнологическими процессами

уравнений eq0,eq1,eq2 и т.д. Данное свойство полученной выше эквивалентной
системы позволяет использовать ее при дальнейшем решении не только начальной системы S0, но и последующих систем S1 и S2.
Таким образом, получаемая после прямого хода в обращённом методе эквивалентная система имеет двойное назначение.
1. Во-первых, по ней в результате обратного хода определяется абсолютное
решение хабс(0) рассматриваемой начальной системы S0, содержащей уравнения
{eq0, eq1,…, eqn-1}.
2. Во-вторых, урезанная нормированная нижнеугольная матрица А0 и соответствующий ей вектор свободных коэффициентовb0 используются для упрощения решения последующих за ней систем уравнений S1, S2. Также для их решения используется полученный в процессе прямого хода вектор перестановок
переменныхper(0) и относительное решение хотн (0).
Заключение. В статье на основе анализа взаимной зависимости линейных уравнений при их решении методом исключения дан метод решения
“скользящих” систем линейных уравнений, который позволяет существенно
сократить вычислительную сложность расчетного алгоритма, применяемого
при двойной фильтрации в расчете искомых коэффициентов силового вектора,
задающего характер внешней нагрузки, действующей на управляемый объект.
Применение данного метода имеет особенное значение для цифровых устройств, работающих в режиме реального времени.
Список литературы
1. Гданский Н.И., Каргин В.А., Яблоков А.Е., Мокрушин С.А., Сохинов Д.Ю. Проблемы построения систем и алгоритмов управления автономными транспортными средствами //
Научно-технический вестник Поволжья. 2024. № 10. С. 110-113.
2. Домбровский В. В., Домбровский Д. В. Ляшенко Е. А. Управление с прогнозирующей моделью системами со случайными зависимыми параметрами при ограничениях и применение к оптимизации инвестиционного портфеля // Автоматика и телемеханика. — 2006, №
12., С. 71-85.
3. Гданский Н.И., Каргин В.А., Карпов А.В. Оптимальные режимы импульсного управления
приводом электрифицированной платформы // Электротехнологии и электрооборудование
в АПК. 2024. Т. 71. № 3 (56). С. 129-135.
4. Перепелкин Е. А. Прогнозирующее управление экономической системой производства,
хранения и поставок товара потребителям // Экономика и математические методы. 2004.
— Т. 40. — № 1. — С 125—128. 41.
5. Гданский Н.И., Каргин В.А., Карпов А.В., Хссан Т. Адаптивное управление с прогнозированием внешней нагрузки в автономных электрифицированных платформах // Электротехнологии и электрооборудование в АПК. 2024. Т. 71. № 1 (54). С. 115-121.
6. Гданский Н.И., Каргин В.А., Карпов А.В., Хссан Т. Параметры кинематики и динамики
электрифицированной платформы для построения модели адаптивного управления //
Электротехнологии и электрооборудование в АПК. 2024. Т. 71. № 1 (54). С. 122-127.
7. Aggelogiannaki Е., Doganis Ph., Sarimveis II. An Adaptive Model Predictive Control configuration for Production-Inventory Systems // International Journal of Production Economics. 2008.
Vol. 114. — P. 165-178.

98 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
8. Гданский Н.И., Каргин В.А., Карпов А.В. Моделирование сглаживающих траекторий перемещения автономных электрифицированных платформ // Электротехнологии и электрооборудование в АПК. 2024. Т. 71. № 2 (55). С. 121-126.
9. Ильин В.А., Поздняк Э.Г. Линейная алгебра. Учебник для вузов. Изд. 6; Москва, ФизМатЛит, 2020. – 280 с.
УДК 681.515
Н.И. Гданский1,2, Хссан Тарик1
1
Российский биотехнологический университет (РОСБИОТЕХ)
2
Национальный исследовательский университет «МЭИ»

ПОСТРОЕНИЕ СИСТЕМ УПРАВЛЕНИЯ МЕХАТРОННЫМИ
КОМПЛЕКСАМИ С ПРОГНОЗИРОВАНИЕМ ВНЕШНЕЙ НАГРУЗКИ
НА ОСНОВЕ МОДЕЛИ ТРЕТЬЕГО ПОРЯДКА
Н.И. Гданский, Хссан Тарик ПОСТРОЕНИЕ СИСТЕМ УПРАВЛЕНИЯ МЕХАТРОННЫМИ КОМПЛЕКСАМИ С ПРОГНОЗИРОВАНИЕМ ВНЕШНЕЙ НАГРУЗКИ НА ОСНОВЕ
МОДЕЛИ ТРЕТЬЕГО ПОРЯДКА

Аннотация. В статье дан вывод основных теоретических соотношений для адаптивной системы управления с прогнозированием внешней нагрузки третьго порядка, которая
позволяет учесть при управлении объектами рывок - производную от перемещения третьей
степени.
Ключевые слова: адаптивное управление, управление с прогнозированием внешней
нагрузки, силовой вектор, кинематический вектор

1. Введение
При управлении недетерминированными процессами наиболее оптимальный результат дает применение адаптивных систем управления [1-4]
Для адаптивного управления динамически изменяющимися объектами и
процессами с одной степенью свободы в механических, химических, биологических и других системах с низкочастотным изменением внешней нагрузки в
работе [5] предложено использовать принцип прогнозирования внешнего воздействия. Он основан на том, что частоты изменения данных воздействий на
несколько порядков ниже, чем рабочие частоты управляющих электронных
систем, что позволяет в режиме реального времени идентифицировать характер
изменения внешней нагрузки, выполнять ее анализ и синтезировать управляющие воздействия, которые обеспечивают необходимое изменение во времени
параметров управляемого объекта или процесса. Внешняя нагрузка по данному
методу моделируется при помощи дифференциального степенного полинома в
виде ряда Тейлора [6,7].
Управление мехатронными одностепенными системами рассмотрено на
примере управления вращательным движением приводного вала, угол поворота
которого обозначен через . На валу установлен энкодер - датчик угла поворота
вала, регистрирующий дискретные углы поворота i. Также система управления регистрирует соответствующие этим событиям моменты времени ti. Пара
величин Pi =(ti; i) определяет точку на траектории вращательного движения
вала.
В общем случае на вал действуют [5,7]:

Автоматизированные системы управления биотехнологическими процессами

- Мдв момент сил движущих, прикладываемых к валу,
- Мс приведенный к валу момент сил сопротивления,
- Мин приведенный к валу момент сил инерции.
В недетерминированных условиях могут изменяться по времени, как массовые характеристики самого вала и звеньев, связанных с ним, так и приведенный момент сил сопротивления Мс и приведенный к валу момент сил инерции
Мин. Поэтому в данных средах учитывая переменность Мин, есть смысл объединить Мс и Мин в единый обобщенный момент сил сопротивления М = Мс + Мин.
При этом принцип Даламбера [6] для рассматриваемой системы принимает вид:
(1)
Мдв + М = 0.
Из него следует: Мдв = – М.
Поскольку в общем случае в рассматриваемой задаче управления приведенный момент сил сопротивления Mс является функцией от факторов, зависящих как от времени t, так и от угла поворота  (t), то для корректного учета
обеих групп факторов его надо представлять в виде сложной функции времени,
зависящей и от t, и от  (t):
Mс = Mс (t; φ (t)).
(2)
Для унифицированного представления внешней нагрузки по методу с ее
прогнозированием предложено использовать степенной дифференциальный
полином в виде ряда Тейлора по отклонениям времени. Это дает возможность
за счет варьирования степени полинома k варьировать и потенциальные адаптивные свойства ААСУ. Степень полинома k задает порядок модели нагрузки.
При этом в качестве модели внешней нагрузки порядка k используется векk
тор M средних значений частных производных функции Mс (t; φ (t)) по параметрам t,  порядков от 0 до k, (силовой вектор модели). Мгновенные значения
k
нагрузки Mс (t; φ (t)) с использованием силового вектора M представляют собой скалярное произведения M и вектора  t  кинематических характеристик модели порядка k (кинематического вектора):
k



M c t ,  t   M , 
k

.

(3)

k
Кинематический вектор  t  имеет в общем случае компоненты, зави-

сящие как отдельно от времени t и от функции поворота вала φ (t), так и совместно от них.
Для выполнения анализа силового взаимодействия на предыдущих стадиях вращательного движения и расчета управляющего воздействия в течение
последующих стадий предложено использовать равенство работы Aiп двигателя
привода и работы сил сопротивления Aic на отрезке времени [ti; ti + 1]:
Aiп = Aic.
(4)
Силовой и кинематический векторы в прямых моделях внешней нагрузки
порядков k = 0,1,2, полученные из общего представления (3), имеют следующий
вид.
0
0
k = 0: M t   M ;  t   1.
(5)

100 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

 M M 
M 1  M ;
;

   ; 1 t   1; ; '    .

k = 1:

(6)

k=2:

 M M  2 M  2 M  2 M 
M 2  M ;
;
;
;
;

   2  2 

.

2 2
2
2 1 2
2 1
 t   1; ; '  ' ' ;  ; ' ; '  
2
2

.

(7)
Совместное использование моделей порядков k = 0,1,2 позволяет в процессе управления реализовать функции не только самонастраивания за счет измененич параметров управления, но и функцию самоорганизации – путем динамического изменения структуры системы управления на основании анализа
данных обратной связи. Однако в ряде случаев учет производных первого и
второго порядка от перемещения, который применяется в модели порядка k = 2,
является недостаточным. Одним из основных требований при управлении
хрупкими и другими легко разрушающимися или особо ценными объектами с
одной угловой степенью свободы  является учет рывка – скорости изменения ускорения тела, третьей производной углового перемещения  по времени (t). [8-10].
Поэтому рассмотрена разработка модели управления с прогнозированием
внешней нагрузки порядка k = 3, в которой наряду со скоростью и ускорением
учитывается и рывок, т.е. скорость изменения ускорения управляемого одностепенного объекта. Для этого необходимо построить формулы для силового
𝑀 и кинематического K3() векторов в модели управления с прогнозированием внешней нагрузки третьей степени. При данном построении необходимо

учитывать силовые и кинематические векторы моделей первого (𝑀 иK1()) и
второго (𝑀 иK2()) порядков, приведенные выше.
1. Общий вид разложения в ряд Тейлора. Вывод формул для производных
Для вывода основной формулы вначале зависимость момента сил М от
времени t представим простой функцией. При этом исходное разложение функции M (t; φ (t)) в точке t = t0 + t в ряд Тейлора степени 3 представим в стандартном общепринятом виде - только относительно одной независимой переменной t:
dM
t0 t 
M t; t   M t0  t; t0  t   M t0 ; t0  
dt
+ ⋅

𝛥𝑡 + ⋅

𝛥𝑡 + 𝑅

(8)
Учет в формуле для момента сил сопротивления M углового перемещения
приводного вала φ (M (t; φ (t))) дает возможность учитывать влияние на него
кинематики самого управляемого вала. Однако при разложении функции

Автоматизированные системы управления биотехнологическими процессами

101

102 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

(M (t; φ (t))), как сложной функции от времени, в данное разложении также необходимо учитывать параметр φ и его производные по времени.
Для определения такой сложной зависимости за счет возможности раздельного учета влияния параметров t и φ на величину момента сил M (t; φ (t))

Найденные формулы частных производных позволяют определить окончательный вид разложения (8).

выразим полные производные , ,
в формуле (8) через частные производные M по обоим его параметрам t и φ:
dM M M d



dt
 dt .
t
(9а)
М

⋅

Учитывая, что

(9б)

= 0, рассмотрим определение для приМ

через частные проведенного момента сил М третьей полной производной
изводные по параметрам t и φ с использованием уже найденной второй произМ

. По формуле дифференцирования сложных функций представим
водной
искомую третью производную в виде суммы ее частных производных по обоим
параметрам t и φ:
М

⋅

(10)
Раскроем выражения для частных производных по отдельности – первом
и втором слагаемом суммы (10):
М

+2
+

=
⋅

⋅

+2
+2

⋅

⋅2

⋅

𝜕 𝜕 𝑀
𝜕 𝑀 𝑑𝜙 𝜕 𝑀 𝑑𝜙
𝜕 𝑑 М 𝑑𝜙
⋅
=
+2
⋅
+
⋅
𝑑𝑡 𝜕𝜙 𝜕𝑡
𝑑𝑡
𝜕𝜙 𝑑𝑡
𝜕𝑡𝜕𝜙 𝑑𝑡 𝜕𝜙

⋅

𝜕𝑀 𝑑 𝜙 𝑑𝜙
⋅
⋅
=
𝜕𝜙 𝑑𝑡
𝑑𝑡

Складывая полученные выражения и приводя подобные слагаемые, полуМ

чим искомое выражение полной производной
через её частные производные по обоим параметрам, а также через вспомогательные производные зависимого параметра φ по независимому параметру t:
𝜕 𝑀 𝑑𝜙
𝜕 𝑀
𝑑𝜙
𝜕 𝑀 𝑑𝜙
𝑑 М 𝜕 𝑀
=
+3
⋅
+3
⋅
+
⋅
+
𝑑𝑡
𝑑𝑡
𝑑𝑡
𝜕𝑡
𝑑𝑡 𝜕𝜙 𝑑𝑡
𝜕𝑡𝜕𝜙
𝜕𝜙
3

⋅

(11)

2. Определение силового и кинематического векторов в модели управления с прогнозированием внешней нагрузки третьей степени
Подставляя полученные выражения (10), (9б) и (11) для производных в
формулу (8) разложения функции M (t; φ (t)) точке t = t0 + t в ряд Тейлора степени 3, представим последнее в следующем виде [11]:
𝜕𝑀 𝜕𝑀 𝑑𝜙
𝑀 𝑡 ; 𝜙 (𝑡) = 𝑀 +
+
⋅
𝛥𝑡 +
𝜕𝑡
𝜕𝜙 𝑑𝑡
𝜕 𝑀 𝑑𝜙 𝜕 𝑀 𝑑𝜙
𝜕𝑀 𝑑 𝜙
1 𝜕 𝑀
⋅
+ 2
⋅
+
⋅
+
⋅
𝛥𝑡 +
𝑑𝑡
𝜕𝜙 𝑑𝑡
2
𝜕𝑡
𝜕𝑡𝜕𝜙 𝑑𝑡 𝜕𝜙
𝜕 𝑀 𝑑𝜙
𝜕 𝑀
𝑑𝜙
𝜕 𝑀 𝑑𝜙
1 𝜕 𝑀
⋅(
+3
⋅
+3
⋅
+
⋅
+
𝑑𝑡
𝑑𝑡
6 𝜕𝑡
𝑑𝑡 𝜕𝜙 𝑑𝑡
𝜕𝑡𝜕𝜙
𝜕𝜙
3

⋅

)𝛥𝑡 + 𝑅

Поскольку основной интерес представляют компоненты, зависящие от
момента сил M, то группируем полученное разложение по производным сложной функции M (t; φ (t)) по её параметрам t и φ:
𝜕𝑀
𝜕𝑀 𝑑𝜙
𝑀 𝑡 ; 𝜙 (𝑡) = 𝑀 +
𝛥𝑡 + (
⋅
)𝛥𝑡 +
𝜕𝑡
𝜕𝜙 𝑑𝑡
𝜕 𝑀 𝑑𝜙
1 𝜕 𝑀 𝑑𝜙
1 𝜕𝑀 𝑑 𝜙
1 𝜕 𝑀
⋅
𝛥𝑡 +
⋅
𝛥𝑡 + ⋅
⋅
𝛥𝑡 + ⋅
⋅
𝛥𝑡
2 𝜕𝜙
𝑑𝑡
2 𝜕𝜙 𝑑𝑡
2
𝜕𝑡
𝜕𝑡𝜕𝜙 𝑑𝑡
1 𝜕 𝑀
1
𝜕 𝑀 𝑑𝜙
1
𝜕 𝑀
𝑑𝜙
+ ⋅
𝛥𝑡 + ⋅
⋅
𝛥𝑡 + ⋅
⋅
𝛥𝑡
6
2 𝑑𝑡 𝜕𝜙 𝑑𝑡
2 𝜕𝑡𝜕𝜙
𝑑𝑡
𝜕𝑡
1 𝜕 𝑀 𝑑𝜙
1 𝜕 𝑀 𝑑𝜙 𝑑 𝜙
1
+ ⋅
⋅
𝛥𝑡 + ⋅
⋅
⋅
𝛥𝑡 +
6 𝜕𝜙
𝑑𝑡
2 𝜕𝜙 𝑑𝑡 𝑑𝑡
2
𝜕 𝑀 𝑑 𝜙
1 𝜕𝑀 𝑑 𝜙
⋅
⋅
𝛥𝑡 + ⋅
⋅
𝛥𝑡 + 𝑅 , =
6 𝜕𝜙 𝑑𝑡
𝜕𝑡𝜕𝜙 𝑑𝑡
𝜕𝑀
𝜕𝑀
𝑑𝜙
1 𝑑 𝜙
1 𝑑 𝜙
𝑀+
[𝛥𝑡] +
⋅
𝛥𝑡 +
𝛥𝑡 +
𝛥𝑡 +
𝜕𝑡
𝜕𝜙
𝑑𝑡
2 𝑑𝑡
6 𝑑𝑡
𝜕 𝑀 1
𝜕 𝑀 𝑑𝜙
1 𝑑 𝜙
𝜕 𝑀 1 𝑑𝜙
[ 𝛥𝑡 ] +
[ 𝛥𝑡 +
𝛥𝑡 ] +
[
𝛥𝑡 +
2
2 𝑑𝑡
2 𝑑𝑡
𝜕𝑡
𝜕𝑡𝜕𝜙 𝑑𝑡
𝜕𝜙
𝜕 𝑀 1
𝜕 𝑀
1 𝑑𝜙
1 𝑑𝜙 𝑑 𝜙
⋅
⋅
𝛥𝑡 ] +
[ 𝛥𝑡 ] +⋅
[
𝛥𝑡 ] +
6
2 𝑑𝑡 𝑑𝑡
𝜕𝑡
𝑑𝑡 𝜕𝜙 2 𝑑𝑡
1 𝑑𝜙
𝜕 𝑀 1 𝑑𝜙
𝜕 𝑀
[
𝛥𝑡 ] +
[
𝛥𝑡 ] + 𝑅 ,
⋅
2 𝑑𝑡
6 𝑑𝑡
𝜕𝑡𝜕𝜙
𝜕𝜙
Отбрасывая в полученной формуле остаточный член, вводя относительное время  = (t - ti) на отрезке времени [ti;ti+1] и обозначая угловую скорость ва-

103

104 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

d
d 2
d 2
2
2
ла dt , ускорение dt и рывок dt , соответственно, через , и , полу-

дарственного университета приборостроения и информатики. Серия: Приборостроение и
информационные технологии. 2012. № 38. С. 13-20.
7. Гданский Н.И., Каргин В.А., Карпов А.В., Хссан Т. Параметры кинематики и динамики
электрифицированной платформы для построения модели адаптивного управления // Электротехнологии и электрооборудование в АПК. 2024. Т. 71. № 1 (54). С. 122-127.
8. Ильин В. А., Садовничий В. А., Сендов Б. Х. Математический анализ, ч. 1, изд. 3, ред.
А. Н. Тихонов. М.: Проспект, 2004.
9. Даламбер Ж. Динамика. Пер. с франц. — М.-Л.: Гостехтеориздат, 1950.
10. Капунцов Ю. Д. Электрооборудование и электропривод промышленных установок. Учебник
для вузов. — М.: Высшая школа, 1979. — 360 с. Архивная копия от 8 марта 2008 на Wayback
Machine
11. Хитрик В. Э. Методы динамической оптимизации механизмов машин-автоматов. — М.: Издво Ленингр. ун-та, 1974. — 116 с.

Автоматизированные системы управления биотехнологическими процессами

чим из данной формулы, как скалярного произведения силового 𝑀 и кинематическогоK3() векторов, искомый вид этих векторов, соответствующий модели обобщенной нагрузки порядка k = 3:
𝑀 = {𝑀;
3

;

;
2

;

;
3

;
2

};
2

(12)
3

K () = {1; ; +0,5 +(1/6)  ; 0,5 ;  +0,5 ;
0,5()22+0,53; (1/6)3; 0,53; 0,5()23; (1/6)()33}. (13)
Заключение. В статье рассмотрено построение модели нагрузки порядка
3 для метода управления с прогнозированием внешней нагрузки. Оно выполнено с использованием разложения в ряд Тейлора степени 3 сложной функции
M (t; φ (t)), задающей внешнее силовое воздействие на управляемый одностепенной объект.
Построенная модель обобщённой внешней нагрузки порядка k = 3, полно-

стью характеризуется её силовым и кинематическим векторами 𝑀 иK3(). За
счет учета более высоких производных момента движущих сил М она позволяет более точно учесть динамику поведения объекта управления по сравнению с
моделями порядков k = 1,2. Она даёт возможность учесть не только изменение
внешней нагрузки, но и те нагрузки, которые обусловлены перемещением
управляемого объекта, а также его производными порядков 1,2,3.
Поскольку модель обобщённой внешней нагрузки порядка k = 3 наиболее
точно отражает динамические процессы, ее построение и дальнейшее применение при управлении является более предпочтительным с точки зрения качества
управления движением объекта.
Список литературы
1. Гданский Н.И., Каргин В.А., Яблоков А.Е., Мокрушин С.А., Сохинов Д.Ю. Проблемы
построения систем и алгоритмов управления автономными транспортными средствами // Научно-технический вестник Поволжья. 2024. № 10. С. 110-113.
2. Гданский Н.И., Каргин В.А., Карпов А.В., Хссан Т. Адаптивное управление с прогнозированием внешней нагрузки в автономных электрифицированных платформах // Электротехнологии и электрооборудование в АПК. 2024. Т. 71. № 1 (54). С. 115-121.
3. Нестеров С. А. Адаптивные системы управления: Конспект лекций. — СПб.: Факультет
технической кибернетики СПбГПУ, 2005. — 90 с., ил.
4. Гданский Н.И., Каргин В.А., Карпов А.В. Оптимальные режимы импульсного управления
приводом электрифицированной платформы // Электротехнологии и электрооборудование в
АПК. 2024. Т. 71. № 3 (56). С. 129-135.
5. Гданский Н.И., Каргин В.А., Карпов А.В. Моделирование сглаживающих траекторий перемещения автономных электрифицированных платформ // Электротехнологии и электрооборудование в АПК. 2024. Т. 71. № 2 (55). С. 121-126.
6. Гданский Н.И., Карпов А.В., Марченко Ю.А. Адаптивное моделирование внешней нагрузки
в недетерминированных системах на основе прогнозирования. Вестник Московского госу-

УДК 681.515
Н.И. Гданский1,2, Т.В. Цай1
1
Российский биотехнологический университет (РОСБИОТЕХ),
2
Национальный исследовательский университет «МЭИ»

ПРИНЯТИЕ РЕШЕНИЙ В ЛОГИЧЕСКИХ МОДЕЛЯХ
ПРЕДСТАВЛЕНИЯ ЗНАНИЙ ПРИ ОТСУТСТВИИ
ДОСТАТОЧНЫХ ОБОСНОВАНИЙ
Н.И. Гданский, Т.В. Цай ПРИНЯТИЕ РЕШЕНИЙ В ЛОГИЧЕСКИХ МОДЕЛЯХ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ ПРИ ОТСУТСТВИИ ДОСТАТОЧНЫХ ОБОСНОВАНИЙ

Аннотация. В статье рассмотрены проблемы построения и функционального использования баз знаний, применяемых в интеллектуальных системах. Проанализированы отклонения реальных знаний от идеальной логической модели - не-факторы знания и основные
способы их учёта в реальных базах знаний.
Ключевые слова: интеллектуальная система, база знаний, модели представления знаний, не-факторы знания

Введение
Вначале интеллектуальными называли задачи из области математики и
кибернетики, которые требуют отыскания нового алгоритма решения за счёт
применения сложных рассуждений, имитирующих интеллектуальную деятельность человека. В противовес им задачи с уже известными алгоритмами решения (при этом они могут быть довольно сложными), называют стереотипными.
Характерными примерами стереотипных задач являются чисто вычислительные математические задачи, такие как решение системы линейных алгебраических уравнений, численное интегрирование дифференциальных уравнений и т.
д.
Такое раннее определение интеллектуальных задач оказалось противоречивым с той точки зрения, что каждая такая задача после её решения (как правило, имеющего довольно сложную структуру) автоматически из интеллектуальных переходила в разряд стереотипных, т.е. становилась в один ряд с хорошо известными типовыми математическими задачами. Хотя при этом её сложность оставалась на прежнем уровне.
Поэтому в настоящее время требования к интеллектуальным задачам несколько снижены. Такими называют те задачи, у которых алгоритм решения

Автоматизированные системы управления биотехнологическими процессами

105

106 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

требует выполнения сложных рассуждений, логических и математических преобразований и выводов. Зачастую результат их решения сложно предвидеть
даже квалифицированному специалисту. Поэтому представляется более обоснованным называть большинство современных интеллектуальных задач квазиинтеллектуальными, поскольку они по уровню сложности несомненно являются интеллектуальными, но, в то же время, по наличию алгоритмов их решения
(хотя и достаточно сложных) в соответствии с традиционным определением
должны быть отнесены к классу стереотипных задач.
По-видимому, создание конструктивных метатеорий - таких методик, которые порождали бы методы решения интеллектуальных задач, принципиально
отличные от существующих, принципиально невозможно. Сегодня сушествуют
только аналитические метатории, которые могут оценивать (анализировать) методы и свойства предметных теорий, имеющих дело с объектами конкретных
предметных областей (допустим, арифметика рассматривает действия с вещественными числами).
Решение интеллектуальных задач при принятии решений в некоторой
предметной области, как одной из базовых задач искусственного интеллекта,
всегда в той или иной мере связано с проблемой производства новых данных из
уже имеющихся. Эта проблема является основной для интеллектуальных систем (ИС) —технических и/или программных систем, способных решать интеллектуальные задачи без участия человека в качестве лица, принимающего решение. Если человек в качестве оператора всё же принимает участие в принятие решений, то соответствующую систему называют интеллектуализированной. [1-9]
Практическое решение задачи производства новых данных (знаний) из
уже имеющихся во многом зависит от того, каким образом такие знания представлены в соответсвующей ИС и каким образом выполняются их преобразования.
Для практического использования в ИС наибольшую ценность представляют формализованные знания, которые подразделяют на декларативную и
предметную части. Декларативные знания содержат фактические сведения об
объектах предметной области, их свойствах и отношениях между ними. Процедурные знания представляют собой правила и алгоритмы разного рода, задающие правильные средства и пути получения новых знаний об объектах предметной области из уже имеющихся. [10-12]
Рассмотрим вначале модели представления знаний в ИС, основные подходы, применяемые в ИС для решения интеллектуальных задач, а затем особенности методов, применяемых в формальных системах.

I. Модели, ориентированные на правила: 1) логическая модель, 2) продукционная модель.
II. Модели, ориентированные на объекты: 1) сетевая модель (семантическая
сеть), 2) фреймовая модель, 3) объектно-ориентированная модель.
Для решения интеллектуальных задач в ИС применяются следующие
подходы.
1. Формально-логический подход. К основным формально-логическим
методам исследования относятся: методы классификации, обобщения и типологии, индуктивный и дедуктивный методы исследования, конструирование понятий, аргументация, логика и др. Основу логических методов составляют требования и принципы формальной логики. Наиболее употребительной является
логика первого порядка – логика предикатов. Аксиоматическое задание её (исчисление предикатов) по Э.Мендельсону имеет следующий вид. [14-16]
I. Обозначения предметных переменных, констант и функциональных переменных, термов (предметных переменных, констант или результатов их подстановки в предметную функцию) и предикатов (логических функций) ― при помощи
букв латинского алфавита.
II. Множество логических связок {f}= {, }.
III. Определение формул, свободных и связанных переменных.
1. Если (t1 , ..., tk) ― термы, (х1, ..., хm) ― множество переменных, входящих в
них, а Р ― предикатная переменная, то Р(t1 , ..., tk) ― называют элементарной
формулой или атомом, а (х1 , ..., хm) ― его свободными переменными.
2. Если А и В ― формулы, то выражения F = АВ, F = А тоже являются
формулами. Свободные переменные формул А и В являются свободными переменными формулы F.
3.Если А ― формула со свободными переменными (х1,...,хm), то выражения вида
F = хi А(х1 , ..., хm), F = хi А(х1 , ..., хm) ― тоже являются формулами, в которых переменная хi связана, соответственно, кванторами  и  , а переменные
(х1 , ..., хm) \ хi ― свободны в F.
IV.Множество аксиом А1, А2, А3, А4, А5 = {A} следующее:
А1: А  (В  А);
А2: (А  (В  С))  ((А  В)  (А  С));
А3: ( В   А)  (( В  А)  В);
А4: х А(х)  А(у), где А(х) есть формула теории, а у ― терм теории, свободный
для х в А(х);
А5: х(А  B) (А хB), если формула А не содержит свободных вхождений х.
V. Множество правил вывода {P}:
а) modus ponens (правило сокращения посылки): «если верно высказывание А и
из А следует В, то верно и В», формальное задание: А  (АВ)  В;
б) правило обобщения (свёртывания квантора общности): А хA.

1. Модели представления знаний в ИС. Основные подходы, рименяемые в ИС для решения интеллектуальных задач
С точки зрения принципиальной организации представления знаний в ИС
их модели подразделяют на две группы. [13]

Автоматизированные системы управления биотехнологическими процессами

107

108 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

В данной системе аксиомы независимы, их число минимально. Первые
три аксиомы совпадают с аксиомами исчисления высказываний. К ним добавлены еще две аксиомы, определяющие свойства кванторов.
Минимальный набор аксиом приводит (как и в исчислении высказываний) к тому, что при данном построении теории в ней усложняется построение
выводов. Поэтому для практических целей часто рассматривают аксиоматические построения ИП и с расширенными наборами аксиом, например, систему
П.С. Новикова.
2. Структурный подход использует перцептроны, нейронные сети, моделирующие физическую структуру и способ функционирования системы
нервных клеток мозга.
3. Эволюционный подход основан на построении начальной модели системы ИИ и задании правил, по которым она может изменяться (эволюционировать). При этом сама модель может иметь самую различную структуру – нейронная сеть, набор логических правил и т.д.
4. Имитационный подход, при котором исследуемый объект представляют в виде "черного ящика", для которого полностью отсутствует информация
о внутренней структуре и способе функционирования. Изучение производится
на основании анализа входных и выходных данных.
5. Нечеткие множества, нечеткая логика. В основе их лежит формализация расплывчатых суждений, свойственных человеческой психике, в которых
из-за субъективности либо недостатка сведений об объекте суждения о нем невозможно свести к однозначным «да» или «нет».
Перечисленные подходы позволяют формализовать решение сложных
интеллектуальных задач и, тем самым, переводят их в разряд квазиинтеллектуальных.
Порождение новых данных, которые можно в обобщённом виде называть
утверждениями, из уже имеющихся, имеет в ИИ одно из главных значений.
Рассмотрим данную проблему более подробно. Вначале проанализируем само
понятие утверждения, его основные виды, обоснование истинности утверждений.

тиворечивости, эквивалентности формул можно использовать таблицы истинности.
2. Вера (убеждение). Утверждение, истинность которого доказать невозможно. Такое утверждение признаётся истинным независимо от его фактического или логического обоснования.
3. Гипотеза. Это такое утверждение, для которого еще не известно, является оно знанием или верой (убеждением).
Рассмотрим базу знаний (БЗ), которая применяется для описания некоторой предметной области. Она состоит из пары <БЗ0, ├L>, в которой:
1) БЗ0 – совокупность утверждений на языке некоторой логики L, например,
логики предикатов первого порядка (это фактическая, декларативная часть знаний),
2) ├ L– отношение выводимости (доказуемости) в этом языке L (допускаемые
правила вывода, процедурная часть знаний).
Тогда утверждение РБЗ0 истинно тогда и только тогда, когда Р может
быть выведено из БЗ0 путем применения правил из ├L , что обозначается как:
БЗ0├ L Р. В том числе истинность Р может следовать из того, что Р совпадает с
каким-либо фактом, уже имеющимся в БЗ0. В этом случае говорят, что Р литерально представлено в БЗ.
Пусть дана некоторая интеллектуальная система А, основанная на знании,
со своей БЗ. Теоретически в БЗ могут быть включены любые утверждения. Однако, для того, чтобы БЗ, построенная на основе логического подхода, по аналогии с формальной логикой была непротиворечивой, включаемые в нее утверждения должны быть:
1) истинными,
2) непротиворечивыми друг другу (хотя это может потребовать обоснования).
Фундаментальным понятием семантического направления в логике является понятие истины. Она рассматривается в модели, под которой понимается
реальный мир.
Из ранних определений истины, как правильности некоторого утверждения, наиболее известным является классическая аристотелевская концепция истины, словесно сформулированная им в «Метафизике»: «Сказать, что существующее не существует или что несуществующее существует, значит высказать
ложь, сказать же, что существующее существует, а несуществующее не существует, значит высказать истину». [17]
Как видно, данная концепция связывает истинность утверждений с состоянием реального мира. Только оно позволяет приписать семантические значения «истинно» или «ложно» (истинностные значения) к утверждениям некоторой интеллектуальной системы А.
Формализация определения истинности для логики предикатов первого
порядка дана в семантике А. Тарского.[18] Она состоит из тройки <D, R, F>,
где D – непустое множество предметов (индивидуумов), называемое областью
интерпретации (универсумом), а R и F являются множествами отношений и

2. Утверждение. Знания. Вера. Гипотеза. Истинность утверждений.
Модель базы знаний. Получение знаний при помощи логического вывода
С точки зрения обоснованности для утверждений в интеллектуальных
системах применяется следующее разделение: 1)знание, 2) вера, 3) гипотеза.
Формальная разница между ними следующая.
1. Знание. Это логически обоснованное истинное утверждение. В аксиоматических системах (например, в исчислении высказываний, исчислении предикатов) истинность утверждения получить из аксиом теории при помощи их
правил вывода. В конструктивных логических системах можно применять особые методы данных теорий. Наример, в алгебре логики, как в прикладной интерпретации исчисления высказываний, для выяснения тавтологичности, про-

Автоматизированные системы управления биотехнологическими процессами

109

110 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

функций соответственно между предметами, содержащимися в описываемом
реальном мире.
Интерпретация формальной системы представляет собой распространение исходных положений данной формальной системы на реальный мир –
некоторую предметную область D. Она придает предметный смысл каждому
символу формальной системы и устанавливает взаимно однозначное соответствие между символами формальной системы и реальными объектами (предметами) из D.
В логике высказываний интерпретация формулы понимается как непосредственное приписывание истинностных значений пропозициональным символам этой формулы, в результате чего формула принимает истинное или ложное значение.
Рассмотрим интерпретацию формулы в логике предикатов первого порядка. Предметная область D может содержать любые объекты, которые сами
по себе не несут истинностного содержания. В общем случае формула содержит:
1) переменные и константы, которые в интерпретации принимают значения
из D,
2) предметные функции, при этом каждому n-местному функциональному
символу должна быть сопоставлена конкретная n-местная функция (т.е. отображение Dn  D),
3) логические функции (предикаты), вносящие истинность в общую формулу, каждому n-местному предикатному символу формулы должно быть сопоставлено конкретное n-местное отношение Dn  {И, Л}.
Говорят, что интерпретация является моделью БЗ тогда и только тогда,
когда все утверждения в БЗ становятся истинными в этой интерпретации.
Интеллектуальные системы, как правило, содержат только знания или
только убеждения (веру). Для систем, содержащих знания, логика предикатов
первого порядка пополняется верифицирующим оператором K. Запись KP читается как «известно (верно), что утверждение Р истинно». Назначение оператора К – давать ответ для любого представленного утверждения Р – истинно
оно или ложно. Имеем ли мы дело со знанием или убеждением, зависит только
от того, представлена ли в БЗ или нет аксиома вида KP  P, которая читается
как «если известно, что Р истинно, тогда утверждение Р действительно истинно». Если эта аксиома представлена, то имеет место знание, если нет – убеждение. В случае логической структуры БЗ в качестве верифицирующего оператора K обычно принимается процедура логического вывода.
Рассмотрим примеры проверки гипотез в БЗ с использованием процедуры
логического вывода в качестве верифицирующего оператора K.
Пример 1. Дана БЗ логического типа, основанная на исчислении предикатов,
которое в аксиоматическом виде задано по Э.Мендельсону. Составляющие БЗ
следующие.
1. Предметная область D = {живые существа}.

2. Знания. Для формулирования знаний используется двух одноместных предикатов а) Собака(х) (хD является собакой) и б) Хороший нюх(х). (х D имеет хороший нюх)
Декларативная часть (факты, имеющиеся начальные знания). БЗ содержит
один факт
а) Собака(Купер) (Купер D является собакой).
Процедурная часть (правила преобразования знаний). БЗ содержит одно
правило:
б) х(Собака(х)Хороший нюх(х)) (для любого живого существа верно: если
оно является собакой, то у него хороший нюх).
Требуется проверить с использованием исчисления предикатов гипотезу:
“Хороший нюх(Купер)”, т.е. у живого существа по имени Купер хороший нюх.
Решение. Анализируем БЗ. Факт а) и правило б) добавляются, соответственно, в
виде гипотез Г1 и Г2 к множеству аксиом теории А = {А1 - А5}. Строим логический вывод из расширенного множества посылок {А1 - А5} Г1Г2 при помощи
правил а) modus ponens, б) правило обобщения.
1. В аксиоме А4: хА(х) А(у) в качестве утверждения А(х) и переменной у
принимаем:
А(х) = (Собака(х)Хороший нюх(х)); у = Купер.
В итоге получим новую формулу
F1 =х(Собака (х) Хороший нюх (х))  (Собака(Купер)  Хороший
нюх (Купер)) = Г1  F2;
где F2 = Собака(Купер)  Хороший нюх (Купер).
2. Применим правило дедуктивного вывода Modus Ponens (А&(АB) B) к
формулам Г2 и F1:.
Г2& (Г2  F2)  F2.
Следовательно, формула F2 = Собака(Купер)  Хороший нюх (Купер)
является истинной.
3. Применим правило дедуктивного вывода Modus Ponens к формулам Г1 и F2:
Собака(Купер) & (Собака(Купер)  Хороший нюх (Купер))  Хороший
нюх (Купер).
Следовательно, получено строгое доказательство того, что живое существо Купер имеет хороший нюх.
Пример 2. Дано: БЗ содержит знания:
а) декларативное: Хороший нюх (Купер) (У Купер хороший нюх).
б) процедурное: х(Собака(х)Хороший нюх(х)) (для любого живого существа
верно: если оно является собакой, то у него хороший нюх).
Необходимо проверить гипотезу: «Является ли Купер собакой?»
Решение. При помощи строгого логического вывода для заданного выше содержания БЗ проверку выполнить невозможно, поскольку для этого недостаточно знаний. Это можно было бы сделать при внесении в БЗ дополнительных
знаний. Без такого дополнения выдвинутую гипотезу мы можем считать истин-

Автоматизированные системы управления биотехнологическими процессами

111

112 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ной только в качестве максимально правдоподобного варианта из всех возможных.
Рассмотренный тип нестрогих рассуждений (высказывания гипотез),
основывающийся на использовании максимально правдоподобной интерпретации имеющихся знаний, называют абдуктивным выводом.
Пример 3. Дано: БЗ содержит только декларативное знание:
а) Хороший нюх (Купер) (У Купер хороший нюх),
б) Собака(Купер) (Купер D является собакой).
Необходимо проверить гипотезу: х(Собака(х)Хороший нюх(х)) (для любого
живого существа верно: если оно является собакой, то у него хороший нюх).
Решение. Заданная постановка дает пример индуктивного умозаключения —
такого способа рассуждений, при котором выполняется переход от истинности
некоторых фактов о наличии свойства у набора объектов к гипотезе о существовании у них общей закономерности в отношении этого свойства. В общем
случае обоснование такого перехода является довольно трудной задачей. В частности, в рассмотренном примере из того, что у Купера хороший нюх и он является собакой, нельзя распространить свойство “иметь хороший нюх” на всех
собак.

Рассмотрим проблему полноты знаний. От полноты инормации, содержащейся в БЗ, и дополнительных соглашений о ее интепретации зависит содержание ответов на запросы, предъявляемые к БЗ.
Например, в БЗ, содержащую сведения о студентах и преподавателях
университета, поступил запрос «Антонов В.И. – студент?». Если данные о том,
что Антонов В.И. – студент, есть в БЗ, то ответ будет положительным. Сложнее
ситуация в том случае, когда таких данных в БЗ нет.
Одним из вариантов выхода из данной ситуации является принятие предположения о замкнутости мира (англ. CWA, closed world assumption) — стратегии, при которой положительный литерал, который не является следствием
формул в некоторой базе знаний, считается ложным. Данное предположение
позволяет упростить систему замещением неоднозначности (есть — нет — неизвестно) дуализмом (есть — нет). Широко используется в компьютерных системах, в том числе в СУБД. В нашем случае (отсутствие сведений) при условии
принятия CWA система даст ответ: а) Антонов В.И. – не студент (как альтернатива утвердительному ответу: Антонов В.И. – студент).
При отсутствии CWA для генерирования ответа можно использовать методы специальной логики вопросов (эротетической логики). В ней существует два подхода к построению логической теории вопросов – 1) лингвистический
и 2) компьютерный. Одним из выходов в ней является применение наряду с
обычными истинностными значениями {И, Л} еще двух: «неизвестно» и «противоречиво». При таком подходе в случае отсуствия данных по Антонову В.И.
в БЗ возможна генерация ответа: б) статус Антонова В.И. – не известен.
Рассмотрим проблему противоречивости. Если в теории возможен вывод
и формулы А и ее отрицания - формулы А, то из полученного противоречия
может быть выводима любая формула, т.е. А, А ├ В. В формальной логике
такая теория теряет смысл, поэтому противоречие считается недопустимым. В
то же время, как показали Кант (антиномии) и Гегель, противоречие есть необходимый этап и результат всякого реального мышления — познания.
На практике при представлении и обработке противоречивых знаний в БЗ
возникают две основные проблемы: 1) ассимиляция, 2) аккомодация.
Ассимиляция (усвоение) противоречивой информации, заключается в
способности включать противоречия в БЗ и дальнейшей возможности работать
с противоречивой БЗ.
Один из выходов заключается в том, чтобы при построении вывода утверждения В из гипотез А1, А2, …,An (или А1, А2, …,An ├ В) использовать гипотезы релевантные («уместные», «относящиеся к делу») именно к этому утверждению.
Проблема ассимиляции противоречия может рассматриваться и в эротетической логике. Если, например, из одного источника получено, что Студент(Антонов В.И.) истинно, а из другого – Студент(Антонов В.И.) истинно,
то в этой логике данному утверждению будет приписано истинностное значение «противоречиво», что дает возможность учитывать противоречивую информацию.

3. Отклонения реальных знаний от идеальной логической модели (нефакторы знания)
В идеале БЗ интеллектуальной системы должна содержать только истинные аналитические утверждения, не требующие обоснования. Из них при помощи правил вывода можно было бы получать другие производные знания.
Однако, реальные данные и знание, описывающие сущности и связи какойлибо проблемной области, как правило, содержат неточности и неопределенности.
Выделяют следующие отклонения знаний от идеальной логической модели, которые называют не-факторами знаний. Среди них выделяют:1) неполнлту и противоречивость, 2) немонотонность, 3) неточность и неопределенность, 4) нечеткость.
Рассмотрим данные не-факторы и способы их учёта в БЗ.
I. Неполнота и противоречивость.
В логических системах полнота означает, что заданная в них исходная
система аксиом и правил вывода позволяют обеспечить вывод (т.е. проверку
тавтологичности) всех формул, обладающих этим свойством. Непротиворечивости сводится к тому, что из имеющейся системы аксиом и правил вывода
нельзя вывести некотороую формулу и её отрицание. В частности, такими
свойствами обладает система Э.Мендельсона.
На практике трудность получения полной и непротиворечивой БЗ обусловлена тем, что знания о некой конкретной проблемной области, как правило,
плохо формализованы или совсем не формализованы. Из-за этого достаточно
трудно или даже невозможно сформулировать те априорные свойства, которым
должны удовлетворять формулы, выводимые в данной системе.

Автоматизированные системы управления биотехнологическими процессами

113

114 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Аккомодация (приспособление) заключается в такой модификации БЗ (в
случае включения в нее противоречивой информации), при которой БЗ становится непротиворечивой. Аккомодация заключается в дополнительной обработке так называемых «подозрительных» формул (т.е. формул, которые могли
бы быть противоречивыми) в качестве гипотез. Так как эти формулы находятся
среди формул, общезначимость которых не вызывает сомнений, то тут возникают вопросы установления непротиворечивости «подозрительных» формул,
нахождения и описания множества формул, выдвигаемых в качестве гипотез, и
наконец, каким образом эти гипотезы могут взаимодействовать с другими утверждениями для дедуктивного вывода новых утверждений.
Поддержка истинности таких утверждений должна проверяться исключениями, которые имеют место в реальной БЗ, что приводит к ее ревизии и усложняет саму процедуру вывода.
II. Немонотонность
В классической логике предикатов первого порядка отношение выводимости удовлетворяет следующим свойствам:
1) рефлексивности: А1, А2, …,An ├Ai, (i =1,…,n), т.е. каждая из посылок может
быть выведена из их совокупности;
2) транзитивности: если А1, А2, …,An ├ В1 и А1, А2, …,An, В1 ├ В2, то
А1, А2, …,An ├ В2, т.е. промежуточный результат В1 можно исключить из вывода заключения В2;
3) монотонности: если А1, А2, …,An ├ В1, то А1, А2, …,An, {F} ├ В1, где {F} –
множество добавочных утверждений, т.е. добавочно введенные утверждения не
отменяют ранее выведенное утверждение В1.
В определении монотонности неявно полагается, что множество добавочных утверждений {F} не противоречит ранее включенным в логику.
Таким образом, монотонность классических формальных логик означает,
что добавление новых формул в теорию никогда не приводит к уменьшению
множества следствий из данной теории - изучение нового непротиворечивого
знания не может уменьшить набор того, что известно.
Возможности монотонных логик ограничены рамками непротиворечивых
утвепрждений. Они не могут, в частности, анализировать рассуждения по
умолчанию (в которых выводы делаются только по причине отсутствия доказательств противного), абдуктивных рассуждений (следствия выводятся как наиболее вероятные объяснения) и в других случаях.
Для динамических проблемных областей, у соответствующих БЗ, содержащих неполную, неточную и динамически изменяющуюся информацию,
свойство монотонности не выполняется из-за возможной неполноты и противоречивости содержащихся в них текущих знаний. Поэтому рассуждения в таких
БЗ зачастую предположительны, правдоподобны и должны подвергаться пересмотру. Очевидно, что для таких пересматриваемых рассуждений логическая
система также должна быть немонотонной.
Опровержение монотонности означает, что пересматриваемые рассуждения не являются общезначимыми в классическом смысле. Если заключение В

выводимо из посылок А1, А2, …,An, то в немонотонной логической системе существует модель для {А1, А2, …,An}{F}, не подтверждающая В.
Например, из двух посылок: 1) «Большинство студентов - молодые люди» и 2) «Петров – студент» нельзя получить общезначимое следствие - «Петров - молодой человек». Можно только полагать, что это следствие выполнимо
с этими посылками с некоторой долей истинности. И, следовательно, это заключение принадлежит к возможно выполнимому на основе этих двух посылок
образу мира.
При отсуствии дополнительной информации (помимо посылок 1) и 2)) по
умолчанию полагаем: «Если Вы не знаете ничего другого, то предположите, что
все студенты действительно молоды». Тогда унаследовав это свойство, можно
вывести, что и Петров, будучи студентом, также является молодым человеком.
При поступлении новой информации предположения могут стать невыполнимыми с новым множеством посылок и будут отвергнуты. Узнав, например, что Петрову 30 лет, и получив, таким образом, противоречивую БЗ, мы
или отвергнем ранее выведенное заключение, или потребуем дополнительной
информации.
Такой тип немонотонных рассуждений был реализован в логике умолчаний.
Проблема немонотонности тесно связана с проблемами неполноты и противоречивости знаний.
III. Неточность и неопределенность информации
При описании динамически изменяющегося реального мира мы часто
имеем дело с неточной информацией, содержание которой частично уже не
соответствует действительности. Будучи помещенной в БЗ, она обрабатывается
в ней как истинная информация, давая при этом неправильные следствия. Например, пусть в БЗ хранятся следующие сведения: {Студент(Петров), Читать_курс(Фролов, Математическая логика)}.
Однако эти сведения могут не соответствовать действительности, если
студент Петров месяц назад был отчислен из университета, а Фролов уже читает другой курс.
Неточность относится к содержанию информации (или значению сущности) и наряду с неполнотой и противоречивостью должна обязательно учитываться при представлении знаний в БЗ. Неточная информация может быть как
непротиворечивой, так и противоречивой. Так, например, возраст студента
Петрова, записанный в БЗ, равен 32 годам, хотя ему на самом деле 23. Это пример непротиворечивой, хотя и неточной информации. Может быть и другая ситуация, когда по ошибке в БЗ ему записали 123 года, что противоречит действительности, так как возраст людей, как правило, колеблется от 0 до 100 лет.
Для того чтобы неточные данные стали точными, можно воспользоваться
модальным оператором K, который подчеркивает, что если известно, что некоторое утверждение истинно, то оно на самом деле истинно. Например, если известно, что все находящиеся в БЗ личности являются студентами, то это на самом деле так, или:

Автоматизированные системы управления биотехнологическими процессами

115

116 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

х(KСтудент(х)Студент(х)).
К неточности будем относить также величины, значения которых могут
быть получены с ограниченной точностью, не превышающей некоторых порог,
определенный природой соответствующих параметров. Очевидно, что практически все реальные оценки являются неточными, и сама оценка неточности
также является неточной. Примеры неточности данных встречаются при измерении физических величин. В зависимости от степени точности измерительного
прибора, от психического состояния и здоровья человека, производящего измерения, получаемое значение величины колеблется в некотором интервале. Поэтому для представления неточности данных мы можем использовать интервал
значений вместе с оценкой точности в качестве меры доверия к каждому значению.
Если неточность оценивает содержание информации, то неопределенность оценивает ее истинность, которая понимается в классическом смысле как степень соответствия реальной действительности (степени уверенности
знания). Каждый факт реального мира связан с определенностью информации,
которая указывает на степень этой уверенности.
Понятия «определенности» и «уверенности» довольно трудно формализуемы, и для их определения чаще всего используются количественные меры.
Основная идея такой меры заключается во введении функции неопределенности unc(p), понимаемой как определенность того, что высказывание p, содержащееся в БЗ, истинно, т.е. говорят, что утверждение p более определенно, чем
q, если: unc(p)  unc(q). Рассмотрим возможные подходы к построению функции неопределенности.
1. Теория вероятности. Является традиционным подходом для представления
неопределенности. В ней вероятностная мера P, определенная на множестве
всех событий , представляет собой численную оценку правдоподобности конкретного события
2. Теория Демпстера-Шейфера. Для учета неточности и неопределенности
информации в БЗ А.П. Демпстером и Г.Шейфером предложена теория очевидностей (свидетельств), которую также называют теорией Демпстера-Шейфера.
В ней каждому факту (свидетельству) в БЗ присваивается некоторый вес (масса,
вероятноть), оценивающий его истинность. Для того, чтобы дать оценку вероятности Р(р) некоторого итогового утверждения р (степень уверенности в истинности р) в теории используются:
1) функция доверия (belief functions, sum(p)), равная сумме масс всех фактов,
однозначно поддерживающих р и
2) функция правдоподобия (plausible reasoning, pls(p)), дополняющая до 1 сумму всех свидетельств, противоречащих р.
При этом для вероятности Р(р) выполняется оценка: sum(p) ≤ Р(р) ≤
pls(p). Так как sum(p)  pls(p), то степень уверенности утверждения р определяется доверительным интервалом:conf(p) = [sup(p), pls(p)].

В практической реализации подхода Демпстера-Шейфера имеются свои
проблемы: 1) каким обазом задавать веса фактам в БЗ, 2) как использовать в
дальнейшем получаемые доверительные интервалы и др.
Таким образом, и теория вероятностей, и теория Демпстера-Шейфера нуждаются в дополнительном обосновании в каждом конкретном случае.
IV. Нечеткость знаний
Под нечеткостью знаний понимают их расплывчатость, неоднозначность, которая обусловлена их неточностью, возникающей, как при их получении, так и последующей обработке. Один из первых способов описания и учёта
нечеткости на основе понятии нечеткого множества дал Л. Заде. В настоящее
время наряду с этой теорией существует ряд других моделей представления нечеткости в интеллектуальных системах:
- модель коэффициентов уверенности Шортлифа,
- вероятностная логика,
- теория свидетельств Шейфера,
- теория возможностей,
- модели голосования,
- лингвистические модели и другие.
Общим подходом в данных теориях является формальное представление
любого нечеткого знания в виде совокупность {M:Z}, в которой M – само нечеткое выражение, а Z – мера доверия к тому, что M истинно.
Данные модели можно разбивают на три группы по типу используемых в
них функций принадлежности, задающих способ оценки Z нечеткости моделируемых объектов.
I. Первую группу составляют модели с числовым значением функции принадлежности: В моделях с числовым значением мера Z обычно представляет
собой действительное число (в большинстве случаев число интервала [0, 1]) и
интерпретируется как степень уверенности в истинности выражения М. К данной группе относятся следующие модели.
1. Модель коэффициентов уверенности Шортлифа, применяемая в ЭС
MYCIN. В ней водятся -— мера уверенности MB(H|E) в гипотезе H при заданном свидетельстве E (0 < MB(H|E) < 1) и аналогичная мера сомнения в H
MD(H|E) (0 < MD(H|E) < 1). На их основе строится общий коэффициент уверенности в гипотезе H при заданном свидетельстве E (КУ): CF(H|E) = CFant =
MB(H|E) - MD(H|E). Также КУ приписываются CFrule самому правилу вывода.
Тогда коэффициент уверенности для заключения, полученного по некоторому
правилу, определяется выражением: CFcons = CFant  CFrule.
2. Вероятностная логика, которая рассмотрена выше.
II. Вторая группа включает в себя интервально-значные модели. Формальным аппаратом для выражения меры доверия Z в интервально-значных моделях
является интервал. В различных моделях нижняя и верхняя границы интервала
объясняются по-разному. Они могут быть:
- нижней и верхней вероятностями как в теории свидетельств,
- степенями необходимости и возможности в теории возможностей,

Автоматизированные системы управления биотехнологическими процессами

117

118 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

- необходимой и возможной поддержками в модели голосования и пр.
1. Теория свидетельств Шейфера. Рассмотрена выше. Степень уверенности
утверждения
р
определяется
доверительным
интервалом:conf(p) =
[sup(p), pls(p)].
2. Теория возможностей — математическая альтернатива теории вероятностей. Возникла потому, что неточность и нечеткость, свойственная формулировкам моделей, зачастую не может быть достаточно адекватно охарактеризована в вероятностных терминах. Также большие объемы данных наблюдений
часто в итоге оказываются неполными и противоречивыми, поскольку за время
получения данных объект заметно эволюционирует и получаемые вероятностные характеристики в итоге оказываются неадекватными.
Понятие возможности формализуется следующим образом. Вводится конечное предметное множество Ω. На нем вводится функция распределения
возможности {pos}: Ω  [0, 1], для которой выполняются следующие аксиомы:А1: pos () = 0. А2: pos (Ω) = 1. А3: pos(U  V) = max (pos(U), pos (V)) для
любых непересекающихся подмножеств U и V.
Для оператора пересечения в общем случае выполняется:
pos(U  V) ≤ min (pos(U), pos (V)).
3. Модель голосования. Голосованием называется такой способ принятия решения некоторой группой людей (электората) о выборе одного представителя
из группы кандидатов, при котором общее мнение формулируется путём подсчета голосов членов группы. Под задачей голосования имеется в виду выбор
одного из имеющихся кандидатов путем голосования за них всеми участниками
электората. Альтернативами голосования являются: выработка консенсуса или
жеребьёвка.
Основными процедурами голосования являются следующие.
Голосование абслютного большинства. Для победы одному из кандидатов
необходимо набрать строго больше половины голосов избирателей.
Голосование относительного большинства. Каждый человек голосует только
за одного кандидата. Побежает кандидат, набравший наибольшее количество
голосов. Голосование будет безрезультатным в том случае, если кандидаты наберут равное количество голосов избирателей.
Голосование по принципу Кондорсе. В соответствии с ним при проведении
выборов необходимо организовать попарные голосования между всеми кандидатами, вследствие которых победителем считается тот, кто одержал победу в
каждом из них. Возможен парадокс Кондорсе, при котором при проведении голосования в парных противостояниях среди кандидатов не оказывается единственного, который выиграл каждое из них.
Голосование по правилу Борда. В голосовании принимает участие n кандидатов. Каждый избиратель ранжирует кандидатов, выставляя каждому баллы от n
− 1 (для лучшего - по его мнению) до 0 (для худшего соответственно). Затем
проставленные баллы для каждого кандидата суммируются. Побеждает кандидат с максимальной суммой.

Голосование при помощи подсчета очков. Обобщение голосования по правилу Борда. В голосовании участвуют n кандидатов. Вводится последовательность чисел (или рангов) вида r0 ≤ r1 ≤ · · · ≤ rrn−1, при этом должно выполняться
условие r0 < rrn−1. Затем каждый избиратель упорядочивает кандидатов по возрастанию в соответствии со своими предпочтениями и присваивает каждому
ранг из последовательности {ri}. В выборах побеждает кандидат, набравший
наибольшую сумму очков.
Голосование по правилу Компленда. Обобщение голосования по принципу
Кондорсе. Вводится функция F(ai), где ai — это i-ый кандидат. Кандидаты попарно сравниваются между собой. Если из кандидатов p и q для большинства
избирателей p предпочтительнее q, то F(p) = +1, если q предпочтительнее p, то
F(p) = −1, если число предпочитающих p и число предпочитающих q равно, то
F(p) = 0. Побеждает кандидат, для которого значение функции F максимально.
Голосование по правилу Симпсона. Обобщение голосования по принципу
Кондорсе. При голосовании этим способом каждый кандидат попарно сравнивается со всеми остальными. При каждом сравнении кандидата x с кандидатом
y за R(x > y) будем обозначать число людей, для которых (x > y). Для кандидата
x минимальное из чисел R(x > y) при попарном сравнении со всеми возможными y называется оценкой Симпсона. В выборах побеждает кандидат, для которого оценка Симпсона максимальна.
III. Третью группу составляют нечетко-значные модели. Нечетко-значные
модели обычно применяются в случаях, когда для описания объектов предметной области используются лингвистические переменные, для которых мера Z
представляется некоторым нечетким множеством.
Заключение
В статье рассмотрены проблемы построения и последующего функционального использования баз знаний, применяемых в реальных интеллектуальных системах, у которых в отличие от идеальных логических систем, как правило, всегда есть отклонения различного рода, т.н. не-факторы знания.
Проанализированы, как сами не-факторы, так и и основные способы их
учёта в реальных базах знаний.
1.
2.
3.
4.
5.

Список литературы
Caudill M., Butler C. T. Naturally intelligent systems. – MIT press, 1990.
Головицына М.В. Информационные технологии проектирования радиоэлектронных
средств . — БИНОМ. Лаборатория знаний, Интернет-университет информационных технологий — ИНТУИТ.ру, 2008.
Рыбина Г.В. Основы построения интеллектуальных систем. — М.: Финансы и статистика; ИНФРА-М, 2010. — 432 с. — ISBN 978-5-279-03412-3.
Лисьев Г. А., Попова И. В. Технологии поддержки принятия решений. — 2-е издание,
стереотипное. — М.: Издательство «ФЛИНТА», 2011. — 133 с. — ISBN 978-5-97651300-6.
Зеленова Е.Н., Кротов И.В., Благовещенский И.Г. Модель системы управления информационным ресурсом пищевого производства на основе СУБД. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным техно-

119

120 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

логиям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 181-185.
Благовещенский В.Г., Благовещенский И.Г., Мокрушин С.А., Аднодворцев А.М., Веселов М.В. Автоматизация управления качеством производства шоколадных конфет с использованием видеоконтроля. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов
научно-практической конференции с международным участием. Курск, 2023. С. 27-35.

УДК 629.7.022
Д.П. Доржеева, А.О. Крюкова
Финансовый университет при Правительстве РФ

Автоматизированные системы управления биотехнологическими процессами

9.
10.
11.
12.
13.

14.
15.
16.
17.
18.

Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Кротов И.В. Перспективы
использования микропроцессорных программируемых и интеллектуальных систем
управления в производстве пищевых продуктов. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V Международной конференции. Курск, 2024. С. 156-161.
Балыхин М.Г., Благовещенский И.Г., Назойкин Е.А., Благовещенский В.Г. Адаптивная
система управления с идентификатором нестационарными технологическими процессами в отраслях пищевой промышленности // Интеллектуальные системы и технологии в
отраслях пищевой промышленности: материалы научно- практической конференции с
международным участием (Москва, 15 – 18 октября, 2019 г.). М.: Издательский комплекс
МГУПП. 2019. С. 32-39.
Благовещенский В.Г., Благовещенский И.Г. Интеллектуальная автоматизированная система управления качеством халвы с использованием гибридных методов и технологий:
Монография. Курск, 2022. – 158 с.
Поспелов Г.С. Искусственный интеллект -- основа новой информационной технологии.
Серия: Академические чтения. Издательство: М.: Наука. 1988. 280 с.
Петрушин, В. А. Экспертно-обучающие системы / В. А. Петрушин. - Киев: Наукова
Думка, 1992. -С. 196.
Рыбина Г.В. Проектирование систем, основанных на знаниях: Учебное пособие.
М.:МИФИ, 2000. –100 с.
Еремеев А.П., Чибизова Н.В. Инструментальные средства конструирования экспертных
систем. Методическое пособие по курсу «Экспертные системы» для студентов, обучающихся по направлению «Прикладная математика и информатика». Под редакцией В.Н.
Вагина. М., Из-во МЭИ , 2002. – 100 с.
Мендельсон Э. Введение в математическую логику. — М.: «Наука», 1971. — 320 с.
Клини С. К. Математическая логика. — М.: «Мир», 1973. — 480 с.
Новиков Ф. А. Дискретная математика для программистов. — СПб.: Питер, 2000. — 304
с.: ил. ISBN 5-272-00183-4.
Аристотель, -. Метафизика / Аристотель ; переводчик А. В. Кубицкий. — Москва : Издательство Юрайт, 2023. — 241 с.
Фреге Готтлоб. М.: Логика и логическая семантика: Сб.трудов. Аспект Пресс, 2000.512с.

РАЗРАБОТКА ВИНТОМОТОРНОЙ ГРУППЫ ДЛЯ КОНВЕРТОПЛАНА
Д.П. Доржеева, А.О. Крюкова РАЗРАБОТКА ВИНТОМОТОРНОЙ ГРУППЫ ДЛЯ КОНВЕРТОПЛАНА

Аннотация: В статье представлены результаты научно-исследовательских и опытноконструкторских работ (НИОКР), направленных на разработку механизма поворота положения двигателей с целью смены режима полета конвертоплана (БВС). Решение этой задачи
позволит создать технологию, способную снизить затраты на производство БВС и повысить
их эффективность и надежность.
Ключевые слова: конвертоплан, винтомоторная группа, вертикальный взлет и посадка,
моделирование, тандемная схема.

Использование конвертопланов как беспилотных воздушных судов (БВС)
в настоящее время приобретает актуальное значение. Летательные аппараты
данного типа имеют значительные перспективы, поскольку они не требовательны к условиям взлёта и посадки. Такие аппараты имеют преимущества в
скорости, грузоподъёмности, продолжительности полета, прочности и помимо
этого могут зависать в заданном районе. В рамках данного кейса требуется разработать механизм поворота положения двигателей с целью смены режима полета конвертоплана (БВС).
Для достижения данной цели необходимо выполнить следующие задачи:
1. Определение режимов полета – установить необходимые углы наклона
двигателей для каждого режима.
2. Проектирование механизма – создать конструкцию, позволяющую двигателям изменять угол наклона, используя подходящие приводы.
Разработанное инженерное решение, должно соответствовать следующим
техническим требованиям:
 Механизм изменения тяги двигателей БВС конвертоплана должен соответствовать следующим требованиям:
 Прочность: механизм в процессе эксплуатации не должен сломаться
под аэродинамическими нагрузками
 Легкость: устройство не должно превышать массу в 600 грамм.
 Точность размеров: устройство должно быть легко интегрируемое в
различные корпуса БВС конвертопланов одной габаритной категории, а именно
(размах крыльев от 1000 до 1500 мм и мощностью двигателей от 2800 до 3500
kv)
 Требование к расположению на корпусе: данный механизм должен
крепиться на крыло и иметь возможность хода на 90 градусов.
Для выполнения данной работы сформирована инженерная команда, обладающая знаниями в области конструирования, опытом работы с электродвигателями для БВС и расчетом полетных характеристик. Процесс разработки
включал обзор аналогов, разработку концепции и принципиальной схемы, далее обзор и подбор оборудования. В рамках выполнения НИОКР разработана
принципиальная схема работы винтомоторной группы с изменением направле-

Автоматизированные системы управления биотехнологическими процессами

121

ния тяги для конвертоплана, проведен подбор необходимого оборудования с
соответствующими техническому заданию характеристиками.

122 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
4

Сервопривод MG 995

5
6
7

Рис. 1. Принципиальная схема решения

После изучения проблемной части, проведенного обзора и анализа существующих аналогов было выявлено, что для работы винтомоторной группы с
изменением направления тяги необходимо следующее оборудование: двигатель, плата, контроллер оборотов скорости двигателя, потенциометр, распределительная плата питания, аккумулятор, плата для управления группой. С учетом того, что БВС будет иметь два крыла, разработана принципиальная схема
винтомоторной группы, представленный на рисунке 1.
В разработке должно быть использовано оборудование, обладающее высокой прочностью, поскольку оно будет использоваться в БВС, которое подвержено различного рода нагрузкам. Для формирования списка необходимого
оборудования был проведен обзор и анализ такого оборудования, отобрано необходимое оборудование. Подробный список оборудования приведен в таблице
1.
Табл.1. Технические характеристики оборудования винтомоторной группы для конвертоплана
№ Оборудование
Технические характеристики Количество
1 Бесколлекторный мотор 5010 для RC 750KV
2 шт
моделей
2 ESC регулятор оборотов скорости
50А
2 шт
двигателя
3 Плата Arduino Uno R3 + кабель usb /
Arduino Uno
1 шт
Ардуино Уно Arduino

Распределительная плата питания
PDB Quadcopter Power Hub PDB с
BEC
Потенциометр
Аккумуляторная батарея

Рабочее напряжение – 4.8-7.2 2 шт
В
Угол поворота 120 градусов
Крутящий момент – 8,5 кг/см
(при 4.8 В), 10 кг/см (при 6 В)
Скорость – 0,20 сек/60 (при
4,8 В), 0,16 сек/60° (при 6 В)
Материал шестерней – металл
Вес – 55 г
Размер – 40х20х42 мм
5V & 12V
1 шт
100 кОм
12В 6Ач Li-Ion, 4S1P

1 шт
1 шт

Таким образом, в результате проведенных работ инженерной командой
разработана принципиальная схема винтомоторной группы с изменением направления тяги для конвертоплана (БВС). На основе данной схемы проведен
подбор необходимого оборудования. Выполненные работы являются первым
этапом инженерной задачи по реализации описанной винтомоторной группы.
При выполнении исследовательских работ были использованы источники [1–
10].
1.
2.
3.
4.

5.
6.

Список литературы
ГОСТ 20058-80. Динамика летательных аппаратов в атмосфере. М.: Изд-во стандартов,
1981. 54 с. URL: http://gostexpert.ru/gost/getDoc/3780 (дата обращения: 29.10.2024).
Белоконь С. А., Деришев Д. С., Золотухин Ю. Н., Ян А. П. Моделирование движения
гибридного летательного аппарата // Автометрия. 2019. 55, № 4. С. 49–56.
Золотухин Ю. Н., Нестеров А. А. Управление угловым положением летательного аппарата // Автометрия. 2015. 51, № 5. C. 35–41.
Крахмалев, О. Н. Моделирование манипуляционных систем роботов : учебное пособие /
О. Н. Крахмалев. – 2-е изд. – Москва : Ай Пи Ар Медиа, 2024. – 198 c. – ISBN 978-54497-3377-1. – Текст : электронный // Цифровой образовательный ресурс IPR SMART :
[сайт]. – URL: https://www.iprbookshop.ru/141848.html (дата обращения: 29.08.2024).
Крахмалев, О. Н. Объектное моделирование в кинематике манипуляционных роботов /
О.Н. Крахмалев // Нейрокомпьютеры: разработка, применение, 2022. – №5. – С. 55–66.
https://doi.org/10.18127/j19998554-202205-06.
Каргин, В.А. Интеллектуальная автоматизированная система мониторинга засорения земель борщевиком Сосновского / В.А. Каргин, И.В. Кротов, Н.И. Гданский, С.А. Мокрушин, О.Н. Крахмалев // Научно-технический вестник Поволжья. – 2024. – №10. – С. 114118.
Krakhmalev, O.; Korchagin, S.; Pleshakova, E.; Nikitin, P.; Tsibizova, O.; Sycheva, I.; Liang,
K.; Serdechnyy, D.; Gataullin, S.; Krakhmalev, N. Parallel Computational Algorithm for Object-Oriented Modeling of Manipulation Robots. Mathematics, 2021, 9, 2886.
https://doi.org/10.3390/math9222886.

Автоматизированные системы управления биотехнологическими процессами

123

124 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Krakhmalev, O.; Krakhmalev, N.; Gataullin, S.; Makarenko, I.; Nikitin, P.; Serdechnyy, D.;
Kang, L.; Korchagin, S. Mathematics Model for 6-DOF Joints Manipulation Robots. Mathematics, 2021, 9, 2828. https://doi.org/10.3390/math9212828.
9. Krakhmalev, O.; Gataullin, S.; Boltachev, E.; Korchagin, S.; Blagoveshchensky, I.; Liang, K.
Robotic Complex for Harvesting Apple Crops. Robotics, 2022, 11, 77.
https://doi.org/10.3390/robotics11040077.
10. Kang Liang, Zhang Xiukai, Oleg Krakhmalev. SLSL-QPSO: Quantum-behaved particle swarm
optimization with short-lived swarm layers. SoftwareX, 2023, 24, 101536,
https://doi.org/10.1016/j.softx.2023.101536.

тейных технологий и современных методов проектирования становится важным аспектом в этом процессе. Литейные технологии, такие как литье под давлением и 3D-печать, позволяют создавать сложные геометрические формы, которые могут улучшить аэродинамические характеристики и снизить вес конструкции. Как известно, применение аддитивных технологий в производстве корпусов БВС может привести к значительному снижению затрат и времени на
производство.
Современные методы проектирования, включая компьютерное моделирование и симуляцию, играют решающую роль в процессе разработки. Использование программного обеспечения для анализа конечных элементов FEA в составе САПР Компас 3D позволяет исследовать механические свойства материалов и оптимизировать конструкцию на ранних этапах разработки. Расчетный
модуль FEA значительно сокращает количество итераций в процессе проектирования и позволяет более точно предсказать поведение конструкции в различных условиях эксплуатации.
Разработка корпуса БВС требует комплексного подхода, который учитывает, как материалы и технологии производства, так и аэродинамические характеристики. В рамках исследования проведен анализ существующих решений и
предложены новые подходы к проектированию корпуса БВС, что может способствовать улучшению их функциональности и эффективности в различных
приложениях.
Для выполнения поставленной задачи была сформирована инженерная
команда, обладающая опытом в области материаловедения, литейных технологий и конструирования БВС. Процесс разработки включал анализ требований,
3D-моделирование, прочностной анализ, изготовление мастер-модели и литейной формы, создание мастер-модели корпуса и литейной формы для отливки,
отливка и обработка, а также испытания корпуса.
В рамках проведенных работ были определены технические характеристики корпуса, включая прочность, жесткость, легкость и точность размеров. С
использованием САПР Компас 3D создана модель корпуса, его составных частей и проведены расчеты на прочность и устойчивость к динамическим нагрузкам с использованием модуля FEM. Созданы мастер-модели корпуса, литейной
формы для отливки и изготовлен корпус из легкодоступных материалов с последующей обработкой. В рамках тестирования образца проведены испытания
корпуса на прочность, жесткость и установлены аэродинамические характеристики.
Разработанная корпус БВС соответствует всем техническим требованиям, включая прочность, жесткость, легкость, точность размеров и качество поверхности. Разработанный корпус выдерживает нагрузки, возникающие в процессе полета, включая аэродинамические, статические и вибрационные нагрузки, при этом конструкция корпуса обеспечивает отсутствие деформаций под
нагрузкой. Масса корпуса составила 1,5 кг, что соответствует требованиям к
легкости. Поверхность корпуса гладкая, без дефектов, что соответствует аэро-

УДК 629.7.022
Л.А. Досаева, А.С. Кожаринов
Финансовый университет при Правительстве РФ.

ИССЛЕДОВАНИЕ БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА
ДЛЯ ФОТО- И ВИДЕОФИКСАЦИИ
Л.А. Досаева, А.С. Кожаринов ИССЛЕДОВАНИЕ БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА ДЛЯ ФОТО- И ВИДЕОФИКСАЦИИ

Аннотация: В статье представлены результаты научно-исследовательских и опытноконструкторских работ (НИОКР), направленных на разработку конструкции беспилотного
воздушного судна (БВС) для фото- и видеофиксации. Основной задачей являлось создание
корпуса БВС, отвечающего требованиям прочности, жесткости, легкости и точности размеров. В процессе разработки использовались современные технологии 3D-моделирования, литейные технологии и прочностной анализ. Результаты работы включают создание прототипа
корпуса, удовлетворяющего техническим требованиям, с себестоимостью, не превышающей
50000 рублей. Разработанное решение может быть применено в различных сферах, включая
мониторинг, картографирование и спасательные операции.
Ключевые слова: беспилотное воздушное судно, фото- и видеофиксация, 3Dмоделирование, литейные технологии, прочностной анализ, корпус БВС.

Беспилотные воздушные суда (БВС) находят широкое применение в различных областях, таких как мониторинг, картографирование, сельское хозяйство и спасательные операции. По мере развития технологий и увеличения потребностей в высококачественных данных, использование БВС становится все
более актуальным. Согласно исследованиям, рынок БВС продолжает расти, с
прогнозируемым увеличением на 15% ежегодно в ближайшие пять лет. Это
подчеркивает важность эффективных и надежных конструкций для обеспечения долгосрочной эксплуатации БВС.
Одной из ключевых задач при создании БВС является разработка корпуса, который обеспечивает необходимую прочность, жесткость и легкость, а
также соответствует аэродинамическим требованиям. Корпус является основным элементом, который не только защищает внутренние компоненты, но и
влияет на общую производительность и маневренность аппарата. В научных
обзорах подчеркивается, что оптимизация аэродинамических характеристик
корпуса может существенно повысить эффективность полета и снизить расход
энергии.
В рамках данной работы была поставлена задача разработки и исследования конструкции корпуса БВС для фото- и видеофиксации. Использование ли-

125

126 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

динамическим требованиям и обеспечило точность размеров в соответствии с
чертежно-графической документацией.
Характеристики корпуса БВС представлены в таблице 1.

Табл.2. Результаты испытаний программного обеспечения
Наименование испы- Полученные числен- Допустимые значе- Соответствие колитуемых параметров
ные значения
ния из задания
чественным результатам допустимому
значению
Скорость приема за- 21 раз в секунду
не менее 20 раз в соответствует
просов
секунду
Время
сохранения 38 мс
< 50 миллисекунд
соответствует
файлов
Размер передаваемого 2,065,432,342 байта
не менее 1 Гб
соответствует
архива с фотографиями

Автоматизированные системы управления биотехнологическими процессами

Табл.1. Характеристики корпуса БВС
Наименование
Значение
Масса корпуса
Прочность
Жесткость
Себестоимость

1,5
Выдерживает нагрузки
при полете
Отсутствие деформаций
50 000

Единица
измерения
кг
–
–
руб.

Общий вид разработанного корпуса БВС представлен на рисунке 1.

Рис. 1. Общий вид разработанного корпуса БВС

В части подтверждения назначения использования БВС проводились испытания на программном обеспечении для приема фотографий с целью проверки его функционирования и характеристик. В ходе испытаний оценивались
следующие параметры: скорость передачи и целостность файлов. Компьютер
KWIK Home6 i5-2400/8/512 предназначен для включения сервера, осуществляющего передачу фотографий, компьютер PREON Viking W10 (ZX-40) используется для установки приложения, принимающего фотографии.
Результаты испытаний программного обеспечения представлены в таблице 2.
В процессе разработки использовался современный стек технологий, а
именно: встроенная библиотека для работы с сокетами Socket, язык программирования С++, обеспечивающий строгую типизацию для надежного и поддерживаемого кода, система автоматической сборки проекта CMake, платформа
для хранения кода GitHub. В качестве инструмента передачи данных, используемого для передачи видео и фото файлов используется протокол TCP.

Корпус БВС, разработанный для решения задач исследования, включает в
себя ребра жесткости, отверстия для доступа к внутренним компонентам и
кронштейны для крепления бортового оборудования. Конструкция корпуса
обеспечивает эффективное охлаждение бортового оборудования и защиту от
механических и атмосферных воздействий. Разработанное решение позволяет
снизить затраты на производство БВС за счет использования литейных технологий и легкодоступных материалов. Себестоимость корпуса не превышает 50
000 рублей, что делает его экономически выгодным для массового производства. Результаты тестирования показали, что корпус соответствует всем техническим требованиям и может быть использован в различных сферах, включая мониторинг и спасательные операции.
В результате проведенных НИОКР разработан корпус БВС для фото- и
видеофиксации, который соответствует всем поставленным требованиям. Использование современных технологий проектирования и литейных процессов
позволило создать легкий, прочный и надежный корпус, пригодный для использования в различных условиях. Разработанное решение может быть масштабировано и адаптировано под различные типы БВС. Испытания показали,
что разработанный корпус БВС соответствует всем техническим требованиям и
может быть использован в различных условиях эксплуатации. При выполнении
исследовательских работ были использованы источники [1–9].
1.
2.

3.
4.

Список литературы
ГОСТ Р 59751-2021. Беспилотные авиационные системы с беспилотными воздушными
судами самолетного типа.
Крахмалев, О. Н. Моделирование манипуляционных систем роботов : учебное пособие /
О. Н. Крахмалев. – 2-е изд. – Москва : Ай Пи Ар Медиа, 2024. – 198 c. – ISBN 978-54497-3377-1. – Текст : электронный // Цифровой образовательный ресурс IPR SMART :
[сайт]. – URL: https://www.iprbookshop.ru/141848.html (дата обращения: 29.08.2024).
Крахмалев, О. Н. Объектное моделирование в кинематике манипуляционных роботов /
О.Н. Крахмалев // Нейрокомпьютеры: разработка, применение, 2022. – №5. – С. 55–66.
https://doi.org/10.18127/j19998554-202205-06.
Каргин, В.А. Интеллектуальная автоматизированная система мониторинга засорения земель борщевиком Сосновского / В.А. Каргин, И.В. Кротов, Н.И. Гданский, С.А. Мокру-

Автоматизированные системы управления биотехнологическими процессами

7.
8.
9.

127

128 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

шин, О.Н. Крахмалев // Научно-технический вестник Поволжья. – 2024. – №10. – С. 114118.
Нгонганг Р.Д., Благовещенская М.М., Благовещенский В.Г., Зеленова Е.Н., Зуева Ю.В.
КОБОТЫ: новые технологии для автоматизации технологических процессов производства различной продуктов. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 292-300.
Krakhmalev, O.; Korchagin, S.; Pleshakova, E.; Nikitin, P.; Tsibizova, O.; Sycheva, I.; Liang,
K.; Serdechnyy, D.; Gataullin, S.; Krakhmalev, N. Parallel Computational Algorithm for Object-Oriented Modeling of Manipulation Robots. Mathematics, 2021, 9, 2886.
https://doi.org/10.3390/math9222886.
Krakhmalev, O.; Krakhmalev, N.; Gataullin, S.; Makarenko, I.; Nikitin, P.; Serdechnyy, D.;
Kang, L.; Korchagin, S. Mathematics Model for 6-DOF Joints Manipulation Robots. Mathematics, 2021, 9, 2828. https://doi.org/10.3390/math9212828.
Krakhmalev, O.; Gataullin, S.; Boltachev, E.; Korchagin, S.; Blagoveshchensky, I.; Liang, K.
Robotic Complex for Harvesting Apple Crops. Robotics, 2022, 11, 77.
https://doi.org/10.3390/robotics11040077.
Kang Liang, Zhang Xiukai, Oleg Krakhmalev. SLSL-QPSO: Quantum-behaved particle swarm
optimization with short-lived swarm layers. SoftwareX, 2023, 24, 101536,
https://doi.org/10.1016/j.softx.2023.101536.

безопасности заставляют производителей искать пути совершенствования технологического цикла.
Одним из ключевых факторов, влияющих на стабильность качества готовых колбас, является точность поддержания режимов на каждом этапе. Малейшие отклонения в рецептуре, неправильная дозировка специй или некорректная
температурно-влажностная кривая при варке и копчении могут привести к значительному увеличению брака. Традиционные методы контроля, основанные на
опыте операторов и выборочных измерениях, не всегда позволяют вовремя реагировать на изменения, что ведёт к потере сырья, снижению выхода годной
продукции и увеличению затрат на ручной труд. В современных условиях возрастают требования рынка и нормативных органов к качеству мясной продукции. Именно поэтому на первый план выходит задача комплексной автоматизации, предусматривающей установку датчиков для сбора технологических данных в реальном времени и внедрение интеллектуальных алгоритмов управления, способных принимать решения без постоянного участия человека. Концепция Industry 4.0, с её ориентацией на кибер-физические системы и широкое
использование машинного обучения, предлагает предприятиям инструменты
для построения «умных» производств, где каждый узел (от шприца до термокамеры) передаёт информацию в единую базу данных.
Процесс производства колбасных изделий охватывает несколько последовательных стадий, каждая из которых играет решающую роль в формировании конечных характеристик продукта и требует точного соблюдения заданных
технологических параметров. Начинается всё с приёма и подготовки сырья, когда проверяется качество мяса (говядины, свинины или их комбинаций), удаляются кости, излишки жира или жилы, а также оценивается соответствие санитарно-гигиеническим нормам. На этом же этапе производится измельчение в
куттерах или мясорубках, где важно правильно выбрать степень фракционирования, чтобы сформировать однородный фарш без крупных включений. Кроме
того, именно здесь добавляются соль, специи, различные функциональные добавки и вода (при необходимости), причём точность дозирования существенно
влияет на вкус и структуру будущей колбасы.
После подготовки фарша наступает этап шприцевания, во время которого
колбасная масса помещается в натуральную или искусственную оболочку. Эффективность этого процесса зависит от согласованной работы шприцевального
оборудования и оператора, поскольку чрезмерно высокая скорость наполнения
может привести к разрывам оболочки, а слишком низкая — к потере производительности и несоблюдению плановых объёмов. Обычно на данном участке
устанавливают весовые контроллеры, фиксирующие массу батона, и датчики
натяжения оболочки; все параметры должны соответствовать рецептуре и техническим условиям на конкретный вид колбасы. Одним из самых критичных
участков считается термообработка: варка, копчение, обжарка или сушка. Этот
этап определяет большую часть органолептических качеств продукта (вкус,
цвет, аромат) и требует строгого контроля температуры, влажности и длительности воздействия. Малейшее отклонение от заданного термопрофиля способно

УДК 004.89:664
Е.Н. Зеленова
Российский биотехнологический университет

РАЗРАБОТКА СТРУКТУРНОЙ СХЕМЫ СИСТЕМЫ УПРАВЛЕНИЯ
ПРОЦЕССОМ ПОЛУЧЕНИЯ КОЛБАСНЫХ ИЗДЕЛИЙ С УЧЁТОМ
АСПЕКТОВ АВТОМАТИЗАЦИИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ
Е.Н. Зеленова РАЗРАБОТКА СТРУКТУРНОЙ СХЕМЫ СИСТЕМЫ УПРАВЛЕНИЯ ПРОЦЕССОМ ПОЛУЧЕНИЯ КОЛБАСНЫХ ИЗДЕЛИЙ С УЧЁТОМ АСПЕКТОВ
АВТОМАТИЗАЦИИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ

Аннотация. В статье предлагается подход к созданию комплексной системы управления производством колбасных изделий с учётом современных тенденций автоматизации
технологических процессов. Рассматриваются основные этапы производства — от подготовки сырья и шприцевания до термообработки и контроля качества. Описываются аппаратные
и программные модули, а также способы интеграции с системой контроля параметров (температура, влажность, время обработки). Делается акцент на важности единого управляющего
контура, позволяющего в реальном времени фиксировать отклонения и оперативно вносить
корректировки для снижения уровня брака и улучшения стабильности производства.
Ключевые слова: автоматизация технологических процессов, производство колбас,
структурная схема, управление процессом, контроль качества.

Производство колбасных изделий относится к числу наиболее ответственных направлений в мясоперерабатывающей промышленности. Этот процесс
включает несколько последовательных и тесно взаимосвязанных этапов — от
подготовки и измельчения сырья до окончательной термообработки и контроля
качества продукции. Вмешательство человеческого фактора, а также разнообразие технологий (варёные, полукопчёные, сырокопчёные изделия) существенно усложняют управление и требуют строгого соблюдения заданных параметров (температура, влажность, время выдержки). Кроме того, жёсткие требования по санитарно-гигиеническим нормам и повышенное внимание к пищевой

Автоматизированные системы управления биотехнологическими процессами

129

130 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

стать причиной сырости, пересушивания или неравномерного прокопчения, а
значит, повлиять на вкусовые качества и внешний вид. В современных термокамерах зачастую применяют ПИД-регуляторы и системы программируемого
управления, позволяющие задавать поэтапные режимы (например, постепенное
повышение температуры, поддержание нужного уровня влажности, затем фаза
копчения) с учётом особенностей конкретного сорта колбасы. При недостаточном уровне автоматизации операторы вынуждены контролировать процесс
вручную, полагаясь на показатели термометров и собственный опыт, что повышает риск ошибок.
Завершив термообработку, колбасные изделия подвергают охлаждению, которое может осуществляться водяной душировкой, продувом холодным воздухом
или комбинацией методов. Цель этого этапа — максимально быстро снизить
температуру продукта до безопасных значений, чтобы предотвратить рост микроорганизмов и стабилизировать структуру колбасы. Процедура охлаждения
важна с точки зрения последующего хранения и влияния на органолептику, поэтому здесь также могут применяться датчики температуры и системы автоматической регулировки скорости воздушного потока или интенсивности орошения. Наконец, контроль качества завершает технологический цикл, проверяя
внешний вид, консистенцию, цвет и аромат готовой колбасы. В традиционных
условиях это делается вручную, но при масштабном производстве применяются
и автоматизированные методы, в том числе компьютерное зрение и весовые
платформы, способные быстро выявлять внешние дефекты и отклонения массы.
В дополнение к визуальной инспекции проводятся лабораторные исследования
(микробиологические, физико-химические) для подтверждения безопасности
продукта. Любое нарушение, выявленное на стадии контроля, говорит о недоработках либо при подготовке сырья, либо при шприцевании, термообработке
или охлаждении.
Критические параметры (температура, влажность, время, скорость наполнения) и возникающие при их отклонении проблемы являются системообразующим фактором, определяющим результат всего производственного процесса. При ручном контроле важную роль играет человеческий фактор, и если операторы не успевают вовремя отрегулировать оборудование, растёт риск получить бракованную партию. С другой стороны, грамотная автоматизация, предполагающая установку датчиков в ключевых точках (например, в термокамерах, шприцах, куттерах) и использование программных алгоритмов управления,
способна не только стабилизировать качество, но и существенно ускорить процесс, снизив затраты и повысив конкурентоспособность предприятия.
В автоматизации колбасного производства уже наметились несколько
подходов, однако чаще всего предприятия ограничиваются внедрением отдельных цифровых модулей, не объединённых в общую систему. Например, могут
использоваться микропроцессорные шприцы, позволяющие точно дозировать
массу фарша, или термокамеры с ПИД-регуляторами для поддержания заданной температуры и влажности. При этом нередко отсутствует единый программный комплекс, который бы анализировал данные в реальном времени и

принимал решения о коррекции параметров варки или копчения с учётом всего
производственного цикла. В ряде случаев предприятия обращаются к решениям
на базе SCADA-систем, где все поступающие сигналы от датчиков (температура, влажность, вес, скорость вращения оборудования) собираются на одном
сервере, а операторы контролируют процесс через человеко-машинный интерфейс (HMI). Если такой подход реализован полноценно, он уже создаёт условия
для более точного и быстрого реагирования на отклонения, поскольку система
может в автоматическом режиме генерировать предупреждения или команды
на изменение параметров. Однако даже в рамках SCADA нередко сохраняются
«информационные разрывы» между разными участками: узлы подготовки сырья, шприцевания, термообработки и охлаждения могут работать по собственным схемам и не обмениваться деталями о текущем состоянии продукта.
Переход на интегрированные или «умные» решения во многом вдохновлён идеями Industry 4.0, где каждое устройство (датчики, камеры, смесители,
PLC) становится частью кибер-физической системы, объединённой общей сетью и способной адаптироваться к изменениям. Такие системы часто используют протоколы OPC UA, MQTT или Modbus/TCP для согласованной передачи
данных, а также алгоритмы машинного обучения и статистического анализа,
которые помогают прогнозировать тенденции и ранние признаки брака (например, нестабильное поддержание температуры на предыдущем этапе может повысить риск проблем при копчении). Существуют пилотные проекты, где дополнительно задействуется компьютерное зрение, определяющее целостность
оболочки, равномерность окраски и другие визуально контролируемые параметры колбасы.
В результате предприятию удаётся не только фиксировать брак в конце линии,
но и анализировать причины возникновения отклонений, чтобы устранять их на
этапе приготовления сырья или дозировки добавок.
Однако комплексное внедрение подобных решений встречает ряд трудностей. Во-первых, многие производители оборудования используют закрытые
или несовместимые протоколы, что усложняет интеграцию с уже имеющимися
узлами. Во-вторых, высокие гигиенические стандарты накладывают ограничения на установку электроники в агрессивной среде, где присутствует высокая
влажность и моющие средства. В-третьих, разные сорта колбас требуют отдельных программ термообработки и специфических алгоритмов управления, а
это означает, что при любом нововведении (выпуске нового продукта, изменении рецептуры) систему приходится перенастраивать и дополнительно обучать
персонал. Тем не менее, несмотря на все перечисленные барьеры, прогресс в
области промышленной автоматизации и появление более доступных решений
на базе программируемых логических контроллеров, SCADA-систем и облачных платформ с аналитическими модулями свидетельствует о нарастающем
интересе к комплексным, а не локальным, подходам. Именно такие подходы
позволяют предприятиям добиться ощутимого снижения ручного труда,
уменьшения процента брака и повышения конкурентоспособности на рынке
мясной продукции.

Автоматизированные системы управления биотехнологическими процессами

131

132 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Основываясь на результатах анализа технологических этапов и существующих решений по автоматизации, в рамках данной работы предлагается интегрированная схема управления производством колбасных изделий, охватывающая ключевые участки и объединяющая их в общий информационный контур. Суть схемы заключается в поэтапном сборе данных от датчиков и контроллеров на участках подготовки и измельчения сырья (включая измельчители,
куттеры и смесители), шприцевания (управление скоростью и точностью наполнения оболочек), термообработки (варка, копчение, обжарка с контролем
температуры и влажности), а также последующего охлаждения. Каждый участок оснащается программируемым логическим контроллером (PLC), регистрирующим параметры в реальном времени и передающим их в центральную
базу данных по промышленным протоколам (Modbus/TCP, OPC UA или сходным). В базе данных хранится информация обо всех партийных операциях: рецептура, время начала и окончания каждого этапа, параметры оборудования
(температура, расход воды, скорость воздуха, напряжение на шприце) и результаты промежуточных измерений (вес батонов, визуальные показатели). На
верхнем уровне схемы располагается программный комплекс (например,
SCADA или MES-система), осуществляющий не только сбор, но и аналитическую обработку данных. Он позволяет операторам и технологам в реальном
времени отслеживать соответствие параметров заданной рецептуре, формировать отчёты о каждой партии, а также управлять критическими точками (например, при возникновении отклонения температуры в термокамере система
может автоматически изменять режим нагрева или выключать оборудование
для предотвращения брака).
В конфигурацию могут входить и модули компьютерного зрения, размещённые на этапе контроля качества, которые анализируют внешний вид колбас
и выявляют трещины или неровности оболочки. Дополнительно, если применяются весовые платформы, данные о потере массы при термообработке и охлаждении автоматически сопоставляются с нормативными значениями, и при
слишком больших расхождениях система формирует предупреждение оператору.
Проектируемая структурная схема представляет собой единое решение,
где каждый производственный этап не только контролируется локальными
средствами, но и передаёт информацию в центральный управляющий блок,
способный оперативно реагировать на изменения, оптимизировать процесс и
аккумулировать статистику для последующего анализа и совершенствования
технологий. Подобная централизованная модель автоматизации даёт возможность стабильно поддерживать ключевые технологические режимы, более гибко адаптироваться под новые рецептуры колбас, а также формировать детальную карту производственных процессов, что положительно сказывается на качестве выпускаемой продукции и конкурентоспособности предприятия.
Предлагаемые решения по автоматизации колбасного производства даёт
основание полагать, что переход к единой структурированной системе управления существенно влияет на качество и производительность. Во-первых, исче-

зает зависимость от разрозненных блоков — шприцы, термокамеры и смесители перестают быть автономными «островками» данных, а связываются общим
программно-аппаратным контуром. В результате все стадии (от измельчения
сырья до охлаждения колбасных изделий) становятся взаимосвязанными, а накопленные сведения о параметрах процесса (температура, время, объём, скорость) позволяют анализировать технологическую цепочку в динамике. Если
термообработка в одной из камер идёт со сбоями по температуре или влажности, система способна заранее среагировать, изменив рабочие параметры оборудования или оповестив технолога о необходимости вмешательства.
Вторым важным эффектом является повышение повторяемости и стабильности
качества продукции. При ручном контроле многое зависит от квалификации
оператора, его внимательности и способности оперативно реагировать на изменения в процессе. Когда же существенная часть контроля переходит к программным алгоритмам (оснащённым датчиками и ПИД-регуляторами или нейросетевыми моделями), снижается риск упустить критическое отклонение, поскольку система мониторит показатели непрерывно и в автоматическом режиме. Это даёт более равномерный результат по всей партии и уменьшает вероятность «точечных» дефектов, возникающих из-за человеческой ошибки или колебаний условий в цехе.
Кроме того, централизованная база данных, включающая информацию
обо всех партиях и этапах их прохождения, упрощает формирование отчётов
для руководства и аналитики. Руководителям становятся доступны детальные
сведения о фактическом времени, которое продукт провёл в термокамере, о
расходе специй и других параметрах, что помогает выявлять и устранять «узкие
места» в процессе, а также лучше планировать загрузку оборудования. Например, если статистика указывает на многократные остановки одного шприца изза перегрева или перегрузки, можно вовремя провести профилактику или заменить изношенные узлы. Объединение с системой контроля качества (включая
компьютерное зрение для оценки поверхности батонов и весовые платформы)
позволяет получать замкнутый цикл управления: сразу после завершения термообработки или охлаждения колбаса проверяется в автоматическом режиме на
соответствие заданным нормам. При обнаружении проблем (например, трещин
оболочки, недовеса, неправильного цвета) система сигнализирует об этом оператору и формирует запись в базе данных с указанием партии, конкретной линии и времени обработки. Такая интеграция существенно повышает прозрачность и даёт возможность быстро локализовать причины появления брака.
Экономический эффект автоматизации в подобном формате обычно выражается в снижении процента брака и уменьшении переменных затрат на единицу продукции. В частности, при точном соблюдении рецептуры и регламентов термообработки улучшается выход готового продукта (меньше потерь массы при обжарке/копчении), а оперативная диагностика позволяет избежать переделки или утилизации неподходящих батонов. Дополнительно повышается
производительность труда, ведь многие рутинные задачи (регулярное замерение температур, ручная проверка веса или внешнего вида) переходят в автома-

133

134 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

тический режим, освобождая операторов для решения более сложных и творческих задач.
В целом, предложенная система управления, основанная на структурной
интеграции всех производственных участков, обеспечивает комплексный мониторинг и контроль критических параметров в реальном времени. Снижается
влияние человеческого фактора, растёт показатель стабильности качества, а руководство получает инструментарий для детального анализа процессов и оперативного принятия решений. Всё это способствует более эффективной организации работы мясоперерабатывающего предприятия и придаёт дополнительное
конкурентное преимущество в условиях жёсткой рыночной среды.
В результате анализа технологического цикла производства колбасных
изделий и существующих подходов к автоматизации можно заключить, что
наибольшую эффективность даёт комплексная система, охватывающая все критические этапы — от подготовки сырья до окончательного контроля качества.
Предложенная структурная схема, предполагающая целостную цифровую среду с датчиками, контроллерами и базой данных, обеспечивает непрерывное отслеживание ключевых параметров и позволяет своевременно корректировать
процесс, снижая риск брака и повышая стабильность производства. Несмотря
на технические и организационные сложности (включая затраты на оборудование и необходимость квалифицированного персонала), переход к автоматизированной схеме управления является перспективным направлением развития
колбасного производства, соответствующим тенденциям современной пищевой
промышленности и стандартам Industry 4.0.

с международным участием, посвященной 100-летию со дня рождения Игоря Константиновича Петрова. Курск, 2023. С. 123-130.
Благовещенский И.Г., Мурина Н.С., Благовещенский В.Г., Зеленова Е.Н. В сборнике:
Современные проблемы автоматизации технологических процессов и производств.
сборник научных докладов научно-практической конференции с международным участием, посвященной 100-летию со дня рождения Игоря Константиновича Петрова.
Курск, 2023. С. 140-148.
Благовещенский И.Г., Мурина Н.С., Благовещенский В.Г., Холопов В.А., Зеленова Е.Н.
В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научно-практической конференции с международным участием, посвященной 100-летию со дня рождения Игоря Константиновича Петрова. Курск, 2023. С. 162-171.
Благовещенская М.М., Благовещенский В.Г., Краснов А.Е., Благовещенский И.Г., Холопов В.А., Попов А.С. В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научно-практической конференции с международным участием, посвященной 100-летию со дня рождения Игоря
Константиновича Петрова. Курск, 2023. С. 20-27.
Носенко А.С., Благовещенский В.Г., Благовещенский И.Г., Холопов В.А., Мокрушин
С.А., Кравченко Р.А. В сборнике: Роговские чтения. Секция "Автоматизация технологических процессов и производств". cборник докладов научно-практической конференции
с международным участием. Курск, 2023. С. 368-374.
Зеленова Е.Н., Благовещенский И.Г., Благовещенская М.М., Мокрушин С.А. Разработка
информационной системы автоматизации процессов закупки пищевого сырья. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V Международной конференции. Курск, 2024. С. 149156.
15. Благовещенский В.Г., Благовещенский И.Г., Жукова Н.В., Кротов И.В. Исследование
и выбор оптимальной информационной логистической системы управления производством продукции. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V Международной конференции. Курск, 2024. С. 32-38.
Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Осташов П.И., Благовещенская М.М. цифровизация производства пищевых продуктов. В сборнике: РОГОВСКИЕ
ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 262-270.
Зеленова Е.Н., Каргин В.А., Благовещенский В.Г., Мокрушин С.А., Благовещенский И.Г.
требования к информационной системе поставок мясного сырья. В сборнике: Роговские
чтения. Секция "Автоматизация технологических процессов и производств". сборник
докладов научно-практической конференции с международным участием. Курск, 2023.
С. 274-285.
Благовещенский И.Г., Благовещенский В.Г. Нейронные сети в информационно- управляющих системах. Курск. 2025.
Зеленова Е.Н., Кротов И.В., Благовещенский И.Г. Модель системы управления информационным ресурсом пищевого производства на основе СУБД. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 181-185.
Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов

Автоматизированные системы управления биотехнологическими процессами

10.

11.

12.
1.

2.
3.
4.

Список литературы
Благовещенский В.Г., Краснов А.Е., Баженов Е.И., Благовещенская М.М., Мокрушин
С.А.// Применение нейросетевых технологий для управления качеством кондитерских
изделий в процессе производства. //Системы управления и информационные технологии.
2021. № 3 (85). С. 37-41.
Благовещенская М.М., Злобин Л.А. Системы управления технологическими процессами
и информационные технологии. Издательство «Высшая школа». – М. 2007. – 655 с.
Благовещенский И.Г., Назойкин Е.А., Татаринов А.В. Основы создания экспертных систем контроля качества пищевых продуктов с использованием интеллектуальных технологий // Пищевая промышленность, №4, 2017.
Зеленова Е.Н., Кротов И.В., Благовещенский И.Г. Модель системы управления информационным ресурсом пищевого производства на основе СУБД. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 181-185.
Благовещенский В.Г., Холопов В.А., Благовещенский И.Г., Благовещенская М.М., Кротов И.В., Зуева Ю.В. В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научно-практической конференции с международным участием, посвященной 100-летию со дня рождения Игоря
Константиновича Петрова. Курск, 2023. С. 105-114.
Благовещенский И.Г., Благовещенский В.Г., Адродворцев А.М., Головин В.В., Благовещенская М.М. В сборнике: Современные проблемы автоматизации технологических
процессов и производств. сборник научных докладов научно-практической конференции

13.

14.

15.
16.

17.

Автоматизированные системы управления биотехнологическими процессами

135

136 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
18. Аднодворцев А.М., Благовещенский И.Г., Благовещенский В.Г., Носенко А.С., Веселов
М.В., Нгонганг Р.Д. Создание интеллектуальных систем принятия решений на базе технологии сверточных нейронных сетей. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III
Международной специализированной конференции - выставки. Курск, 2022. С. 25-32.
19. Ребус Н.А., Благовещенский И.Г. Проблемы внедрения интеллектуальных систем на
предприятии. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 271-277.

терного зрения (СКЗ), работающую в реальном времени и интегрированную в
общий контур управления производством [7 – 11].
Во многих отраслях промышленности (кондитерское, машиностроительное производство, упаковка, сортировка агропродукции и т. д.) подобные системы уже доказали свою эффективность [12 – 15]. На рисунке 1 показан пример
использования СКЗ для анализа изображений машиностроительных изделий.
Однако для сферы мясоперерабатывающей промышленности ещё сохраняется ряд сложностей, связанных с неоднородностью фактуры поступающего
сырья, и многообразием рецептур колбасных изделий [16]. Тем не менее, последние достижения в области аппаратных средств, интеллектуальных технологий (искусственные нейронные сети, СКЗ, цифровые двойники и т.д.) создают
технические предпосылки для широкого внедрения автоматизированных решений контроля качества колбасных изделий.
Многие исследования в области пищевой промышленности подтверждают высокий потенциал СКЗ при анализе внешних характеристик мясных продуктов, а системы, использующие продвинутые модели сегментации и глубинное обучение, дают возможность не только фиксировать геометрические параметры (форму и целостность), но и выявлять различные дефекты, такие как
тёмные пятна, неоднородная структура и повреждения оболочки [17 – 21].

УДК 004.89:664
Е.Н. Зеленова1, И.Г. Благовещенский2, В.Г. Благовещенский2
1
Российский биотехнологический университет
2
МИРЭА - Российский технологический университет

АВТОМАТИЗИРОВАННАЯ ОЦЕНКА КАЧЕСТВА КОЛБАСНЫХ
ИЗДЕЛИЙ С ИСПОЛЬЗОВАНИЕМ СИСТЕМЫ КОМПЬЮТЕРНОГО
ЗРЕНИЯ
Е.Н. Зеленова, И.Г. Благовещенский, В.Г. Благовещенский АВТОМАТИЗИРОВАННАЯ ОЦЕНКА КАЧЕСТВА КОЛБАСНЫХ ИЗДЕЛИЙ С ИСПОЛЬЗОВАНИЕМ СИСТЕМЫ
КОМПЬЮТЕРНОГО ЗРЕНИЯ

Аннотация. В данной работе рассматривается подход к автоматизации контроля качества технологических процессов производства колбасных изделий на базе системы компьютерного зрения. Предложенное решение обеспечивает захват и анализ изображений продукции в реальном времени, их последующую обработку и классификацию посредством методов машинного обучения. Особое внимание уделено вопросам интеграции системы установки цифровой камеры в линию производства колбасных изделий: описаны особенности выбора аппаратного обеспечения, алгоритмов компьютерного зрения и блоков принятия решений,
основанных на анализе внешних параметров продукта. Экспериментальные испытания на
реальных производственных образцах показали точность детектирования дефектов более
90 %, что удовлетворяет современным санитарно-гигиеническим нормам и технологическим
требованиям отрасли.
Ключевые слова: автоматизация технологических процессов, компьютерное зрение, качество колбасных изделий, машинное обучение, сегментация.

В условиях высокоскоростных производственных линий и возросших
требований к качеству продукции мясоперерабатывающая промышленность
нуждается в комплексных решениях по автоматизации технологических процессов. [1 – 5]. Традиционные методы оценки качества колбасных изделий, основанные на визуальном контроле операторов и лабораторных тестах, отличаются субъективностью и требуют значительных временных затрат [6]. Проведенный нами обзор и анализ работ в данной области показал, что для обеспечения более точной, оперативной и объективной оценки качества сырья, полуфабрикатов и готовых изделий целесообразно использовать систему компью-

Рис.1. Схема СКЗ, работающая в режиме реального времени

В контексте автоматизации контроля качества это особенно важно, поскольку обеспечивает оперативное вмешательство (например, перенаправление
дефектной партии) без остановки конвейера и минимального участия операторов. На рисунке 2 показан пример использования СКЗ при производстве колбасных изделий.

Рис. 2. Пример использования СКЗ при производстве колбасных изделий

Автоматизированные системы управления биотехнологическими процессами

137

Неотъемлемыми этапами при разработке подобных решений являются захват изображений (выбор и правильное позиционирование камеры, настройка
освещения, синхронизация с движением изделия на линии), обработка и выделение признаков (использование цветовых моделей — RGB, HSV, Lab, а также
пороговой сегментации или иных методов компьютерного зрения для выделения колбасного батона и выявления дефектов) и последующая классификация,
которая с помощью алгоритмов машинного обучения (Random Forest, CNN) определяет, удовлетворяет ли изделие стандартам качества.
Вся полученная информация может автоматически передаваться в систему управления (SCADA, MES), которая отвечает за соответствующие действия:
отбраковку продукции, её повторную проверку или дополнительное заключение технолога, тем самым формируя замкнутый контур автоматизации и повышая эффективность контроля качества в мясоперерабатывающей промышленности. В ходе работы был разработан прототип системы, предусматривающий
установку цифровой камеры с разрешением 1920×1080 непосредственно на
производственном конвейере, где колбасные изделия движутся с заранее известной скоростью. Для создания условий стабильного и равномерного освещения использовались LED-панели, яркость которых регулировалась с помощью специального блока, подключённого к промышленному контроллеру.
Сигнал с камеры поступал на компьютер (Intel i5, 8 ГБ ОЗУ), взаимодействующий с системой управления, где в реальном времени осуществлялась первичная
обработка изображения, включающая фильтрацию шумов (например, Gaussian
Blur), выравнивание яркости и переход к цветовой модели (HSV или Lab) для
улучшения отделения объекта от фона.
После выделения области колбасного батона система вычисляла ряд признаков: статистику распределения цветов, текстурные параметры (с помощью
LBP или Габор-фильтров) и данные о форме (длина, ширина, степень деформации). Дальше эти признаки передавались в блок дефектоскопии, где выполнялся поиск локальных отклонений (пятен, трещин). Окончательное решение о соответствии изделия требованиям стандарта принимал модуль машинного обучения, реализованный в виде свёрточной нейронной сети (CNN). Обучение
CNN велось на выборке из 300 изображений различных видов колбас, которые
вручную были маркированы специалистом-технологом. Особое внимание уделялось вопросам промышленной интеграции: система способна работать в непрерывном режиме, обрабатывая до 5–6 изделий в секунду и формируя выходные данные для логического контроллера, который автоматически отсортировывает бракованные экземпляры или подаёт сигнал оператору о необходимости
корректировок технологического процесса (например, изменения режима термообработки). В таком виде прототип отражает ключевую идею автоматизации
— сведение участия человека к минимуму и повышение производительности
без потери качества. После обучения нескольких алгоритмов классификации по
критерию «соответствует стандарту / дефект» были получены метрики, приведенные в таблице 1.

138 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
Таблица 1

Таблица алгоритмов классификации по соответствию товаров

Лучший результат (свыше 93 %) достигался при использовании нейронной сети (CNN), обученной на расширенном наборе данных. Это объясняется
способностью глубоких архитектур выделять скрытые признаки (особенности
текстуры, мелкие дефекты). При разрешении 1920×1080 и использовании GPUускорения среднее время анализа одного изображения (включая сегментацию,
детектирование дефектов, классификацию) составляло около 150–200 мс, что
позволяет обрабатывать ~5–6 изделий в секунду.
Для промышленных линий с более высокой скоростью может потребоваться дополнительная оптимизация или более производительные процессоры.
Предложенная система показывает высокий уровень автоматизации и даёт объективные результаты, не зависящие от человеческого фактора. Однако остаются вопросы по калибровке цвета при изменении условий освещения. Также в
случае значительных отличий в рецептуре колбасы (разная структура, специи,
наполнители) могут потребоваться переобучение или корректировка порогов.
Для решения этих проблем планируется внедрить систему адаптации параметров, которая позволит подстраиваться к текущим условиям производства.
По итогам проведённого исследования была разработана и экспериментально проверена система компьютерного зрения, ориентированная на автоматический анализ качества колбасных изделий. Поставленная цель — автоматизировать выявление поверхностных дефектов и оценить соответствие изделий
заданным стандартам была достигнута за счёт комплексного подхода, включающего предварительную обработку изображений, сегментацию области интереса и классификацию снимков с использованием алгоритмов машинного
обучения (Random Forest, XGBoost, CNN).
В ходе экспериментов получены следующие ключевые результаты. Переход в HSV или Lab-модель позволил более надёжно компенсировать вариативность освещения и выделить область оболочки колбасного батона, а методы Kmeans и активных контуров (Active Contour Model) продемонстрировали более
высокую устойчивость к сложным условиям, чем простая пороговая сегментация, особенно при работе с изделиями варёно-копчёного типа.
Использование набора цветовых, текстурных и геометрических признаков, а также применение классификаторов на базе деревьев (Random Forest) и
свёрточных нейронных сетей (CNN) дало высокую точность (свыше 90 %) при
разграничении «стандартных» и «дефектных» изделий, причём CNN продемонстрировали наибольшую гибкость по отношению к многовариантной текстуре и
оттенкам продукта.

139

140 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Разработанные процедуры поиска локальных аномалий (тёмных пятен,
трещин) подтвердили возможность идентификации дефектов в режиме реального времени при достаточной мощности вычислительных ресурсов (использование GPU ускорило анализ в 2–3 раза), а точность локализации дефектов составила 85–90 %, что является удовлетворительным показателем для промышленного прототипа.
Полученные результаты демонстрируют, что автоматизированный контроль колбасных изделий с помощью СКЗ способен существенно снизить зависимость от субъективного человеческого фактора, повысить скорость оценки, а
также обеспечить более объективную, количественно выраженную информацию о состоянии продукции, что потенциально ведёт к сокращению брака, упрощению работы технологов и улучшению общего качества выпускаемых колбас. В дальнейшем представляется целесообразным расширить набор данных за
счёт включения новых видов и сортов колбас, а также проверить систему в условиях крупносерийного производства с более высокими скоростями конвейера
и отличающимися параметрами освещения. Дополнительные перспективы открывает внедрение методов глубокого обучения, способных проводить более
точную сегментацию и «глубинный» анализ структуры колбасного батона, а
также использование рентгеновских, гиперспектральных или ультразвуковых
технологий для выявления внутренних дефектов, недоступных обычным камерам.
Таким образом, в рамках данной работы доказана эффективность комплексного использования методов компьютерного зрения и машинного обучения при оценке качества колбасных изделий. Разработанная система, после необходимых оптимизаций и адаптаций к реальным производственным условиям,
способна обеспечить объективный, быстрый и точный контроль, повышая конкурентоспособность мясоперерабатывающих предприятий и соответствие выпускаемой продукции современным стандартам качества.

5. Благовещенский И.Г., Назойкин Е.А., Татаринов А.В. Основы создания экспертных систем
контроля качества пищевых продуктов с использованием интеллектуальных технологий
// Пищевая промышленность, №4, 2017.
6. Blagoveshchenskaya M.M., Blagoveshchenskiy V.G., Rogelio S.C.M., Petryakov A.N. Development of a neural network model for controlling the process of dosing bulk food masses //
Journal of Physics: Conference Series. Сер. "Fundamental and Ap plied Problems of Mechanics, FAPM 2019" 2020. С. 012027.
7. Blagoveshchenskiy I.G., Blagoveshchenskiy V.G., Besfamilnaya E.M., Sumerin V.A. Development of databases of intelligent expert systems for automatic control of product quality indicators // Journal of Physics: Conference Series. Сер. "Fundamental and Applied Problems of Mechanics, FAPM 2019" 2020. С. 012019.
8. Хамед Э.М.Т., Благовещенский И.Г., Благовещенский В.Г., Зубов Д.В. Контроль качества
маркировки пищевых продуктов с использованием интеллектуальных технологий
/Хамед Э.М.Т., Благовещенский И.Г., Благовещенский В.Г., Зубов Д.В.// Health, Food &
Biotechnology. 2020. Т. 2. № 1. С. 112-127.
9. Благовещенский В. Г. Интеллектуальный анализ данных для систем поддержки принятия
решений диагностики процессов производства пищевой продукции/ Благовещенский В.
Г. // Сборник научных статей П международной научно- практической конференции
«Цифровизация агропромышленного комплекса». Тамбов: Издательский центр ФГБОУ
ВО «ТГТУ». 2020. Том I. С.105-110.
10. Благовещенский В. Г. Использование методов визуальной корреляции для анализа данных от различных источников // Сборник научных статей П международной научнопрактической конференции «Цифровизация агропромышленного комплекса». Тамбов:
Издательский центр ФГБОУ ВО «ТГТУ». 2020. Том I. С.87-92.
11. Балыхин М.Г., Благовещенский И.Г., Назойкин Е.А., Благовещенский В.Г. Адаптивная
система управления с идентификатором нестационарными технологическими процессами в отраслях пищевой промышленности // Интеллектуальные системы и технологии в
отраслях пищевой промышленности: материалы научно- практической конференции с
международным участием (Москва, 15 – 18 октября, 2019 г.). М.: Издательский комплекс
МГУПП. 2019. С. 32-39.
12. Благовещенская М. М., Благовещенский И.Г., Назойкин Е.А. Методика автоматической
оценки качества пищевых изделий на основе теории искусственных нейронных сетей //
Пищевая промышленность. 2015. №7. С. 42 - 49.
13. Петряков А.Н., Благовещенская М.М., Благовещенский В.Г., Митин В.В., Благовещенский И.Г. Повышение качества идентификации и позиционирования объекта на цифровых стерео изображениях при помощи алгоритмов построения карты глубины // Интеллектуальные системы и технологии в отраслях пищевой промышленности: материалы
научно- практической конференции с международным участием (Москва, 15 – 18 октября, 2019 г.). М.: Издательский комплекс МГУПП, 2019. С. 133-138.
14. Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.
15. Аднодворцев А.М., Благовещенская М.М., Благовещенский И.Г., Головин В.В., Благовещенский В.Г., Бунеев А.В. Использование системы технического зрения для контроля
маркировки готовой пищевой продукции в бутылках. В сборнике: Фабрика будущего:
переход к передовым цифровым, интеллектуальным производственным технологиям,
роботизированным системам для отраслей пищевой промышленности. Сборник научных
докладов III Международной специализированной конференции - выставки. Курск, 2022.
С. 13-25.

Автоматизированные системы управления биотехнологическими процессами

Список литературы
1. Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский
// Монография. - М.: Изд-во Франтера. 2017. – 395 с.
2. Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
3. Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция создания интеллектуальной экспертной системы контроля качества пищевой продукции /
М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Пищевая промышленность. 2017. №11. – С.60 - 63.
4. Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.

Автоматизированные системы управления биотехнологическими процессами

141

142 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

16. Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
17. Аднодворцев А.М., Благовещенский И.Г., Благовещенский В.Г., Носенко А.С., Веселов
М.В., Нгонганг Р.Д. Создание интеллектуальных систем принятия решений на базе технологии сверточных нейронных сетей. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III
Международной специализированной конференции - выставки. Курск, 2022. С. 25-32.
18. Ребус Н.А., Благовещенский И.Г. Проблемы внедрения интеллектуальных систем на
предприятии. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 271-277.
19. Рылов С.А., Благовещенский И.Г., Кучумов А.В., Благовещенский В.Г., Чистяков О.В.,
Веселов М.В. Архитектурная концепция разработки современных цифровых двойников
на базе промышленного интернета вещей. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов
III Международной специализированной конференции - выставки. Курск, 2022. С. 284293.
20. Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Кротов И.В. Перспективы использования микропроцессорных программируемых и интеллектуальных систем управления в производстве пищевых изделий. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V
Международной конференции. Курск, 2024. С. 156-161.
21. Зеленова Е.Н., Кротов И.В., Благовещенский И.Г. Модель системы управления информационным ресурсом пищевого производства на основе СУБД. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 181-185.

УДК 004.85:664
Е.Н. Зеленова1, И.Г. Благовещенский2, В.Г. Благовещенский2
1
Российский биотехнологический университет
2
МИРЭА - Российский технологический университет

АНАЛИЗ ПРИМЕНЕНИЯ СИСТЕМ КОМПЬЮТЕРНОГО
ЗРЕНИЯ В АВТОМАТИЗАЦИИ ПРОЦЕССОВ КОНТРОЛЯ
ОРГАНОЛЕПТИЧЕСКИХ ПОКАЗАТЕЛЕЙ
КАЧЕСТВА КОЛБАСНЫХ ИЗДЕЛИЙ
Е.Н. Зеленова, И.Г. Благовещенский, В.Г. Благовещенский АНАЛИЗ ПРИМЕНЕНИЯ СИСТЕМ КОМПЬЮТЕРНОГО ЗРЕНИЯ В АВТОМАТИЗАЦИИ ПРОЦЕССОВ КОНТРОЛЯ
ОРГАНОЛЕПТИЧЕСКИХ ПОКАЗАТЕЛЕЙ КАЧЕСТВА КОЛБАСНЫХ ИЗДЕЛИЙ

Аннотация. В статье рассматривается роль и перспективы внедрения систем компьютерного зрения (CV — computer vision) в контексте автоматизации технологических процессов на предприятиях мясопереработки. Основное внимание уделено контролю органолептических показателей колбасных изделий, таких как внешний вид, цвет и целостность оболочки, которые определяют общее качество продукции. Отмечаются технические аспекты реализации (аппаратная часть, алгоритмы обработки изображений, машинное обучение), а также обсуждаются ограничения компьютерного зрения в оценке вкусовых характеристик. Приведены примеры успешного применения CV-технологий на производственных линиях, где
комплексная автоматизация способствует снижению доли субъективных факторов и повышает точность выявления дефектов. Рассматриваются перспективные направления развития,
включающие интеграцию компьютерного зрения с датчиками других типов для более глубокой оценки состояния продукта.
Ключевые слова: автоматизация, колбасные изделия, компьютерное зрение, контроль
качества, машинное обучение, органолептические показатели.

Колбасные изделия оцениваются по ряду органолептических показателей:
вкус, запах, консистенция, цвет, внешний вид. В современных реалиях растущего производства и жёстких требований к качеству возникает необходимость
систематизировать и автоматизировать процесс контроля [1 – 5]. Наряду с известными методами лабораторного анализа (химического, микробиологического), всё большую популярность приобретают технологии компьютерного зрения (CV — computer vision), позволяющие в автоматическом режиме оценивать
целый спектр визуальных признаков и сопоставлять их с эталонными значениями [6, 7]. Компьютерное зрение хорошо себя зарекомендовало в таких аспектах пищевой промышленности, как определение степени зрелости фруктов,
сортировка овощей, контроль вкуса, цвета хлебобулочной и кондитерской продукции [8-12]. Однако специфические особенности мясных изделий (неоднородная структура, разнообразие рецептур и способов обработки) делают задачу
сложнее. Тем не менее, именно для колбасных изделий большое значение имеют визуальные показатели — цвет и целостность оболочки, равномерность распределения жира и мышечной ткани, отсутствие тёмных пятен и трещин. Данная статья призвана дать обзор применяемых подходов компьютерного зрения
для контроля органолептических показателей, осветить актуальные достижения
и раскрыть возникающие ограничения.
Органолептические показатели качества колбас охватывают комплекс визуальных и вкусо-ароматических характеристик (цвет, вкус, внешний вид, консистенцию, отсутствие дефектов), которые напрямую влияют на восприятие

143

144 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

продукта потребителем. Традиционно их оценка проводится экспертами, полагающимися на собственные чувства (зрение, обоняние, осязание), что влечёт за
собой определённую долю субъективности и сложности при наращивании производственных объёмов. При автоматизации этого процесса главными вызовами становятся необходимость учёта широкого диапазона колбасных изделий
(варёных, копчёных, сырокопчёных и т. д.), вариативности рецептур (влияющих
на оттенок и плотность фарша), а также неоднородных условий освещения и
возможности скрытых дефектов в толще батона, которые не всегда выявляются
простым внешним осмотром. Кроме того, компьютерное зрение и другие системы машинного анализа, несмотря на высокую эффективность в отношении
визуального контроля, пока не могут полноценно заменять традиционные органолептические методики при оценке вкуса и запаха. Всё это порождает задачу
гибкого сочетания классических лабораторных тестов и технических средств
контроля, где приоритетом становится быстрое и объективное выявление
внешних дефектов, минимизация влияния человеческого фактора, а также создание условий для сбора и анализа больших массивов данных по качеству колбасных изделий. Для определения точек контроля органолептических показателей качества была изучена машинно- аппаратурная схема производства колбасных изделий (рисунок 1).

вания при обнаружении дефектов, и обеспечивает равномерный захват изображений колбасных изделий на движущемся конвейере.
Обработка полученных данных включает несколько важных этапов. Сначала выполняется предобработка, нацеленная на подавление шумов и корректировку распределения яркости, так как колбасные батоны могут иметь различный оттенок и форму оболочки. На этом этапе широко применяются фильтры
сглаживания и выравнивания гистограммы, позволяющие повысить контрастность и улучшить читабельность мелких деталей (например, небольших трещин
или пятен). Далее осуществляется сегментация области интереса, то есть выделение контуров колбасного батона и отделение его от фона; при этом методы
цветовой сегментации (перевод в HSV, Lab-модели) и алгоритмы активных
контуров (Active Contour Models) обеспечивают более высокую точность, чем
простые операции пороговой обработки. Оценка цвета и внешней структуры
часто базируется на вычислении статистических признаков (среднего и дисперсии каналов цветовой модели) или на использовании текстурных дескрипторов
(GLCM — Gray Level Co-occurrence Matrix, LBP — Local Binary Patterns). В
системах обнаружения дефектов дополнительно применяется детекция краёв
(например, оператор Канни), позволяющая локализовать трещины в оболочке.
Если требуется более сложная классификация (например, определение степени
прокопчённости или выявление аномалий цвета, связанных со сбоями в рецептуре), на первый план выходят модели машинного обучения — от классических
(SVM, Random Forest) до нейросетевых (CNN). Современные свёрточные нейронные сети способны самостоятельно извлекать релевантные признаки из изображений и классифицировать продукцию на «годную» и «дефектную» даже
при небольшом количестве признаков, отчего система визуального контроля
становится более гибкой и «умной».
Применение гиперспектральных и мультиспектральных камер позволяет
расширить возможности компьютерного зрения за счёт анализа различных диапазонов электромагнитного спектра (включая ближнюю ИК-область). Это может оказаться полезным при оценке содержания жиров и белков, а также для
выявления скрытых дефектов, не видимых в обычном видимом спектре. Данные об интенсивности отражения в разных спектральных диапазонах дают возможность делать выводы о составе поверхности продукта и даже косвенно судить о плотности фарша.
Благодаря использованию GPU или специализированных плат (например,
решений на базе NVIDIA Jetson), технология компьютерного зрения легко интегрируется в производственные линии, обрабатывая изображения в реальном
времени. Когда система обнаруживает дефектную единицу продукции (повреждение оболочки, тёмное пятно, неравномерность цвета и т. д.), конвейер либо
останавливается, либо срабатывает механизм отбраковки, отводя батон на дополнительную проверку. Подобная автоматизация существенно повышает скорость выявления дефектов, снижает влияние человеческого фактора и предоставляет детальную статистику по качеству. В перспективе использование компьютерного зрения можно дополнить другими сенсорными методами (элек-

Автоматизированные системы управления биотехнологическими процессами

Рис.1. Машинно-аппаратурная схема производства колбасных изделий

Технологии компьютерного зрения, используемые в контуре автоматизации мясоперерабатывающих предприятий, основываются на современных аппаратно-программных комплексах и методах машинного обучения, обеспечивающих высокую точность и скорость визуального контроля [13–15]. Ключевую роль играет выбор аппаратной части, в частности промышленных камер
(CMOS или CCD), способных генерировать изображения с высоким разрешением и стабильными цветовыми характеристиками даже в условиях переменной освещённости. Для лучшей воспроизводимости результатов необходима
продуманная система подсветки, чаще всего реализованная на базе светодиодов
(LED) с возможностью регулировки интенсивности и угла падения света. Такая
конструкция помогает устранить блики и тени, вызывающие ложные срабаты-

Автоматизированные системы управления биотехнологическими процессами

145

146 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

тронный «нос», ультразвуковые и рентгеновские системы сканирования), что
даёт шансы автоматизировать более широкие аспекты контроля (например,
внутреннюю структуру колбасных изделий), делая весь производственный процесс ещё более надёжным и прозрачным.
Применение компьютерного зрения в автоматическом контроле качества
колбасных изделий уже получило реальное подтверждение на практике, причём
результаты показывают заметное сокращение брака и повышение стабильности
технологических процессов. Одним из характерных примеров служит интеграция системы оптической инспекции на линии варёных и варёно-копчёных колбас, где камера устанавливается над конвейером, а специализированное программное обеспечение (ПО) распознаёт дефекты оболочки и участки с нетипичным цветом. При выявлении таких несоответствий продукция автоматически отбраковывается или перенаправляется на ручную проверку. В рамках пилотного проекта, описанного в одном из отраслевых исследований, доля некондиционных изделий снизилась на 8–10 % уже в первые месяцы после внедрения, что объясняется более ранним выявлением недочётов и возможностью быстрого реагирования со стороны техников или операторов. Другой пример связан с использованием свёрточных нейронных сетей (CNN) на стадии копчения,
когда важно не только зафиксировать наличие внешних дефектов, но и оценить
равномерность и степень прокопчённости. В одном из зарубежных предприятий, выпускающем разнообразные виды колбас, аппаратная система с RGBкамерой и блоком анализа на базе GPU контролировала цветовую гамму изделий в реальном времени. При существенных отклонениях от заданного эталонного диапазона ПО формировало команду для корректировки времени или температуры копчения. По отзывам технологов, это позволило значительно снизить риск «перекопчённых» партий, а, следовательно, уменьшить количество
пищевых отходов и финансовые потери.
Внедрение более продвинутых методов, использующих мультиспектральные камеры, даёт возможность лучше различать жировые и мясные структуры на срезе колбасных изделий. Такой подход особенно полезен для контроля рецептуры, когда требуется в режиме реального времени контролировать соотношение мясного сырья и шпика. В одном отечественном проекте подобная
система была установлена на этапе разделки и измельчения, где операторы
могли видеть на экране комплексные «тепловые» карты распределения жировых фракций. При существенных отклонениях система генерировала сигнал, и
оператор корректировал параметры смешивания. Эта мера помогла сократить
перерасход добавок и улучшить однородность готовых батонов, что напрямую
повлияло на стабильное качество и уменьшение вероятности повторной переработки. Эффекты от подобной автоматизации проявляются в нескольких аспектах. Во-первых, повышается точность и скорость обнаружения дефектов,
так как компьютерное зрение способно круглосуточно фиксировать малейшие
несоответствия на более ранних стадиях. Во-вторых, снижается человеческий
фактор: операторам не приходится вести тщательный визуальный контроль каждого батона, что существенно экономит трудозатраты и снижает риск пропус-

ка дефекта по невнимательности. В-третьих, формирование полной статистики
о каждом изделии или партии (включая фотографии, полученные при контроле)
даёт возможности для детального анализа причин появления отклонений, что
со временем ведёт к оптимизации самого производственного процесса.
Наконец, создаётся единая информационная среда, которая упрощает
взаимодействие между технологами, операторами и инженерно-техническим
персоналом, ускоряя принятие решений и улучшая качество конечного продукта.
Ограничения в применении систем компьютерного зрения для контроля
органолептических показателей колбасных изделий во многом связаны с природой самого продукта и физическими ограничениями оптических методов. Вопервых, вкус и запах остаются вне зоны прямой оценки компьютерных алгоритмов, и без специализированных сенсоров (электронных «носов» и «языков»)
система не способна отследить изменения в ароматике или вкусовом профиле.
Во-вторых, любые вариации в рецептуре, типе оболочки, режиме копчения или
варки требуют адаптации алгоритмов: если модель машинного обучения обучена на одном диапазоне цветов и текстур, при переходе на новую технологию
она может срабатывать некорректно, вызывая всплеск ложных тревог или пропуская дефекты. Отдельной проблемой является стабильность освещения на
производстве, где нередко встречаются повышенная влажность, блики на металлических поверхностях и переменная яркость. Эти факторы затрудняют
корректную сегментацию и анализ текстуры, заставляя разработчиков интегрировать дополнительные модули коррекции освещённости или устанавливать
специальные световые короба.
Кроме того, приобретение и обслуживание мультиспектральных или гиперспектральных камер требует значительных капитальных вложений, оправданных не всегда и не во всех масштабах производства. Несмотря на эти трудности, перспективы развития технологий компьютерного зрения и их дальнейшая интеграция в автоматизированные линии выглядят многообещающе. По
мере совершенствования аппаратных платформ (GPU, FPGA, нейропроцессоров) возрастает скорость и точность анализа изображений, что даёт возможность контролировать большие потоки продукции без снижения пропускной
способности. Глубокие нейронные сети (CNN, GAN) продолжают эволюционировать, предлагая методики самообучения и расширенного набора аугментаций
данных, позволяющие компенсировать изменения в рецептуре и условиях
съёмки.
Новые подходы в области мультисенсорных систем могут объединить оптический контроль с дополнительными видами неразрушающей диагностики —
ультразвуковым сканированием, рентгеновскими установками, газоанализаторами. Это позволит не только выявлять внешние дефекты или отклонения в
цвете, но и более глубоко анализировать внутреннюю структуру фарша, при
этом обеспечивая комплексную оценку качества. Следовательно, дальнейшее
развитие идёт в направлении комплексных «экспертных» систем контроля,
включающих в себя несколько каналов сенсорики и интеллектуальную анали-

147

148 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

тику. При условии грамотной интеграции таких решений в общую схему промышленной автоматизации они способны обеспечивать всё более высокий уровень точности, оперативности и объективности контроля, способствуя выпуску
более стабильной и качественной колбасной продукции.
Заключение по результатам анализа показывает, что системы компьютерного зрения, интегрированные в общую инфраструктуру автоматизации, играют всё более значимую роль в обеспечении объективного и оперативного контроля качества колбасных изделий. Их применение даёт ряд ощутимых преимуществ: повышение точности обнаружения внешних дефектов, снижение
влияния человеческого фактора и сокращение производственных потерь благодаря более ранней идентификации несоответствий. При этом остаются нерешёнными вопросы, связанные с невозможностью оценивать вкус и запах непосредственно оптическими методами, необходимостью адаптации алгоритмов
под различные сорта и рецептуры колбас, а также проблемой поддержания стабильных условий освещения на линии. Тем не менее, прогресс в области машинного обучения и нейронных сетей, а также расширение спектра применяемых датчиков (гиперспектральных, ультразвуковых, газоанализаторов) открывают перспективы для ещё более глубокого и комплексного мониторинга.
В долгосрочной перспективе комбинированные «экспертные» системы,
способные объединять визуальный контроль с данными неразрушающей диагностики и сенсорных измерений, станут ключевым инструментом при выпуске
колбасных изделий, позволяя предприятиям максимально стабилизировать качество и гибко реагировать на изменения рынка и технологических процессов.

сти. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.
Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Кротов И.В. Перспективы
использования микропроцессорных программируемых и интеллектуальных систем
управления в производстве пищевых изделий. В сборнике: Фабрика будущего: переход
к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов
V Международной конференции. Курск, 2024. С. 156-161.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция
создания интеллектуальной экспертной системы контроля качества пищевой продукции /
М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Пищевая промышленность. 2017. №11. – С.60 - 63.
Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.
Благовещенский И.Г., Назойкин Е.А., Татаринов А.В. Основы создания экспертных систем контроля качества пищевых продуктов с использованием интеллектуальных технологий // Пищевая промышленность, №4, 2017.
Благовещенский В. Г. Использование методов визуальной корреляции для анализа данных от различных источников // Сборник научных статей П международной научнопрактической конференции «Цифровизация агропромышленного комплекса». Тамбов:
Издательский центр ФГБОУ ВО «ТГТУ». 2020. Том I. С.87-92.
Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.
Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.

Автоматизированные системы управления биотехнологическими процессами

Список литературы
Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Благовещенская М.М.,
Шкарлаков С.Е. Алгоритмическое обеспечение нейросетевой системы оптимизации текстуры сложной структуры. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 228-237. 2.
Благовещенский И.Г., Благовещенский В.Г., Мокрушин С.А., Игольников А.О., Благовещенская М.М. Применение WEB-технологий для создания автоматизированных систем мониторига производства пищевых продуктов. В сборнике: РОГОВСКИЕ ЧТЕНИЯ.
сборник докладов научно-практической конференции с международным участием.
Курск, 2023. С. 121-125.
Яблоков А.Е., Благовещенский И.Г., Федоренко Б.Н., Носенко А.С., Носенко С.М., Благовещенский В.Г. Техническая диагностика как инструмент повышения безопасности и
снижения затрат на эксплуатацию. В сборнике: Фабрика будущего: переход к передовым
цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 355-362.
Мокрушин С.А., Благовещенский И.Г., Благовещенская М.М., Охапкин С.И., Благовещенский В.Г. Введение алгоритма диагностики аварийных ситуаций в систему автоматизированного управления процессом стерилизации консервов. Хранение и переработка
сельхозсырья. 2024. № 1. С. 108-119.
Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленно-

10.
11.
12.

13.

14.

Автоматизированные системы управления биотехнологическими процессами

149

150 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Важным фактором также является разнообразие типов и сортов продукции (варёные, полукопчёные, сырокопчёные и т.д.), существенно отличающиеся по внешнему виду, плотности, вязкости, цвету и структуре [12 – 15]. Следовательно, единая система должна быть достаточно гибкой, чтобы корректно
классифицировать все варианты. Наряду с этим необходимо учитывать широкий спектр потенциальных дефектов — от трещин оболочки и локальных пятен, до несоответствия размеров и массы, возникающих при варке или копчении [16]. Наконец, автоматизация должна легко интегрироваться с уже существующей производственной инфраструктурой, то есть быть совместимой с конвейерными линиями, датчиками температуры и влажности, а также не нарушать принятые технологические регламенты и нормы гигиены. Исходя из этого, формируются главные цели данной работы: описать архитектуру аппаратнопрограммного комплекса (камеры, датчики, контроллеры, исполнительные механизмы и т.д.), определить алгоритмы анализа (компьютерное зрение, модули
принятия решений), учесть технологические ограничения (темп производства,
вариативность рецептуры) и провести оценку результатов на реальном предприятии.
На рисунке 1 представлена структурная схема автоматизации контроля
качества колбасной продукции.

КОНЦЕПТУАЛЬНАЯ СХЕМА АВТОМАТИЗАЦИИ
КОНТРОЛЯ КАЧЕСТВА КОЛБАСНОЙ ПРОДУКЦИИ
НА РАЗЛИЧНЫХ ЭТАПАХ ПРОИЗВОДСТВА
Е.Н. Зеленова, И.Г. Благовещенский, В.Г. Благовещенский КОНЦЕПТУАЛЬНАЯ СХЕМА АВТОМАТИЗАЦИИ КОНТРОЛЯ КАЧЕСТВА КОЛБАСНОЙ ПРОДУКЦИИ НА
РАЗЛИЧНЫХ ЭТАПАХ ПРОИЗВОДСТВА

Аннотация. В данной статье предлагается концептуальная схема автоматизированной
системы контроля качества колбасной продукции на различных этапах производства. Описаны основные аппаратные модули (датчики, камеры, вычислительные блоки), программные
компоненты (алгоритмы компьютерного зрения, модули анализа данных) и способы их
взаимодействия в рамках единой архитектуры. Рассматривается принцип интеграции автоматизированной системы в существующую производственную среду, а также приводятся результаты пилотного внедрения в реальном цехе, демонстрирующие повышение точности и
скорости идентификации дефектов.
Ключевые слова: автоматизация, колбасная продукция, система контроля качества, концептуальная схема, компьютерное зрение.

Колбасная продукция относится к числу основных направлений мясопереработки, где стабильность и безопасность готовых изделий во многом определяют конкурентоспособность предприятия [1 – 5]. Традиционные методики
контроля (визуальный контроль качества операторами, органолептический анализ показателей качества, выборочные лабораторные тесты) имеют ряд недостатков: они требуют высокой квалификации экспертов, занимают много времени и не всегда позволяют оперативно обнаружить дефекты [6 – 8].
В современных условиях на первый план выходит необходимость комплексной автоматизации технологических процессов, позволяющей непрерывно контролировать качество в режиме реального времени и интегрировать результаты анализа в общую систему управления производством.
Обзор и анализ работ в данной сфере показал перспективы использования
систем компьютерного зрения и алгоритмов машинного обучения для выявления локальных дефектов (трещин, неравномерной окраски и пр.) [9 – 11]. Однако в большинстве случаев описываются решения, охватывающие лишь определённые аспекты контроля (например, только анализ изображений).
Целью данной работы является разработка концептуальной схемы, отражающей все ключевые элементы автоматизации контроля качества: от сбора
данных (температуры, влажности, вязкости массы) до вынесения окончательного вердикта о соответствии продукта стандартам качества, с учётом реальных
условий цеха по производству колбас.
Для построения эффективной автоматизированной системы контроля качества колбас необходимо обеспечить непрерывный мониторинг в режиме реального времени, поскольку колбасные батоны поступают по конвейеру в
больших объёмах и с высокой скоростью, что исключает длительные или сложные процедуры ручной проверки.

Рис. 1. Структурная схема автоматизации контроля качества колбасной продукции

Разработка структурной схемы автоматизации контроля качества колбасной продукции основана на использовании аппаратных и программных модулей, обеспечивающих непрерывный сбор данных, анализ изображений и принятие решений. Ключевую роль здесь играет компьютерное зрение, для которого
подбираются цифровые камеры (обычно CMOS-сенсор с разрешением не ниже
HD), устанавливаемые над конвейером и дополненные светодиодной подсветкой для минимизации теней и бликов. Снимки, поступающие с камеры, обрабатываются алгоритмами сегментации (пороговые методы, K-means, активные
контуры), которые отделяют колбасный батон от фона и позволяют выявлять

Автоматизированные системы управления биотехнологическими процессами

151

характерные дефекты (трещины, неравномерность окраски). Дополнительно
используются датчики веса, а также температуры и влажности для контроля
показателей в камерах варки или копчения. Все эти сигналы, вместе с идентификатором партии (для считывания штрих-кодов или RFID-меток), передаются
на промышленный контроллер, который координирует работу конвейера, осуществляет предобработку данных и передаёт результаты в центральный модуль. Там развёрнуты инструменты машинного обучения (например, Random
Forest, CNN, XGBoost) для классификации колбас по признаку «стандарт / несоответствие». Итоговые данные сохраняются в базе (MySQL или Access), а
технолог получает удобный интерфейс (панель оператора), где в режиме реального времени может отслеживать статистику дефектов, корректировать пороговые значения, а при необходимости вручную переоценивать результаты.
Такой комплексный подход, сочетающий аппаратную часть (камеры, датчики, контроллеры) и программные решения (компьютерное зрение, алгоритмы
принятия решений, СУБД), обеспечивает оперативный и объективный контроль
качества на каждом этапе технологического процесса.
При разработке структурной схемы автоматизации, прежде всего, были
учтены существующие этапы технологического процесса колбасного производства: подготовка сырья, формование батона, термообработка (варка, копчение),
охлаждение, упаковка. На каждом этапе могут возникать свои типичные дефекты, поэтому контрольные точки (Critical Control Points) определяются с учётом
HACCP и требований конкретного предприятия. Например, целесообразно установить цифровую камеру компьютерного зрения после шприцевания, чтобы
своевременно выявлять разрывы оболочки, а также перед упаковкой — для
оценки общего внешнего вида и цвета батона. Весовые модули устанавливают
в местах, где необходимо проверить соответствие фактической массы заданному допуску. Все собранные данные (изображения, показания датчиков, время
прохождения этапа, идентификатор партии) попадают в центральное хранилище или обрабатываются распределённо: часть вычислений (предобработка изображений) осуществляется локально на ПЛК, а более «тяжёлые» задачи (анализ
текстуры, классификация по CNN) передаются на сервер с графическим ускорителем.
Результат (вердикт «стандарт / дефект») формируется в блоке принятия
решений, который при наличии несоответствия подаёт сигнал для отбраковки
или перенаправления батона на переработку. Если ситуация повторяется часто,
система генерирует предупреждение для технолога о возможных сбоях в рецептуре, температурных режимах или настройках оборудования. Таким образом,
схема обеспечивает не только обнаружение дефектов, но и способствует быстрой обратной связи, позволяя оперативно корректировать технологические параметры с целью минимизации потерь.
Машинно- аппаратурная схема производства колбасных изделий представлена на рисунке 2.

152 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис. 2. Машинно- аппаратурная схема производства колбасных изделий

По итогам пилотного внедрения автоматизированной системы контроля в
линию производства колбасных изделий (рисунок 2) на предприятии, где объёмы производства колбасной продукции достигают примерно 300 кг в час, было
установлено, что средняя точность выявления дефектов оболочки достигает 92–
95 %. При этом итоговые показатели во многом зависят от стабильности освещения и качества предварительной настройки камер. Скорость анализа каждого
батона, включающая процесс фотосъёмки и дальнейшую классификацию, составила порядка 150–200 мс. Такую производительность при работе с линией,
пропускающей до 5–6 изделий в секунду, позволяет обеспечить использование
графического ускорения (GPU).
Одним из существенных преимуществ подхода стало выделение критических точек контроля (после шприцевания, перед упаковкой), что даёт возможность обнаруживать потенциальные несоответствия на ранних стадиях и
своевременно корректировать процесс производства. Система формирует отчёты с указанием количества бракованных батонов, а также детализированных
причин выявленных нарушений, позволяя технологам анализировать статистику и при необходимости вносить изменения в рецептуру или режимы варки и
копчения. Тем самым снижается риск массового брака и повышается общая устойчивость производства.
Вместе с тем в ходе опытной эксплуатации выявлен ряд ограничений,
требующих учёта при дальнейших модернизациях. К ним относятся: значительные колебания условий, такие как резкое изменение уровня освещённости
или внедрение новых видов колбас с отличающимся составом и плотностью,
что зачастую требует повторной настройки параметров сегментации, либо
дальнейшего обучения нейронных сетей. Перспективным направлением представляется внедрение механизмов прогнозирования (например, с помощью
XGBoost) на базе данных о температурно-влажностном режиме термообработ-

Автоматизированные системы управления биотехнологическими процессами

153

154 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ки, что позволит заранее оценивать риск появления дефектов и заблаговременно корректировать процесс. Подобные меры могут существенно повысить эффективность автоматизации и способствовать более точной регулировке технологического цикла в реальном времени.
В ходе проведённой работы была предложена комплексная структурная
схема автоматизации контроля качества колбасной продукции, охватывающая
все этапы технологического процесса — от подготовки сырья до упаковки готового изделия. Разработанная система базируется на принципах непрерывного
мониторинга и анализа получаемых данных, где система компьютерного зрения
в сочетании с дополнительными датчиками (веса, температуры и влажности)
обеспечивает сбор информации о состоянии каждого колбасного батона в реальном времени.
Проведённые эксперименты и пилотные испытания продемонстрировали,
что подобный подход существенно повышает точность и скорость выявления
различных дефектов (трещин оболочки, неоднородной окраски, несоответствия
массы и формы). При этом снижается зависимость от человеческого фактора,
так как система чётко следует заложенным алгоритмам и параметрам классификации. Благодаря хранению результатов в базе данных и предоставлению
удобного интерфейса для оператора, любой выявленный случай брака или отклонения от нормы подлежит детальному анализу. Это, в свою очередь, позволяет оперативно вносить корректировки в рецептуру, режимы варки и копчения, а также перенастраивать оборудование, минимизируя возможные потери и
повышая стабильность производства.
Особое значение для эффективности работы автоматизированной системы контроля качества колбасной продукции на различных этапах производства
имеет интеграция с другими модулями технологического контроля: конвейерными системами, промышленными контроллерами (ПЛК) и верхнеуровневыми
системами управления производством (SCADA, MES). Такая интеграция даёт
возможность формировать замкнутый контур регулирования параметров процесса, опираясь на объективные данные о качестве каждой партии. В результате
предприятие получает не только сокращение бракованных партий, но и дополнительные ресурсы для анализа производственных тенденций и долгосрочного
планирования.
Однако в реальных условиях промышленного цеха при существенно меняющихся факторах (вариативность освещения, рецептура колбасных изделий,
типы оболочек) система требует регулярной калибровки и при необходимости
дополнительного обучения алгоритмов машинного зрения. Несмотря на это,
плюсы комплексного решения перевешивают возможные затруднения при эксплуатации: безопасность и качество выпускаемых колбас оказываются на более
высоком уровне, а экономическая выгода проявляется в снижении затрат времени на проверку, уменьшении потерь из-за брака и повышении лояльности
потребителей к продукции, соответствующей строгим стандартам.
Таким образом, использование предлагаемой схемы автоматизации контроля качества колбас даёт реальную возможность вывести технологический

процесс на новый уровень эффективности. В дальнейшем предполагается масштабировать данную систему для работы с другими видами мясной продукции,
расширять функционал путём внедрения более продвинутых методов компьютерного зрения (глубокие нейронные сети, использование гиперспектрального
анализа), а также интегрировать в данную систему автоматизации прогнозирующие модели, способные заранее сигнализировать о возможных отклонениях. Всё это будет способствовать развитию принципов «умного» производства
и укреплять конкурентные позиции предприятий мясоперерабатывающей отрасли.
Список литературы

6.
7.
8.

Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Кротов И.В. Перспективы
использования микропроцессорных программируемых и интеллектуальных систем
управления в производстве пищевых изделий. В сборнике: Фабрика будущего: переход
к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов
V Международной конференции. Курск, 2024. С. 156-161.
Зеленова Е.Н., Кротов И.В., Благовещенский И.Г. Модель системы управления информационным ресурсом пищевого производства на основе СУБД. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 181-185.
Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция
создания интеллектуальной экспертной системы контроля качества пищевой продукции /
М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Пищевая промышленность. 2017. №11. – С.60 - 63.
Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.
Благовещенский И.Г., Назойкин Е.А., Татаринов А.В. Основы создания экспертных систем контроля качества пищевых продуктов с использованием интеллектуальных технологий // Пищевая промышленность, №4, 2017.
Аднодворцев А.М., Благовещенский И.Г., Благовещенский В.Г., Носенко А.С., Веселов
М.В., Нгонганг Р.Д. Создание интеллектуальных систем принятия решений на базе технологии сверточных нейронных сетей. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III
Международной специализированной конференции - выставки. Курск, 2022. С. 25-32.
Ребус Н.А., Благовещенский И.Г. Проблемы внедрения интеллектуальных систем на
предприятии. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отрас-

Автоматизированные системы управления биотехнологическими процессами

10.

11.

12.

13.
14.

15.

16.

155

156 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

лей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 271-277.
Благовещенский В. Г. Интеллектуальный анализ данных для систем поддержки принятия решений диагностики процессов производства пищевой продукции/ Благовещенский
В. Г. // Сборник научных статей П международной научно- практической конференции
«Цифровизация агропромышленного комплекса». Тамбов: Издательский центр ФГБОУ
ВО «ТГТУ». 2020. Том I. С.105-110.
Благовещенский В. Г. Использование методов визуальной корреляции для анализа данных от различных источников // Сборник научных статей П международной научнопрактической конференции «Цифровизация агропромышленного комплекса». Тамбов:
Издательский центр ФГБОУ ВО «ТГТУ». 2020. Том I. С.87-92.
Балыхин М.Г., Благовещенский И.Г., Назойкин Е.А., Благовещенский В.Г. Адаптивная
система управления с идентификатором нестационарными технологическими процессами в отраслях пищевой промышленности // Интеллектуальные системы и технологии в
отраслях пищевой промышленности: материалы научно- практической конференции с
международным участием (Москва, 15 – 18 октября, 2019 г.). М.: Издательский комплекс
МГУПП. 2019. С. 32-39.
Благовещенская М. М., Благовещенский И.Г., Назойкин Е.А. Методика автоматической
оценки качества пищевых изделий на основе теории искусственных нейронных сетей //
Пищевая промышленность. 2015. №7. С. 42 - 49.
Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.
Аднодворцев А.М., Благовещенская М.М., Благовещенский И.Г., Головин В.В., Благовещенский В.Г., Бунеев А.В. Использование системы технического зрения для контроля
маркировки готовой пищевой продукции в бутылках. В сборнике: Фабрика будущего:
переход к передовым цифровым, интеллектуальным производственным технологиям,
роботизированным системам для отраслей пищевой промышленности. Сборник научных
докладов III Международной специализированной конференции - выставки. Курск, 2022.
С. 13-25.
Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.

УДК 004.89:664
Е.Н. Зеленова, А.В. Климов, А.Р. Айсин
Российский биотехнологический университет (РОСБИОТЕХ)

АНАЛИЗ И ВЫБОР МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО КОНТРОЛЯ
КАЧЕСТВА КОЛБАСНЫХ ИЗДЕЛИЙ В АВТОМАТИЗИРОВАННЫХ
СИСТЕМАХ
Е.Н. Зеленова, А.В. Климов, А.Р. Айсин АНАЛИЗ И ВЫБОР МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО КОНТРОЛЯ КАЧЕСТВА КОЛБАСНЫХ ИЗДЕЛИЙ В АВТОМАТИЗИРОВАННЫХ
СИСТЕМАХ

Аннотация. В данной работе рассматриваются методы интеллектуального контроля
качества колбасных изделий, применяемые в автоматизированных системах мясоперерабатывающих предприятий. Описываются способы анализа изображений и применения машинного обучения, включая классические алгоритмы компьютерного зрения и современные подходы на базе свёрточных нейронных сетей (CNN). Делается акцент на том, что сочетание пороговой, текстурной сегментации и глубинных нейронных сетей даёт возможность повысить
надёжность выявления дефектов в колбасных батонах. Представлен сравнительный обзор
статистических методов классификации и нейронных моделей с учётом ограничений по объёму данных, нюансов освещения и требований к производительности. Обсуждаются перспективы комплексной интеграции подобных методов на уровне производственных линий,
где сбор данных и принятие решений могут быть выведены на единый контур автоматизации.
Ключевые слова: интеллектуальный контроль, колбасные изделия, компьютерное зрение, машинное обучение, автоматизация, качество продукции.

Качество колбасных изделий — одна из приоритетных задач мясоперерабатывающей промышленности. Традиционные способы оценки качества (органолептические методы, выборочный лабораторный анализ) имеют ряд ограничений, связанных с субъективностью, затратами времени и невозможностью
охватить 100 % продукции в режиме реального времени. В современных условиях конкурентного рынка возрастает спрос на автоматизированные системы,
которые способны непрерывно контролировать производственный процесс и
выявлять дефекты в продуктах по внешним или косвенным признакам. Интеллектуальный контроль качества предполагает применение алгоритмов компьютерного зрения, машинного обучения и экспертных систем для анализа внешнего вида колбас (цвет, форма, целостность оболочки, пятна и трещины), а в перспективе — и внутренних параметров (гиперспектральный анализ, ультразвук и
т. д.) . Целью данной статьи является обзор и анализ методов, которые могут
применяться для интеллектуального контроля качества колбас в рамках автоматизированных систем, а также сравнение их эффективности и области применения.
Колбасное производство отличается многообразием рецептур и стадий
изготовления, что усложняет задачу контроля качества. Продукт может быть
варёным, полукопчёным или сырокопчёным и иметь разные пропорции мяса,
жировых включений и добавок. Каждая технология диктует особые требования
к термообработке, влажности и времени выдержки. Параллельно предприятия
стремятся сохранять постоянство цвета, вкуса и структуры независимо от объёмов выпуска, а также следить за внешними признаками, такими как целостность оболочки, отсутствие пятен и ровный вид батона. Опыт показывает, что

Автоматизированные системы управления биотехнологическими процессами

157

158 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

любые отклонения на одном из этапов (от неправильной дозировки фарша до
неравномерного нагрева в термокамере) могут привести к браку и потере товарного вида. Классические методы контроля зачастую предусматривают
фрагментарную проверку продукта, когда лабораторная служба берёт выборочные образцы для оценки органолептических и микробиологических параметров. Подход полезен при необходимости детального исследования состава, но
не покрывает всего объёма продукции в режиме реального времени и не даёт
возможности вовремя остановить конвейер, если начинает расти процент дефектов. Ситуацию осложняет человеческий фактор: операторы, отвечающие за
визуальный осмотр, могут пропустить дефект или ошибиться при оценке оттенка оболочки. Кроме того, высокая субъективность органолептической экспертизы часто приводит к спорным решениям в пограничных случаях.
Высокая скорость производственных линий и специфика современного
рынка требуют внедрять более оперативные методы. На первый план выходят
системы, способные автоматически анализировать цвет и текстуру колбас, выявлять механические повреждения и даже определять нарушения рецептуры по
косвенным признакам (изменению цвета, неоднородным вкраплениям). Практически каждая современная линия оснащена хотя бы базовыми датчиками
температуры и влажности, но для детального контроля внешних характеристик
всё активнее применяются камеры компьютерного зрения, подключённые к
программным модулям, которые могут работать по принципу статистической
классификации или использовать методы глубокого обучения. Такой контроль
часто дополняется журналированием данных, где вся информация о продукции
(в том числе изображения) связывается с номером партии, временем выпуска и
параметрами термокамер.
Отраслевая специфика кроется в том, что колбасные изделия сильно отличаются не только по рецептуре, но и по внешнему виду. Сырокопчёная колбаса способна иметь более тёмный тон и специфическое распределение жировых включений, тогда как варёная может проявлять бледность и высокую
влажность. Различия возникают и при применении натуральной или искусственной оболочки, и при использовании красителей, специй. Эта вариативность
затрудняет настройку методов контроля, поскольку алгоритмы обработки изображений должны учитывать существенные различия в цветовых и текстурных
признаках. Тем не менее массовое внедрение компьютерного зрения даёт возможность не только фиксировать появление трещин или пятен на оболочке, но
и постоянно совершенствовать процесс благодаря накоплению статистики, позволяющей корректировать рецептуру или режимы термообработки.
Классические методы компьютерного зрения включают пороговую сегментацию, анализ цветовых пространств (HSV, Lab) и текстурные дескрипторы
(GLCM, LBP). Эти алгоритмы требуют ручной настройки и могут быть чувствительны к колебаниям условий съёмки. Нейронные сети, особенно CNN, допускают автоматическое извлечение признаков из изображения и обладают
большей гибкостью при адаптации к новым разновидностям колбас. Их применение даёт высокую точность при условии наличия достаточного объёма дан-

ных для обучения. Построение CNN или их комбинации с классическими методами (например, предварительная сегментация фона и последующая классификация нейронной сетью) повышает устойчивость к внешним шумам. Технологическая цель — добиться быстрой и точной идентификации дефектов, которая
позволит в рамках автоматизированной линии отбраковывать проблемные экземпляры.
Методы, основанные на статистике (Random Forest, SVM, Gradient
Boosting), нередко эффективны при работе с вручную извлечёнными признаками (цвет, форма, текстура). Они требуют грамотной настройки, а успех зависит
от правильного определения релевантных параметров. Экспертные системы с
нечёткой логикой полезны, когда накоплен опыт технологов, который может
быть переведён в набор правил. Эта стратегия обеспечивает интерпретируемость, поскольку есть возможность пояснить, почему батон колбасы признан
дефектным. Однако развитие и обслуживание экспертных правил усложняются,
если выпускается широкий ассортимент изделий с разными оболочками, рецептурами и режимами термообработки.
Выбор инструментария зависит от объёма дата сета, технических ресурсов и требований к скорости. CNN при достаточном количестве изображений
способны достичь точности более 90 %. Статистические классификаторы менее
требовательны к аппаратной части и легче настраиваются, если много вариантов колбас. При сильной вариативности освещения или внешнего вида может
потребоваться мультимодульная архитектура, когда разные алгоритмы работают последовательно: сначала классические фильтры убирают блики и приводят
изображение к единому стандарту, затем нейросеть выполняет классификацию
с учётом выявленных признаков. В таблице 1 приведён обобщённый сравнительный анализ основных подходов, используемых в интеллектуальном контроле качества колбас.
Таблица 1. Сравнение методов для интеллектуального контроля
качества колбасных изделий

159

160 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Нужно учитывать, что полноценная автоматизация потребует продуманного позиционирования камер, установки специального освещения и разработки регулярной программы калибровки системы. Большие массивы данных открывают путь к глубокому обучению, но требуют значительной вычислительной мощности и квалифицированного персонала. Если ассортимент продукции
велик, то модель или правила нужно периодически дообучать, чтобы не снижалась точность при выпуске новой рецептуры. Важно также, насколько требуется объяснять результаты контроля: нейросети часто дают высокую точность, но
сложны в интерпретации, тогда как классические статистические алгоритмы и
экспертные системы предоставляют более понятные объяснения.
Практическое внедрение предполагает монтаж промышленных камер
(обычно с разрешением не ниже HD), организацию равномерной подсветки и
связь с исполнительными механизмами, позволяющими отбраковывать продукт
при обнаружении дефектов. Полученный визуальный поток поступает в программный модуль, который может работать под управлением SCADA или
MES-системы. В случае обнаружения проблем система регистрирует событие в
базе данных и передаёт команду на боковой конвейер, отводя бракованную
колбасу. Конкретные цифры из пилотных проектов указывают на сокращение
уровня брака на 5–10 % и повышение стабильности производственного цикла.
Кроме того, накапливается статистика по каждому сорту и партии, что помогает улучшать рецептуры и корректировать технологические режимы.
Интеллектуальные методы контроля качества колбасных изделий (от
классических алгоритмов компьютерного зрения до современных нейронных
сетей) формируют значительный задел для дальнейшей цифровизации мясопереработки. Классические подходы просты в настройке, но уступают нейронным
сетям при высокой вариативности продукции и сложных условиях освещения.
CNN хорошо справляются с расширенным кругом дефектов, способны анализировать цвет и форму одновременно, однако требуют больших датасетов и
GPU-ускорения. Статистические методы занимают промежуточное положение
и позволяют достичь высокой точности с умеренным объёмом вычислительных
ресурсов. Возможность встраивать подобные алгоритмы в автоматизированные
линии с камерами и исполнительными механизмами позволяет выявлять проблемы без задержек, архивировать информацию и систематически повышать
качество колбасной продукции. Перспективы развития включают в себя углублённое применение глубоких архитектур, мультиспектральных сенсоров и методов комбинированного анализа (визуальные данные плюс спектральные или
ультразвуковые измерения), что даёт предприятиям возможность сформировать
более точную, быструю и надёжную систему контроля.

пищевых масс на основе интеллектуальных технологий. //В книге: Развитие пищевой и
перерабатывающей промышленности России: кадры и наука. М.: ИК МГУПП. 2017.
С.199-201.
Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Зеленова Е.Н., Корнев М.А.
Автоматизация контроля качества кондитерской продукции с использованием интеллектуальных технологий. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научнопрактической конференции с международным участием. Курск, 2023. С. 237-245.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция
создания интеллектуальной экспертной системы контроля качества пищевой продукции
// Пищевая промышленность. 2017. №11. С. 60 - 63.
Благовещенская М.М., Давыдова Г.Р., Семина Н.А., Благовещенский И.Г. Использование
интеллектуальных технологий для контроля качества творога // Вестник ВГУИТ, – Воронеж, 2014. №2. С.83-89.
Данилова М.А., Благовещенская М.М., Благовещенский И.Г., Носенко С.М. Автоматизированная система учета сыпучих пищевых продуктов // «Хранение и переработка сельскохозяйственного сырья», №6, 2012. – с. 63 – 66.
Мокрушин С.А., Благовещенский И.Г., Благовещенская М.М., Охапкин С.И., Благовещенский В.Г. Введение алгоритма диагностики аварийных ситуаций в систему автоматизированного управления процессом стерилизации консервов. Хранение и переработка
сельхозсырья. 2024. № 1. С. 108-119.
Благовещенская М.М. Применение WEB-технологий для создания автоматизированных
систем мониторига производства пищевых продуктов. В сборнике: РОГОВСКИЕ
ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участи-ем. Курск, 2023. С. 121-125.
Благовещенский И.Г., Шибанов Э.Д. Автоматизированная система контроля и управления технологическим процессом пищевой 3D печати шоколадом с использованием системы технического зрения: Монография /И.Г. Благовещенский, Э.Д. Шибанов. Курск,
2024.
Благовещенская М.М., Благовещенский В.Г., Краснов А.Е., Благовещенский И.Г., Холопов В.А., Попов А.С. Анализ особенностей использования систем искусственного интеллекта в решении задач автоматизации контроля и управления качеством производства
кондитерской продукции. В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова. Курск, 2023. С. 20-27.
Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Благовещенская М.М., Зуева
Ю.В., Рычков Д.Ф. Использование в производственном контроле качества пищевой продукции компьютерного зрения. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов
научно-практической конференции с международным участием. Курск, 2023. С. 217-227.
Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Зеленова Е.Н., Корнев М.А.
Автоматизация контроля качества кондитерской продукции с использованием интеллектуальных технологий. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научнопрактической конференции с международным участием. Курск, 2023. С. 237-245.
Благовещенский В.Г., Благовещенский И.Г., Холопов В.А., Мокрушин С.А., Веселов
М.В., Жиров М.В. Анализ особенностей использования методов искусственного интеллекта в решении задач автоматизации контроля и управления качеством кондитерской
продукции. В сборнике: Роговские чтения. Секция "Автоматизация технологических
процессов и производств". cборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 34-42.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с исполь-

Автоматизированные системы управления биотехнологическими процессами

1.
2.

Список литературы
Благовещенский И.Г., Назойкин Е.А., Татаринов А.В. Основы создания экспертных систем контроля качества пищевых продуктов с использованием интеллектуальных технологий // Пищевая промышленность, №4, 2017.
Крылова Л.А., Благовещенский В.Г., Татаринов А.В. Разработка интеллектуальных аппаратно-программных комплексов мониторинга процессов сепарирования дисперсных

4.
5.
6.
7.

10.

11.

12.

13.

14.

Автоматизированные системы управления биотехнологическими процессами

15.

16.

17.

18.

19.
20.

161

162 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

зованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Кротов И.В. Перспективы
использования микропроцессорных программируемых и интеллектуальных систем
управления в производстве пищевых изделий. В сборнике: Фабрика будущего: переход
к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов
V Международной конференции. Курск, 2024. С. 156-161.
Зеленова Е.Н., Кротов И.В., Благовещенский И.Г. Модель системы управления информационным ресурсом пищевого производства на основе СУБД. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологи-ям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 181-185.
Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция
создания интеллектуальной экспертной системы контроля качества пищевой продукции /
М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Пищевая промышленность. 2017. №11. – С.60 - 63.
Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.
Ребус Н.А., Благовещенский И.Г. Проблемы внедрения интеллектуальных систем на
предприятии. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 271-277.

Процесс приготовления колбасных изделий в мясопереработке требует
жёсткого контроля температурных, влажностных и временных параметров.
Ошибки и колебания, которые могут возникать при ручном управлении, приводят к увеличению брака, потере вкусовых качеств и несоблюдению требований
к безопасности. На предприятиях долгое время relied лишь на опыт персонала,
периодическую проверку состояния оборудования и разрозненные схемы автоматизации. Однако рост требований к стабильности и прозрачности технологических процессов стимулирует использование более совершенных подходов, в
частности SCADA-систем (Supervisory Control And Data Acquisition). Подобные
платформы предоставляют единое решение для дистанционного контроля, архивирования и анализа больших объёмов данных, что даёт предприятиям реальный инструмент для оптимизации ресурсов.
SCADA-системы играют ключевую роль в объединении и согласованном
функционировании многих элементов производственной линии. Они осуществляют сбор телеметрических данных с широкого спектра датчиков, в том числе
температурных, весовых и расходомеров, а также визуализируют в режиме реального времени состояние оборудования: термокамер, шприцев, конвейеров.
На базе этой информации операторы могут мгновенно отслеживать любые отклонения и изменять режимы работы. При наличии нужных прав SCADAсистема допускает удалённое управление технологическими узлами, а значит,
повышает скорость реакции на внештатные ситуации. Также формируется архив, где сохраняются долгосрочные ряды данных. Аналитические инструменты, встроенные в SCADA или интегрированные с ней, способствуют поиску закономерностей и оптимизации производственных программ.
Подобный подход крайне эффективен для производства колбас, где минимальные изменения в температурно-влажностном режиме термокамеры или
несоответствия в длительности варки и копчения меняют потребительские
свойства готового продукта. Использование SCADA снижает долю человеческого фактора, поскольку часть проверок и корректировок параметров переходит в автоматический режим. Вся последовательность событий фиксируется на
сервере SCADA, что важно при необходимости сертификации или аудита. Прозрачный и детальный журнал мероприятий позволяет отслеживать, на каком
этапе возникли отклонения и как оперативно они были устранены.
Приготовление колбасных изделий складывается из нескольких стадий.
Начинается всё с подготовки и измельчения сырья, куда входит обвалка и жиловка мяса, добавление соли и специй, а также формирование фарша определённой консистенции. Следом идёт формирование батонов методом шприцевания. Этот участок требует стабильной скорости наполнения и контроля массы.
После этого продукт отправляется в термокамеры для варки, обжарки или копчения, что является самым ответственным этапом. Поддержание точного температурно-временного профиля здесь гарантирует безопасность и надлежащие
вкусовые качества. Завершающий шаг включает охлаждение и хранение, где
термометрия продолжает играть заметную роль. В числе критических параметров на всём протяжении процесса находятся температура (особенно в камерах

УДК 004.89:664
Е.Н. Зеленова1, Е.А. Морозов1, И.Г. Благовещенский2
1
Российский биотехнологический университет
2
МИРЭА - Российский технологический университет

ПРИМЕНЕНИЕ SCADA-СИСТЕМ В СИСТЕМЕ УПРАВЛЕНИЯ
ПРОЦЕССОМ ПРИГОТОВЛЕНИЯ КОЛБАСНЫХ ИЗДЕЛИЙ
Е.Н. Зеленова, Е.А. Морозов, И.Г. Благовещенский ПРИМЕНЕНИЕ SCADA-СИСТЕМ В СИСТЕМЕ УПРАВЛЕНИЯ ПРОЦЕССОМ ПРИГОТОВЛЕНИЯ КОЛБАСНЫХ ИЗДЕЛИЙ

Аннотация. В представленной статье рассматриваются современные решения по автоматизации технологического процесса при производстве колбасных изделий с использованием SCADA-систем. Анализируется функциональность этих платформ, включая непрерывный мониторинг, управление режимами оборудования, сбор и архивацию данных. Уделяется
внимание вопросам интеграции с мясоперерабатывающими линиями и практическим результатам внедрения SCADA при контроле ключевых параметров, в числе которых поддержание
температуры и влажности при термообработке. Подробно обсуждается снижение уровня
брака и ускорение принятия управленческих решений. Указывается, что применение подобных систем служит фундаментом для комплексной цифровизации и выводит мясоперерабатывающую отрасль на новый уровень эффективности.
Ключевые слова: SCADA, автоматизация, колбасные изделия, управление процессом,
контроль качества, технологические параметры.

Автоматизированные системы управления биотехнологическими процессами

163

164 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

термообработки), влажность и время воздействия, а также масса батонов, скорость и равномерность шприцевания. SCADA-система регистрирует все эти показатели и, благодаря механизму сигнализаций, предупреждает персонал при
выходе за предельно допустимые границы.
Пример интеграции SCADA в систему управления колбасным производством иллюстрирует, каким образом различные аппаратные и программные
элементы могут работать совместно для достижения более высокого уровня автоматизации и оперативного контроля. На базовом уровне размещаются датчики температуры, влажности, расходомеров дыма и весовые устройства, которые
отслеживают ключевые параметры: от текущей температуры в термокамере до
массы батонов, выходящих со шприца. Датчики связаны с программируемыми
логическими контроллерами (PLC), где прописаны локальные алгоритмы,
включая функции ПИД-регулирования. При необходимости контроллер может
подстраивать интенсивность нагрева в камере или менять скорость подачи дыма, если показатели приближаются к критическим значениям. Для передачи
данных от PLC к серверу SCADA часто применяются протоколы вроде Modbus
RTU/TCP или OPC UA, а само соединение может выполняться по Ethernetсетям промышленного стандарта или с помощью специализированных полевых
шин. На стороне SCADA-сервера настраиваются экраны визуализации, тревоги
и механизмы архивации: оператор, открывая графический интерфейс, видит актуальное состояние всей линии в режиме реального времени, может отследить
динамику температурно-влажностных профилей и при необходимости быстро
изменить уставки.
Эта интеграция позволяет синхронизировать данные, поступающие с разных установок, и автоматически сверять их с технологическим регламентом,
находящимся в базе. При обнаружении отклонений система сигнализирует об
этом персоналу, а при наличии соответствующих прав может немедленно скорректировать режимы работы оборудования, не прерывая производственный
процесс. Подобная схема даёт возможность единообразно контролировать все
стадии: от подготовки и измельчения сырья до охлаждения и упаковки колбасных изделий. Предприятия, уже реализовавшие этот подход, обычно указывают
на снижение процентного содержания брака и более рациональное использование ресурсов, поскольку параметры варки и копчения подбираются точнее, а
решения по корректировке принимаются быстрее. Широкие возможности по
архивированию данных в SCADA помогают не только анализировать тенденции (например, почему на одном типе сырья чаще происходят недокопчённые
партии), но и оптимизировать будущие производственные программы путём
сравнительного анализа эффективности разных термопрофилей, рецептур и
операций персонала.
Серьёзным препятствием при внедрении SCADA в мясопереработку остаётся разнородность оборудования от разных производителей. Контроллеры и
датчики могут иметь несовместимые протоколы, что ведёт к дополнительным
расходам на конвертацию сигналов. Ещё одна трудность — жёсткие требования
к гигиене. Повышенная влажность и регулярные уборки в колбасном цехе вы-

нуждают прибегать к специальным корпусам и кабельным соединениям с классом защиты IP65 и выше. Также приходится уделять время обучению сотрудников, которым необходимо освоить интерфейс SCADA и основы работы с
тревогами и отчётностью. Тем не менее, современные тенденции развития
SCADA-платформ позволяют интегрировать их с системами компьютерного
зрения, анализировать большие архивы с помощью методов машинного обучения и даже перенести часть функций в облако.
Подобные решения делают процесс приготовления колбас более гибким и
позволяют быстро переходить на новые сорта продукции, меняя настройки
термообработки и отслеживая результат в рамках одного программного интерфейса.
Применение SCADA-систем при производстве колбасных изделий даёт
компании расширенные возможности контроля над технологическими параметрами и процессами. Системы этого типа обеспечивают непрерывную визуализацию и управление оборудованием в реальном времени, формируют архивы
для анализа и оптимизации, а также позволяют эффективно предупреждать или
корректировать отклонения. Производители, которым удалось интегрировать
SCADA-решения на всех стадиях — от шприцевания до охлаждения, — чаще
всего отмечают снижение расходов, более высокое и стабильное качество, а
также улучшение прозрачности и скорость принятия решений. Сочетание
SCADA с дополнительными опциями — от систем компьютерного зрения до
машинного обучения — усиливает эффект и создаёт фундамент для дальнейшей цифровизации предприятий, стремящихся повысить конкурентоспособность и соответствовать самым жёстким стандартам пищевой промышленности.
1.

Список литературы
Благовещенский И.Г., Яблоков А.Е., Стецик П.П., Климов А.В., Полетаев К.А. Разработка распределенных автоматизированных систем интеллектуального мониторинга оборудования зерноперерабатывающих предприятий. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V Международной конференции. Курск, 2024. С. 106-115.
Благовещенский И.Г., Благовещенский В.Г., Кротов И.В., Благовещенская М.М. Автоматизированные системы мониторинга процессов производства пищевых продуктов на основе WEB-технологий. В сборнике: Фабрика будущего: переход к передовым цифровым,
интеллектуальным производственным технологиям, роботизированным системам для
отраслей пищевой промышленности. сборник научных докладов V Международной
конференции. Курск, 2024. С. 93-98.
Яблоков А.Е., Латышев М.А., Благовещенский И.Г., Благовещенская М.М., Крахмалев
О.Н. Разработка интеллектуальной системы технического мониторинга оборудования с
использованием универсального датчика на базе микроконтроллера stm32. В сборнике:
Научно-технический вестник Поволжья. 2024. № 10. С. 143-146.
Благовещенский И.Г., Благовещенский В.Г., Мокрушин С.А., Игольников А.О., Благовещенская М.М.
Применение web-технологий для создания автоматизированных
систем мониторинга производства пищевых продуктов. В сборнике: РОГОВСКИЕ

Автоматизированные системы управления биотехнологическими процессами

6.
7.

9.
10.
11.

12.

13.

14.

15.

16.

165

166 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 121-125.
Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.
Яблоков А., Благовещенский И., Ольшанова Е. Распределенная система мониторинга и
технической диагностики оборудования. Комбикорма. 2021. № 1. С. 33-35.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.
Благовещенский И.Г., Назойкин Е.А., Татаринов А.В. Основы создания экспертных систем контроля качества пищевых продуктов с использованием интеллектуальных технологий // Пищевая промышленность, №4, 2017. конференции. Курск, 2022. С. 140-144.
Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.
Зеленова Е.Н., Благовещенский И.Г., Благовещенский В.Г., Кротов И.В. Перспективы
использования микропроцессорных программируемых и интеллектуальных систем
управления в производстве пищевых изделий. В сборнике: Фабрика будущего: переход
к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов
V Международной конференции. Курск, 2024. С. 156-161.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Методологические основы создания
экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий /М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Монография. - М.: Изд-во Франтера. 2017. – 395 с.
Благовещенский И.Г. Методологические основы создания экспертных систем контроля и
прогнозирования качества пищевой продукции с использованием интеллектуальных
технологий. Автореферат диссертации на соискание ученой степени доктора техн. наук.
– М., 2018. – 46 с.
Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция
создания интеллектуальной экспертной системы контроля качества пищевой продукции /
М.Г. Балыхин, А.Б. Борзов, И.Г. Благовещенский // Пищевая промышленность. 2017. №11. – С.60 - 63.
Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения 11 // Кондитерское производство, №3, 2016.

УДК 004.89:664
Е.Н. Зеленова1, К.А. Полетаев1, И.Г. Благовещенский2
1
Российский биотехнологический университет
2
МИРЭА - Российский технологический университет

МЕТОДЫ КОМПЬЮТЕРНОГО ЗРЕНИЯ ДЛЯ АВТОМАТИЧЕСКОГО
КОНТРОЛЯ ОРГАНОЛЕПТИЧЕСКИХ ПОКАЗАТЕЛЕЙ КАЧЕСТВА
КОЛБАСНОГО ФАРША В РЕАЛЬНОМ ВРЕМЕНИ
Е.Н. Зеленова, К.А. Полетаев, И.Г. Благовещенский МЕТОДЫ КОМПЬЮТЕРНОГО ЗРЕНИЯ ДЛЯ АВТОМАТИЧЕСКОГО КОНТРОЛЯ ОРГАНОЛЕПТИЧЕСКИХ ПОКАЗАТЕЛЕЙ
КАЧЕСТВА КОЛБАСНОГО ФАРША В РЕАЛЬНОМ ВРЕМЕНИ

Аннотация. Статья посвящена применению современных методов компьютерного
зрения для оценки ключевых органолептических показателей (цвета, структуры, консистенции) колбасного фарша в автоматизированных системах пищевой промышленности. Рассматриваются способы интеграции машинного обучения непосредственно в производство,
что даёт возможность в режиме реального времени выявлять и фиксировать отклонения от
заданных норм. Приводятся описания архитектур нейронных сетей, с помощью которых удаётся повысить точность определения дефектов или неоднородностей, и обсуждаются их
сильные и слабые стороны с учётом особенностей мясоперерабатывающих линий. Описано,
как такие решения внедряются в технологическую схему контроля фарша, а также какие эффекты это даёт с точки зрения повышения стабильности выпуска и сокращения ручного контроля.
Ключевые слова: Автоматизация технологических процессов, компьютерное зрение,
контроль качества, колбасный фарш, органолептические показатели, машинное обучение,
сверточные нейронные сети (CNN), сегментация изображений, реальное время, промышленные камеры.

Качество колбасных изделий напрямую зависит от состояния фарша, где
большую роль играют органолептические факторы: цвет, равномерная текстура
и соответствующая консистенция. Традиционно эти параметры оцениваются
оператором визуально, что при больших объёмах производства может приводить к ошибкам и задержкам, связанным с человеческим фактором. Отрасль заинтересована в более объективных и оперативных методиках, что объясняет
рост интереса к компьютерному зрению и технологиям глубокого обучения.
Подобные системы способны в реальном времени сканировать проходящий по
конвейеру фарш, выделять характерные признаки и сравнивать их с эталоном,
что позволяет своевременно обнаруживать появляющиеся проблемы. Эти решения повышают прозрачность процесса и дают возможность предприятиям
значительно сократить объёмы брака и риск выпуска несоответствующего
стандартам продукта.
Методы компьютерного зрения, применяемые для оценки органолептических показателей колбасного фарша в реальном времени, условно делятся на
несколько крупных направлений. Традиционная обработка изображений базируется на классических алгоритмах сегментации, фильтрации и анализа цветовых характеристик. При этом часто используются операции пороговой обработки, позволяющие отделить ключевые области (жировые включения, мясные
фрагменты) от фона или соседних компонентов структуры, а также морфологические преобразования, помогающие устранить шум и «склеить» фрагменты с
похожими признаками.

Автоматизированные системы управления биотехнологическими процессами

167

168 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Ещё один важный элемент классического подхода — цветовое моделирование: переход из модели RGB в более удобные для анализа пространства Lab
или HSV обеспечивает большую устойчивость к изменениям освещения и облегчает определение оттенков, которые нужны для точной оценки цвета фарша.
Эти алгоритмы обладают преимуществами в простоте реализации и относительно низких вычислительных затратах, однако им зачастую недостает гибкости при работе с очень разнообразными данными, связанными с изменениями
рецептуры, структуры поверхности или условий съёмки. Вторым направлением
становятся методы глубокого обучения, где главную роль играют свёрточные
нейронные сети. Такая модель способна сама «учиться» выявлять характерные
паттерны: от простых краевых признаков до сложных текстур, связанных с
равномерностью распределения жировой и мясной фракций.
Опыт показывает, что на больших и разнообразных наборах данных свёрточные сети достигают высокой точности классификации и сегментации, позволяя различать не только типичные дефекты (крупные белые пятна жира, неестественные тёмные зоны), но и более тонкие отклонения в цвете или однородности. Широкое распространение получили архитектуры ResNet, U-Net,
MobileNet, которые можно адаптировать под конкретные запросы мясоперерабатывающего предприятия в зависимости от желаемой скорости обработки и
сложности распознавания. Вместе с тем глубокие сети требуют значительных
вычислительных ресурсов и высокого качества обучающих данных, что часто
создаёт ограничения на этапе внедрения. Технологический процесс должен
быть организован так, чтобы камера и освещение создавали достаточно контрастные и стабильные условия для съёмки, а разработанная модель проходила периодическое дообучение при изменениях рецептур или запуске новых сортов
колбас. Третья группа — гибридные подходы, объединяющие классические методы и нейросетевые алгоритмы. Обычно в таких решениях первичную сегментацию или фильтрацию осуществляют детерминированные алгоритмы, сокращая объём необработанной информации, а окончательный анализ структуры и
цвета выполняет свёрточная сеть. Нередко в промышленной среде подобная
комбинация оправдывает себя, поскольку можно быстро и недорого выполнить
фильтрацию малозначимых пикселей (например, фона или бликов), а ресурсоёмкие вычисления запустить уже на уменьшенном объёме данных.
Кроме того, гибридные системы более гибко реагируют на изменение
внешних условий, поскольку при сбоях в работе нейронной сети или при серьёзных нарушениях освещённости можно временно опираться на классические
операции с порогами и морфологическими инструментами. Всё чаще встречаются проекты, в которых гибридные решения дополнены функцией анализа
статистической аномалии: если видеопоток демонстрирует много нетипичных
участков, система повышает «чувствительность» к дефектам и своевременно
передаёт сигнал оператору, чтобы он проверил оборудование или корректность
рецептуры.
В совокупности современные методы компьютерного зрения охватывают
весь спектр задач: от быстрой грубой фильтрации до точной сегментации и де-

текции локальных дефектов в фарше. Классические алгоритмы легко встроить в
существующую схему, но они нуждаются в предсказуемых условиях съёмки и
регулярной ручной калибровке пороговых значений. Глубокие сети лучше
адаптируются к широкому диапазону изменений, однако требуют больших
усилий при сборе данных и обучения модели. Гибридные подходы совмещают
лучшие черты этих направлений, облегчая интеграцию в автоматизированный
производственный цикл, где скорость анализа напрямую влияет на качество и
экономические показатели.
Всё это формирует основу для перспективного развития технологий компьютерного зрения в мясопереработке, когда процесс контроля становится более
точным, оперативным и малозависимым от человеческого фактора, что в конечном итоге способствует стабильности качества готового продукта.
Реализация контроля в реальном времени предполагает установку промышленных камер высокой чёткости над конвейерной линией и организацию
стабильного освещения (часто на базе LED-панелей). Изображения поступают в
вычислительные модули, где происходит их предобработка и анализ выбранными алгоритмами. При применении глубокого обучения используются GPU
или специализированные ускорители, позволяющие обрабатывать десятки или
даже сотни кадров в секунду. Вся полученная информация стекается в единый
программный комплекс, который сравнивает результаты обработки с требуемыми нормами, формирует сигналы управления и ведёт архив данных.
Система обычно включает средства мониторинга, позволяющие технологам видеть обстановку и оперативно реагировать на изменения, а также автоматически выбраковывает участки фарша, не удовлетворяющие эталонным показателям.
Полноценный запуск системы начинается с подготовки репрезентативных
данных и их разметки: изображения собираются при разных вариантах рецептур, степенях измельчения, изменениях цвета и иных проявлениях дефектов.
После формирования датасета выбирают и настраивают архитектуру модели,
которая может быть простой (ResNet, MobileNet для классификации) или сложной (U-Net, Mask R-CNN для детального выделения зон дефекта). В процессе
обучения проводится аугментация, помогающая имитировать разные условия
освещения и ракурсы. Когда точность классификации на тестовой выборке достигает целевых значений, модель интегрируется в рабочий контур. Захваченные
кадры ресайзятся и проходят инференс на GPU. Для каждого фрагмента система присваивает оценку: «стандарт» или «отклонение» с указанием предполагаемых причин (необычные пятна, крупные жировые включения). Информация
мгновенно передаётся оператору, который может принять решение об отбраковке, а архив результатов помогает проводить аналитические исследования и
выявлять тенденции.
Эксперименты на мясоперерабатывающих предприятиях показывают, что
точность выявления дефектов может достигать 95–98 %, что выше, чем при
ручном осмотре. Обработка идёт с высокой скоростью, позволяя не останавливать конвейер и обеспечивая непрерывный контроль.

169

170 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Преимущества автоматизации контроля колбасного фарша с помощью
компьютерного зрения становятся очевидными, когда требуется проверять
большие объёмы продукции в непрерывном потоке. Человеческий фактор перестаёт быть источником субъективности, а алгоритмы способны выделять более
мелкие и неоднозначные дефекты, заранее предупреждая о возможных нарушениях технологического процесса. Установка качественных систем освещения и
калиброванных камер даёт стабильную цветопередачу, что особенно важно при
контроле оттенков фарша.
С другой стороны, существуют ряд проблем, связанных с периодической
корректировкой и адаптацией моделей. Новые рецептуры, смена поставщиков
мяса, сезонные колебания влажности – все эти факторы влияют на внешний вид
продукта. Решением становится регулярное дообучение алгоритмов и использование гибридных подходов, где традиционные алгоритмы выполняют роль
«грубого» фильтра или предварительно выравнивают цвета, а нейросеть выявляет более сложные отклонения. Грамотное проектирование всех этапов, от аппаратной части до алгоритмов принятия решений, способно обеспечить высокую точность и экономическую выгоду за счёт снижения брака и повышения
производительности.
Применение методов компьютерного зрения для автоматизированного
контроля колбасного фарша в реальном времени отвечает актуальным потребностям мясоперерабатывающей промышленности и способствует повышению
стабильности качества конечной продукции. Внедрение подобных решений позволяет освободить операторов от рутинной проверки, повысить точность выявления дефектов и оптимизировать ресурсное потребление. Комбинация традиционных алгоритмов сегментации, фильтрации и нейронных сетей показывает высокую эффективность, особенно при правильной организации аппаратной
части, регулярном обновлении обучающей выборки и использовании современных аппаратных ускорителей. Данный подход укрепляет конкурентные
позиции производителя, так как даёт возможность точнее отслеживать состояние фарша на каждой стадии, предупреждать систематические ошибки и сохранять высокий уровень пищевой безопасности.

мели. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научно-практической
конференции с международным участием. Курск, 2023. С. 270-279.
Благовещенская М.М., Аднодворцев А.М., Благовещенский В.Г., Благовещенский И.Г.,
Яценко Е.О. Использование системы компьютерного зрения для создания автоматизированной системы прослеживания готовой пищевой продукции. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник
научных докладов V Международной конференции. Курск, 2024. С. 15-19.
Благовещенский В.Г., Благовещенский И.Г., Шкапов П.М. Автоматизация контроля органолептических показателей качества семян подсолнечника с использованием системы
компьютерного зрения. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам
для отраслей пищевой промышленности. сборник научных докладов V Международной
конференции. Курск, 2024. С. 57-62.
Благовещенский В.Г., Кротов И.В., Благовещенский И.Г. Органолептические показатели
качества современной кондитерской продукции. Свидетельство о регистрации базы
данных RU 2024625642, 02.12.2024. Заявка № 2024625359 от 16.11.2024.
Благовещенский В.Г., Благовещенский И.Г., Шкапов П.М. Автоматизация контроля органолептических показателей качества семян подсолнечника с использованием системы
компьютерного зрения. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам
для отраслей пищевой промышленности. сборник научных докладов V Международной
конференции. Курск, 2024. С. 57-62.
Благовещенский В.Г. Методологический основы автоматизации контроля органолептических показателей качества кондитерской продукции и создание на их базе интеллектуальных систем управления // Монография. Курск, 2024. С.
Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Зеленова Е.Н., Корнев М.А.
Автоматизация контроля качества кондитерской продукции с использованием интеллектуальных технологий. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научнопрактической конференции с международным участием. Курск, 2023. С. 237-245.
Балыхин М.Г., Благовещенский И.Г., Назойкин Е.А., Благовещенский В.Г. Адаптивная
система управления с идентификатором нестационарными технологическими процессами в отраслях пищевой промышленности // Интеллектуальные системы и технологии в
отраслях пищевой промышленности: материалы научно- практической конференции с
международным участием (Москва, 15 – 18 октября, 2019 г.). М.: Издательский комплекс
МГУПП. 2019. С. 32-39.
Благовещенская М. М., Благовещенский И.Г., Назойкин Е.А. Методика автоматической
оценки качества пищевых изделий на основе теории искусственных нейронных сетей //
Пищевая промышленность. 2015. №7. С. 42 - 49.
Петряков А.Н., Благовещенская М.М., Благовещенский В.Г., Митин В.В., Благовещенский И.Г. Повышение качества идентификации и позиционирования объекта на цифровых стерео изображениях при помощи алгоритмов построения карты глубины // Интеллектуальные системы и технологии в отраслях пищевой промышленности: материалы
научно- практической конференции с международным участием (Москва, 15 – 18 октября, 2019 г.). М.: Издательский комплекс МГУПП, 2019. С. 133-138.
Благовещенский И.Г., Благовещенский В.Г., Савостин С.Д., Кучумов А.В. Интеллектуальная система мониторинга технологических процессов производства продуктов на
пищевых предприятиях. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции. Курск, 2022. С. 119-126.

Автоматизированные системы управления биотехнологическими процессами

1.
2.

Список литературы
Благовещенский И.Г. Автоматизированная экспертная система контроля в потоке показателей качества помадных конфет с использованием нейросетевых технологий и систем
компьютерного зрения. // Монография. - М.: Изд-во Франтера, 2017. – 214 с.
Благовещенский И.Г., Благовещенская М.М., Носенко С.М. Автоматизация контроля показателей качества и выявления брака продукции с использованием системы компьютерного зрения / И.Г. Благовещенский, М.М. Благовещенская, С.М. Носенко // Кондитерское производство, №3 , 2016.
Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Благовещенская М.М., Зуева
Ю.В., Рычков Д.Ф. Использование в производственном контроле качества пищевой продукции компьютерного зрения. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов
научно-практической конференции с международным участием. Курск, 2023. С. 217-227.
Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Семенов А.С., Талмазова
Д.В. Использование компьютерного зрения для контроля в потоке формы готовой кара-

7.
8.

9.
10.

11.

12.
13.

14.

Автоматизированные системы управления биотехнологическими процессами

171

172 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

15. Аднодворцев А.М., Благовещенская М.М., Благовещенский И.Г., Головин В.В., Благовещенский В.Г., Бунеев А.В. Использование системы технического зрения для контроля
маркировки готовой пищевой продукции в бутылках. В сборнике: Фабрика будущего:
переход к передовым цифровым, интеллектуальным производственным технологиям,
роботизированным системам для отраслей пищевой промышленности. Сборник научных
докладов III Международной специализированной конференции - выставки. Курск, 2022.
С. 13-25.
16. Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
17. Мокрушин С.А., Благовещенский И.Г., Благовещенская М.М., Охапкин С.И., Благовещенский В.Г. Введение алгоритма диагностики аварийных ситуаций в систему автоматизированного управления процессом стерилизации консервов. Хранение и переработка
сельхозсырья. 2024. № 1. С. 108-119.
18. Яблоков А.Е., Благовещенский И.Г., Федоренко Б.Н., Носенко А.С., Носенко С.М., Благовещенский В.Г. Техническая диагностика как инструмент повышения безопасности и
снижения затрат на эксплуатацию. В сборнике: Фабрика будущего: переход к передовым
цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 355-362.

управление и мониторинг критических параметров, таких как температура,
влажность и продолжительность технологических операций. Нарушение заданных условий может привести к существенному увеличению процента брака. В
современных условиях на предприятиях возрастает потребность во внедрении
комплексных систем автоматизации и управления технологическими процессами, способных в режиме реального времени контролировать оборудование,
осуществлять сбор данных от датчиков, а также передавать сигналы в систему
принятия решений. Важным элементом в процессе проектирования подобных
решений выступает формализация всех требований и бизнес-процессов, что
возможно достичь за счёт использования CASE-средств. В рамках данной статьи рассматривается методика разработки информационно-технической системы, позволяющей повысить уровень автоматизации, структурировать работу с
данными и обеспечить прозрачность всех технологических операций.
Колбасное производство предполагает несколько ключевых стадий. Сначала выполняется приём и подготовка сырья, включающая обвалку и жиловку
мяса, измельчение и смешивание с добавками. После этого осуществляется
формирование колбасных батонов (шприцевание), термообработка в термокамерах (варка, копчение) и завершающее охлаждение. Контроль качества проводится с учётом органолептических, физических и микробиологических критериев. На каждом этапе необходимо автоматизированно контролировать и при
необходимости корректировать параметры (температуру, влажность, время
воздействия) для получения стабильного и безопасного продукта.
Использование CASE-средств при проектировании ИТС даёт возможность формализовать и визуализировать структуру будущей системы. UMLдиаграммы (Use Case, Activity, Class, Sequence и др.) позволяют описать роли
участников процесса (оператор, технолог, администратор) и их взаимодействие
с модулями программного обеспечения, определить бизнес-процессы и информационные сущности. При этом удаётся чётко зафиксировать требования и избежать их дублирования, а также упростить дальнейшую интеграцию с реальным оборудованием — от датчиков температуры до PLC-контроллеров, отвечающих за работу шприцевального устройства или термокамер.
Важнейшими моментами при проектировании информационнотехнической системы управления процессом приготовления колбасных изделий
являются комплексный анализ требований к функциональности, безопасности и
надёжности (с учётом специфики мясоперерабатывающего производства и требований к качеству готовой продукции), формализованное моделирование бизнес-процессов и технологических цепочек, где наглядно описывается взаимодействие операторов, технологов и используемого оборудования, отражение
реальных условий эксплуатации шприцев, термокамер и систем охлаждения
(включая особенности промышленной коммуникации через протоколы Modbus
или OPC UA), интеграция с системами контроля качества и лабораторными исследованиями, а также разработка гибкой системы отчётности и аналитики, позволяющей руководству оперативно получать ключевые производственные по-

УДК 004.89:664
Е.Н. Зеленова1, К.Б. Рожкова1, В.Г.Благовещенский2
1
Российский биотехнологический университет
2
МИРЭА - Российский технологический университет

РАЗРАБОТКА ИНФОРМАЦИОННО-ТЕХНИЧЕСКОЙ СИСТЕМЫ
УПРАВЛЕНИЯ ПРОЦЕССОМ ПРИГОТОВЛЕНИЯ КОЛБАСНЫХ
ИЗДЕЛИЙ С УЧЁТОМ АСПЕКТОВ АВТОМАТИЗАЦИИ
ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ
Е.Н. Зеленова, К.Б. Рожкова, В.Г.Благовещенский РАЗРАБОТКА ИНФОРМАЦИОННО-ТЕХНИЧЕСКОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОЦЕССОМ ПРИГОТОВЛЕНИЯ
КОЛБАСНЫХ ИЗДЕЛИЙ С УЧЁТОМ АСПЕКТОВ АВТОМАТИЗАЦИИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ

Аннотация. В данной статье рассматривается методика проектирования информационно-технической системы (ИТС) для управления технологическими процессами на предприятиях мясопереработки, в частности при приготовлении колбасных изделий. Основной
акцент сделан на использовании CASE-средств для моделирования структуры и функционала системы, что позволяет формально описать все этапы производства — от подготовки сырья до контроля качества. Рассматриваются ключевые UML-диаграммы, структура базы данных и примеры интеграции с оборудованием (датчиками, термокамерами, шприцевальными
механизмами). Предложенный подход обеспечивает более высокую степень автоматизации
производства, способствует снижению брака и повышению эффективности управления.
Ключевые слова: автоматизация технологических процессов, колбасное производство,
информационно-техническая система, CASE-средства, UML.

Производство колбасных изделий включает несколько последовательных
этапов: подготовку сырья (обвалка, жиловка, измельчение), шприцевание для
формирования батонов, термообработку (варка, копчение, сушка), охлаждение,
контроль качества готовой продукции. Для каждого этапа важно обеспечить

Автоматизированные системы управления биотехнологическими процессами

173

174 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

казатели, анализировать данные по браку и своевременно корректировать технологический процесс.
В рамках постановки задачи по созданию информационно-технической
системы управления процессом приготовления колбасных изделий основная
цель заключается в разработке комплексного программно-аппаратного решения, которое сможет не только фиксировать параметры на каждом этапе, но и
влиять на технологический процесс (автоматическая корректировка температуры, уведомления о критических ситуациях и т. д.). Использование CASEсредств позволяет формализовать и документировать все аспекты системы до
начала активной фазы кодирования, что делает будущую ИТС более надёжной,
прозрачной и удобной в эксплуатации.
Рассмотрим этапы разработки системы с использованием CASE-средств в
рамках автоматизации технологических процессов. На первом шаге, сборе и
анализе требований, проводится ряд интервью с операторами, технологами и
ИТ-специалистами для выявления ключевых параметров, необходимых для эффективной работы системы. Важно формализовать потребности предприятия,
такие как регистрация партий, контроль температурных режимов и формирование отчётов, что будет отражено в Use Case диаграмме.
Этот этап позволяет чётко определить связи между пользователями системы и её функционалом. На втором этапе выполняется моделирование бизнеспроцессов с помощью диаграмм Activity. Каждый процесс, как, например,
«приём и подготовка сырья», «шприцевание» или «термообработка» детализируется, что даёт возможность проработать все этапы технологической цепочки
и взаимодействие с датчиками, контроллерами и другими устройствами. Акцент ставится на автоматизацию мониторинга температуры и влажности, а также на интеграцию с системами компьютерного зрения для контроля качества
продукции. Третий этап — структурное моделирование, где создаются диаграммы классов, определяющие ключевые сущности: «Рецептура», «Партия»,
«Термооперация» и другие, что позволяет спроектировать структуру базы данных. Далее разрабатывается диаграмма последовательности, моделирующая
обмен данными между пользователями интерфейса, программным обеспечением, промышленными контроллерами и датчиками. Если необходимо, добавляется диаграмма состояний, чтобы зафиксировать логику переходов между различными этапами обработки продукции. Заключительный этап включает реализацию и тестирование системы, основанной на ранее созданных UML-моделях.
Это предполагает генерирование базы данных, написание кода и тестирование
прототипа ИТС. Важной задачей является интеграция с существующим производственным оборудованием, которая осуществляется через промышленный
протокол. На пилотной линии системы проверяются все элементы — от сбора и
хранения данных до управления оборудованием, что позволяет убедиться в
корректной работе системы в реальных условиях производства.
Методика разработки системы с использованием CASE-средств состоит
из нескольких этапов, которые начинаются со сбора и анализа требований. На
данном шаге посредством интервью с технологами, операторами и ИТ-

специалистами выявляются ключевые потребности: регистрация и учёт рецептур, контроль температурных и временных параметров на различных стадиях
приготовления, формирование отчётности и визуализация статистики. На основе полученных данных создаётся диаграмма прецедентов (Use Case Diagram),
позволяющая задать основные функции системы и сценарии взаимодействия
(например, работа с рецептами, настройка и мониторинг термообработки). Следующим шагом является моделирование бизнес-процессов при помощи Activity
Diagram, где детально описываются процессы приёма и подготовки сырья (измельчение, смешивание с добавками), шприцевания и термообработки (варка,
копчение), а также контроль качества, включающий учёт параметров температуры и влажности; при необходимости предусматривается интеграция систем
компьютерного зрения. На этапе структурного моделирования (Class Diagram)
определяются основные сущности и их атрибуты — такие как «Рецептура»,
«Партия», «Термооперация» и «Отчёт», а также уточняются связи между ними,
что служит основой для проектирования базы данных. Далее при проектировании сценариев взаимодействия (Sequence Diagram) описывается порядок обмена данными между оператором, пользовательским интерфейсом, промышленными контроллерами PLC и датчиками, причём в случаях сложной логики переходов (например, от стадии «Разогрев камеры» к «Варка», затем «Копчение»)
возможно применение диаграмм состояний (State Machine Diagram). Завершающим этапом является реализация и тестирование: на основании UMLмоделей генерируются схемы базы данных и структуры классов, что упрощает
написание кода; система интегрируется с промышленным оборудованием через
протоколы (Modbus, OPC UA), а проверка корректной работы проводится на
пилотном участке, где оценивается полнота записи технологических параметров, своевременность тревожных сигналов при отклонениях и общее соответствие заданной цепочке процессов — от приёмки сырья до выпуска колбасных
изделий.
Архитектура ИТС для автоматизации производственного цикла включает
несколько уровней. На уровне датчиков и исполнительных механизмов располагаются температурные датчики, весовые платформы, шприцы для формирования батонов, а также контроллеры (PLC), управляющие термокамерами. Сбор
данных и обмен информацией организуется с помощью модуля, работающего с
промышленным протоколом (например, Modbus), и специального сервисашлюза, передающего информацию в центральную базу. На уровне прикладной
логики функционирует ядро приложения, осуществляющее учёт партий и рецептур, а также контролирующее последовательность технологических операций. Графический интерфейс (GUI) предоставляет операторам доступ к текущим показателям и позволяет задавать параметры термообработки, контролируя ход процессов в реальном времени. Для долговременного хранения и анализа данных используется реляционная база (MySQL, PostgreSQL, MS SQL и
т. д.) или специализированное решение для исторического архива, что важно в
контексте соблюдения пищевой безопасности и сертификационных требований.

Автоматизированные системы управления биотехнологическими процессами

175

Применение подхода с использованием CASE-средств в проектировании
информационно-технических систем позволяет не только формализовать основные бизнес-процессы, но и значительно упростить процесс внедрения автоматизации. Создаваемые UML-диаграммы служат удобным средством коммуникации между специалистами различного профиля — от ИТ-разработчиков до
технологов мясоперерабатывающего предприятия. Пилотное внедрение системы, проведённое на одном из заводов, позволило снизить процент брака на 8–
10 % за счёт непрерывного сбора параметров с датчиков и автоматической корректировки температуры и влажности в термокамерах. Кроме того, появилась
возможность оперативно формировать отчёты и анализировать данные о каждой партии продукции, выявляя потенциальные узкие места в технологической
цепочке.
Представленная методика разработки и внедрения ИТС с использованием
CASE-средств даёт возможность повысить степень автоматизации технологических процессов в колбасном производстве. Благодаря формальному описанию требований и структуры системы ещё на этапе моделирования исключаются противоречия, оптимизируется взаимодействие между программными модулями и реальным оборудованием, а также создаются условия для более точного
контроля качества. Внедрение подобных решений в промышленную среду способствует сокращению затрат и повышению конкурентоспособности предприятий, поскольку они получают более гибкий инструмент управления и оперативного анализа данных. В итоге повышается прозрачность всех производственных операций, упрощается выпуск новых сортов колбас и внедрение корректировок в технологический процесс, что в совокупности поддерживает соответствие современным стандартам пищевой безопасности и высоким требованиям рынка.
1.

2.
3.
4.

176 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
6.

10.

11.

12.

13.

14.

15.
16.

Благовещенский И.Г., Благовещенский В.Г., Адродворцев А.М., Головин В.В., Благовещенская М.М. В сборнике: Современные проблемы автоматизации технологических
процессов и производств. сборник научных докладов научно-практической конференции
с международным участием, посвященной 100-летию со дня рождения Игоря Константиновича Петрова. Курск, 2023. С. 123-130.
Благовещенский И.Г., Мурина Н.С., Благовещенский В.Г., Зеленова Е.Н. В сборнике:
Современные проблемы автоматизации технологических процессов и производств.
сборник научных докладов научно-практической конференции с международным участием, посвященной 100-летию со дня рождения Игоря Константиновича Петрова.
Курск, 2023. С. 140-148.
Благовещенский И.Г., Мурина Н.С., Благовещенский В.Г., Холопов В.А., Зеленова Е.Н.
В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научно-практической конференции с международным участием, посвященной 100-летию со дня рождения Игоря Константиновича Петрова. Курск, 2023. С. 162-171.
Благовещенская М.М., Благовещенский В.Г., Краснов А.Е., Благовещенский И.Г., Холопов В.А., Попов А.С. В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научно-практической конференции с международным участием, посвященной 100-летию со дня рождения Игоря
Константиновича Петрова. Курск, 2023. С. 20-27.
Носенко А.С., Благовещенский В.Г., Благовещенский И.Г., Холопов В.А., Мокрушин
С.А., Кравченко Р.А. В сборнике: Роговские чтения. Секция "Автоматизация технологических процессов и производств". cборник докладов научно-практической конференции
с международным участием. Курск, 2023. С. 368-374.
Зеленова Е.Н., Благовещенский И.Г., Благовещенская М.М., Мокрушин С.А. Разработка
информационной системы автоматизации процессов закупки пищевого сырья. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V Международной конференции. Курск, 2024. С. 149156.
15. Благовещенский В.Г., Благовещенский И.Г., Жукова Н.В., Кротов И.В. Исследование
и выбор оптимальной информационной логистической системы управления производством продукции. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V Международной конференции. Курск, 2024. С. 32-38.
Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Осташов П.И., Благовещенская М.М. цифровизация производства пищевых продуктов. В сборнике: РОГОВСКИЕ
ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 262-270.
Зеленова Е.Н., Каргин В.А., Благовещенский В.Г., Мокрушин С.А., Благовещенский И.Г.
требования к инфромационной системе поставок мясного сырья. В сборнике: Роговские
чтения. Секция "Автоматизация технологических процессов и производств". cборник
докладов научно-практической конференции с международным участием. Курск, 2023.
С. 274-285.
Благовещенский И.Г., Благовещенский В.Г. Нейронные сети в информационно- управляющих системах. Курск. 2025.
Зеленова Е.Н., Кротов И.В., Благовещенский И.Г. Модель системы управления информационным ресурсом пищевого производства на основе СУБД. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным техно-

Автоматизированные системы управления биотехнологическими процессами

177

178 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

логиям, роботизированным системам для отраслей пищевой промышленности. сборник
науч-ных докладов V Международной конференции. Курск, 2024. С. 181-185.
17. Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.
18. Аднодворцев А.М., Благовещенский И.Г., Благовещенский В.Г., Носенко А.С., Веселов
М.В., Нгонганг Р.Д. Создание интеллектуальных систем принятия решений на базе технологии сверточных нейронных сетей. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III
Международной специализированной конференции - выставки. Курск, 2022. С. 25-32.
19. Ребус Н.А., Благовещенский И.Г. Проблемы внедрения интеллектуальных систем на
предприятии. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 271-277.

ходимость в применении алгоритмов искусственного интеллекта и аналитики
данных, основанных на концепции больших данных, для решения этих проблем
и достижения оптимального функционирования сетей.
В настоящей статье рассмотрены пути повышения эффективности сельских электрических сетей с помощью алгоритмов искусственного интеллекта и
аналитики больших данных.

УДК 004.5
Ш.З. Зиниев1, М.В. Дебиев1, В.А. Каргин2
1
Грозненский государственный нефтяной технический университет
им. академика М. Д. Миллионщикова
2
ФГБОУ ВО «Российский биотехнологический университет» (РОСБИОТЕХ)

ИНТЕЛЛЕКТУАЛЬНЫЕ АЛГОРИТМЫ И АНАЛИТИКА
БОЛЬШИХ ДАННЫХ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ
СЕЛЬСКИХ ЭЛЕКТРИЧЕСКИХ СЕТЕЙ
Ш.З. Зиниев, М.В. Дебиев, В.А. Каргин ИНТЕЛЛЕКТУАЛЬНЫЕ АЛГОРИТМЫ И АНАЛИТИКА БОЛЬШИХ ДАННЫХ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ СЕЛЬСКИХ
ЭЛЕКТРИЧЕСКИХ СЕТЕЙ

Аннотация. В статье рассматривается применение алгоритмов искусственного интеллекта и аналитики больших данных для решения проблем и повышения эффективности
функционирования сельских электрических сетей (СЭС). Анализируются их особенности,
обуславливающие необходимость применения нетрадиционных подходов к их мониторингу
и управлению. Обосновывается целесообразность использования данных с датчиков, интеллектуальных счетчиков и метеорологических станций для прогнозирования сбоев, оптимизации режимов работы возобновляемых источников энергии, выявления потерь электроэнергии и улучшения управления распределенной генерацией. Подчеркивается важность разработки стандартов обмена данными, обучения специалистов и государственной поддержки
проектов по внедрению интеллектуальных технологий в сельскую электроэнергетику.
Ключевые слова: сельские электрические сети, большие данные, искусственный аналитика данных, прогнозирование, оптимизация, энергоэффективность, управление сетями,
интеллектуальные счетчики.

Сельские электрические сети (СЭС), в отличие от городских, обладают
рядом уникальных особенностей, которые создают значительные проблемы в
их управлении и оптимизации [1-3]. Традиционные подходы к мониторингу и
управлению электросетями зачастую оказываются неэффективными в условиях
разреженной инфраструктуры, географического расположения и ограниченного
доступа к квалифицированному персоналу. Вследствие этого, существует необ-

Рис.1. Перспективные направления для повышения
эффективности сельских электрических сетей

Электрические сети в условиях сельского хозяйства и АПК часто характеризуются низкой надежностью из-за протяженных линий электропередач,
подверженности атмосферным воздействиям, например, обледенению, и слож-

Автоматизированные системы управления биотехнологическими процессами

179

180 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ностям в быстром устранении аварий. Отсутствие оперативной информации о
состоянии сети приводит к длительным перебоям в электроснабжении [4,5].
На рис.1 представлены перспективные направления для повышения эффективности сельских электрических сетей. Анализ данных с датчиков, установленных на линиях электропередач, трансформаторных подстанциях и у потребителей (например, интеллектуальных счетчиков), позволит выявлять аномалии, прогнозировать потенциальные сбои и оптимизировать процессы технического обслуживания и ремонта. Аналитика здесь может предсказывать возникновение проблем, что позволяет минимизировать время простоя. К примеру,
анализ данных о температуре, влажности, силе ветра и загруженности линий
электропередач может предсказать риск обледенения и принять превентивные
меры.
Вместе с тем, в сельской местности наблюдается тенденция к увеличению
доли возобновляемых источников энергии (ВИЭ), нестабильность генерации
которой создает проблемы для поддержания баланса в сети и требует гибких
инструментов управления. Данные о погоде, прогнозы генерации ВИЭ, профили потребления и состояние сети позволят оптимизировать режимы работы
ВИЭ, координировать их работу с другими источниками энергии и обеспечить
стабильное электроснабжение потребителей.
Возможность прогнозирования генерации ВИЭ с высокой точностью,
способствует заблаговременному принятию мер для компенсации колебаний.
Например, анализ метеорологических и исторических данных генерации солнечных панелей позволяет прогнозировать выработку электроэнергии на следующий день и планировать включение резервных мощностей.
Высокие потери электроэнергии в СЭС являются серьезной проблемой,
обусловленной, в том числе, устаревшим оборудованием, несанкционированным потреблением и др. Анализ данных с интеллектуальных счетчиков (ИС),
датчиков на линиях электропередач и др. позволит выявлять участки сети с повышенными потерями, идентифицировать причины потерь, например, технические или коммерческие, и разработать меры по их снижению. Сопоставление
данных об отпуске электроэнергии в сеть и данных о потреблении позволяет
выявлять участки сети с аномально высокими потерями, что может указывать
на несанкционированное подключение к сети.
Недостаточная информация о профилях потребления электроэнергии у
различных категорий потребителей затрудняет разработку эффективных программ энергосбережения [6-8]. Полученные данные позволят сегментировать
потребителей по профилям потребления, выявлять потенциал для энергосбережения и разрабатывать персонализированные рекомендации.
Оперативное управление СЭС затруднено из-за ограниченности информации о состоянии сети, высокой удаленности объектов и нехватки квалифицированного персонала [9,10]. Интеграция данных из различных источников, например, SCADA-системы, в единую информационную платформу позволит
операторам в режиме реального времени отслеживать состояние сети, оперативно реагировать на аварийные ситуации и принимать обоснованные решения,

а реализация системы поддержки принятия решений, позволит автоматически
предлагать оптимальные решения в различных ситуациях.
В случае аварии на линии электропередач, система, анализирующая данные о состоянии сети, может автоматически предложить оптимальный план переключения нагрузки на другие линии электропередач.
Таким образом, оптимизация процессов технического обслуживания и
ремонта, уменьшение потерь электроэнергии, повышение энергоэффективности
и улучшение управления распределенной генерацией позволяют существенно
снизить операционные затраты и увеличить рентабельность сельских электрических сетей.
Выводы. Применение концепции больших данных и аналитических инструментов в СЭС является перспективным направлением для решения существующих проблем и обеспечения устойчивого развития сельской электроэнергетики. Внедрение алгоритмов искусственного интеллекта позволит повысить надежность, эффективность и рентабельность электрических сетей, а также обеспечить доступное и качественное электроснабжение для сельских потребителей. Необходима разработка стандартов и протоколов обмена данными для
обеспечения совместимости различных систем, обучение квалифицированных
специалистов, способных работать с данными и разрабатывать интеллектуальные решения, а также государственная поддержка проектов по внедрению интеллектуальных технологий в СЭС [11,12].
1.
2.
3.

Список литературы
Схема и программа развития электроэнергетики Чеченской Республики на 2023-2027 годы. – Министерство промышленности и энергетики Чеченской республики, 2022. – 1257
с.
Змеев А.Я., Усанов К.М., Мошкин В.И., Каргин В.А. Проектирование систем электрификации : учебное пособие. – Издательство: БИЦ Курганского государственного университета, Курган, 2016. – 292 с.
Дебиев М.В. Эффекты внедрения автоматизированных электроэнергетических систем на
основе интеллектуальных сетей / М.В. Дебиев, Р.А-М. Магомадов, Т.Ш. Амхаев, Ш.З.
Зиниев // Вестник ГГНТУ. Технические науки. – Грозный: ГГНТУ, Том XVII. №1 (23),
2021. С.15-25.
Амхаев Т.Ш. Модернизация систем электроснабжения предприятий нефтегазодобывающей отрасли в труднодоступных районах / Т.Ш. Амхаев, Ш.З. Зиниев // В сб.: «Современные проблемы геологии, геофизики и геоэкологии Северного Кавказа» 14-16 октября
2020 г., г. Грозный.
Зиниев Ш.З., Каргин В.А. Использование возможностей активно-адаптивных сетей для
управления качеством электроэнергии в сельских электрических сетях // В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник
научных докладов научно-практической конференции с международным участием, посвященной 100-летию со дня рождения Игоря Константиновича Петрова. Курск, 2023. С.
187-192.
Зиниев Ш.З., Кротов И.В., Каргин В.А. Статистические данные климатических, конструктивных параметров и ненормальных режимов работы магистральных электрических
сетей 110 кВ // Свидетельство о регистрации базы данных RU 2024625752, 04.12.2024.
Заявка № 2024625581 от 21.11.2024.

Автоматизированные системы управления биотехнологическими процессами

181

182 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Магомадов Р.А.М., Зиниев Ш.З., Каргин В.А. Перспективы совершенствования методики прогнозирования потребления электрической энергии использованием алгоритмов
искусственного интеллекта // В сборнике: Интеллектуальные автоматизированные
управляющие системы в биотехнологических процессах. сборник докладов всероссийской научно-практической конференции. Москва, 2023. С. 206-208.
8. Зиниев Ш.З., Кротов И.В., Каргин В.А. Статистические данные, климатических, конструктивных параметров и ненормальных режимов работы районных электрических сетей
высокого напряжения // Свидетельство о регистрации базы данных RU 2024626183,
20.12.2024. Заявка № 2024625592 от 21.11.2024.
9. Железнов, М.М. Методы и технологии обработки больших данных [Электронный ресурс] : учебно-методическое пособие / М.М. Железнов. – Москва : Издательство МИСИ
– МГСУ, 2020.
10. Бутаков Н. А., Петров М. В., Насонов Д. Обработка больших данных с Apache Spark–
СПб: Университет ИТМО, 2019. – 50 с.
11. Россети ФСК ЕЭС. Основные положения концепции интеллектуальной

ная, например, сезонностью сельскохозяйственных работ, также создает дополнительные трудности. Усугубляет ситуацию растущее использование возобновляемых источников энергии (ВИЭ), требующее адаптации систем управления для обеспечения стабильности и надежности электроснабжения [6,7].
В то же время, современные СЭС генерируют и собирают большие объемы данных из различных источников: счетчики электроэнергии, датчики на
подстанциях и линиях электропередач, метеорологические станции и т.д. Эти
данные, при правильной обработке и анализе, могут предоставить информацию, в том числе для повышения надежности и эффективности работы сетей,
снижения затрат на обслуживание и эксплуатацию, оптимизации режимов работы оборудования, прогнозирования потребления электроэнергии и предотвращения аварий и перебоев в электроснабжении [8].
В связи с этим, исследование применимости концепции больших данных
в сельских электрических сетях является актуальным и перспективным направлением [9,10]. Несмотря на потенциальные преимущества, внедрение технологий больших данных в СЭС требует решения ряда специфических задач, связанных с архитектурой системы, обработкой данных, обеспечением безопасности и конфиденциальности.
Таким образом, оценка возможности и перспективы применения концепции больших данных для повышения эффективности и надежности сельских
электрических сетей представляется важным.
Большие данные (БД), представляющие собой значительные объемы информации, характеризующиеся высокой скоростью генерации, разнообразием
форматов и потенциальной ценностью, становятся все более актуальными для
СЭС. Они описываются пятью ключевыми характеристиками: объемом, скоростью, разнообразием, достоверностью и ценностью, отражающими масштаб,
скорость поступления, гетерогенность, надежность и пользу, которую можно
извлечь из этих данных [11-12].
Однако, в сельских сетях, БД указывают на данные, которые сложно эффективно анализировать традиционными методами из-за их сложности и разнородности. Их можно классифицировать по различным критериям, включая
источник, формат и временной масштаб (рис.1).
По источникам, данные могут поступать от интеллектуальных приборов
учета, предоставляющих информацию о потреблении электроэнергии и качестве электроснабжения; от датчиков на ЛЭП и подстанциях, контролирующих состояние оборудования и погодные условия; от ВИЭ, фиксирующих производительность и условия работы; из баз данных технического обслуживания и ремонтов, содержащих историю оборудования; в виде геопространственных данных о расположении объектов и инфраструктуры; из опросов населения, отражающих мнение и потребности потребителей электроэнергии; в виде данных о
ценах на электроэнергию и топливо и от SCADA систем [11-12].

энергосистемы с активноадаптивной сетью. – URL: https://www.fskees.ru/upload/docs/ies_aas.pdf.
12. Амхаев Т.Ш. Состояние и перспективы повышения энергоэффективности в России /
Т.Ш. Амхаев, М.В. Дебиев, У.Р. Асхабов, Ш.З. Зиниев // В сб.: Материалы V Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых
«МИЛЛИОНЩИКОВ-2022» с международным участием, г. Грозный, 2022.
УДК 621.313.333:658.562
Ш.З. Зиниев1, В.А. Каргин2, М.В. Дебиев1
1
Грозненский государственный нефтяной технический университет
им. академика М. Д. Миллионщикова
2
ФГБОУ ВО «Российский биотехнологический университет» (РОСБИОТЕХ)

КОНЦЕПЦИЯ БОЛЬШИХ ДАННЫХ И ЕЕ ПРИМЕНИМОСТЬ
В СЕЛЬСКИХ ЭЛЕКТРИЧЕСКИХ СЕТЯХ
Ш.З. Зиниев, В.А. Каргин, М.В. Дебиев КОНЦЕПЦИЯ БОЛЬШИХ ДАННЫХ И ЕЕ ПРИМЕНИМОСТЬ В СЕЛЬСКИХ ЭЛЕКТРИЧЕСКИХ СЕТЯХ

Аннотация. В статье представлен обзор концепции больших данных и рассматривается ее применимость в сельских электрических сетях (СЭС). Описываются основные характеристики больших данных, их классификация и области применения. Анализируются особенности СЭС и их потребность в использовании аналитики больших данных для повышения
эффективности и надежности.
Ключевые слова: большие данные, сельские электрические сети, интеллектуальная
энергетика, классификация больших данных.

Сельские электрические сети (СЭС) играют критически важную роль в
обеспечении социально-экономического развития сельских территорий [1-3].
Высокие удельные затраты на обслуживание и эксплуатацию СЭС обусловлены рядом факторов. Значительная территория, занимаемая большим количеством удаленных объектов, таких как линии электропередач и подстанции,
в сочетании с низкой плотностью потребителей на единицу протяженности сети, приводит к повышенным расходам [4,5]. Кроме того, удаленность, суровые
климатические условия и изношенность оборудования увеличивают вероятность аварий и перебоев в электроснабжении. Волатильность нагрузки, вызван-

Автоматизированные системы управления биотехнологическими процессами

Рис.1. Классификация больших данных в сельских электрических сетях

183

184 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

По формату, данные могут быть структурированными, организованными
в табличном виде, полуструктурированными, содержащими метаданные, или
неструктурированными, представленными текстом, изображениями, аудио и
видео.
По временному масштабу, данные разделяют на реального времени, требующие немедленной обработки, и исторические, накопленными за определенный период [11-12].
Применение аналитики больших данных в сельских электрических сетях
позволяет значительно улучшить их эффективность, надежность и устойчивость. Это включает в себя:
 прогнозирование спроса на электроэнергию для оптимизации производства и распределения;
 оптимизацию управления энергосетью для предотвращения аварий и
снижения потерь;
 эффективную интеграцию возобновляемых источников энергии;
 обнаружение несанкционированного подключения к сети;
 улучшение качества обслуживания клиентов;
 предиктивное обслуживание оборудования для снижения затрат на ремонт;
 планирование развития сети с учетом будущих потребностей и др.
Применимость концепции больших данных в сельских электрических сетях открывает широкие перспективы для оптимизации и повышения эффективности. Мониторинг и анализ с использованием больших данных позволяют
прогнозировать нагрузку на сельскую электросеть, опираясь на исторические
данные о потреблении, погодных условиях, сельскохозяйственных циклах и социально-экономических факторах, что приводит к оптимизации генерации и
распределения электроэнергии, снижению потерь и улучшению планирования
мощности. Кроме того, анализ данных с датчиков и оборудования для обнаружения аномалий и неисправностей позволяет проводить превентивное обслуживание, снижать время простоя и повышать надежность электроснабжения.
Использование БД для повышения эффективности потребления электрической энергии позволяет предоставлять персонализированные рекомендации
по энергосбережению. Это ведет к снижению затрат для потребителей и повышению осведомленности об энергоэффективности. Оптимизация тарифов на
электроэнергию позволяет разрабатывать гибкие тарифы, что приводит к снижению пиковой нагрузки на сеть, стимулированию энергосбережения и повышению устойчивости электроснабжения.
В области управления активами и техническим обслуживанием большие
данные позволяют прогнозировать отказы оборудования, анализируя данные с
датчиков и журналов событий и планируя превентивное обслуживание, что
снижает время простоя, увеличивает срок службы оборудования и уменьшает
затраты на ремонт и замену. Оптимизация планирования ремонтов и технического обслуживания, основанная на данных о состоянии оборудования, прогно-

185

186 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

зе погоды, доступности ресурсов и логистике, позволяет снизить затраты на
ТО, повысить эффективность использования ресурсов и улучшить надежность
электроснабжения.
Важно отметить, что внедрение больших данных в сельские электрические сети сопряжено с проблемами, такими как недостаток инфраструктуры,
ограниченная доступность данных, необходимость разработки специализированных алгоритмов для сельских условий. Для реализации потенциала БД необходимо использовать современные технологии, включая датчики, интеллектуальные счетчики, облачные вычисления, машинное обучение и аналитику
данных.
Таким образом, аналитика больших данных открывает огромные возможности для сельских энергосистем, обеспечивая более устойчивое и эффективное
энергоснабжение сельских территорий, требуя, однако, инвестиций в инфраструктуру и подготовку специалистов для эффективной реализации этих возможностей. Ключевым фактором успеха является определение наиболее важных типов данных для конкретных задач и разработка комплексной стратегии
для их сбора, обработки и анализа.

управляющие системы в биотехнологических процессах. сборник докладов всероссийской научно-практической конференции. Москва, 2023. С. 206-208.
9. Зиниев Ш.З., Кротов И.В., Каргин В.А. Статистические данные климатических, конструктивных параметров и ненормальных режимов работы магистральных электрических
сетей 110 кВ // Свидетельство о регистрации базы данных RU 2024625752, 04.12.2024.
Заявка № 2024625581 от 21.11.2024.
10. Зиниев Ш.З., Кротов И.В., Каргин В.А. Статистические данные, климатических, конструктивных параметров и ненормальных режимов работы районных электрических сетей
высокого напряжения // Свидетельство о регистрации базы данных RU 2024626183,
20.12.2024. Заявка № 2024625592 от 21.11.2024.
11. Железнов, М.М. Методы и технологии обработки больших данных [Электронный ресурс] : учебно-методическое пособие / М.М. Железнов. – Москва : Издательство МИСИ
– МГСУ, 2020.
12. Бутаков Н. А., Петров М. В., Насонов Д. Обработка больших данных с Apache Spark–
СПб: Университет ИТМО, 2019. – 50 с.

Автоматизированные системы управления биотехнологическими процессами

1.
2.

3.
4.
5.

Список литературы
Схема и программа развития электроэнергетики Чеченской Республики на 2023-2027 годы. – Министерство промышленности и энергетики Чеченской республики, 2022. – 1257
с.
Амхаев Т.Ш. Состояние и перспективы повышения энергоэффективности в России /
Т.Ш. Амхаев, М.В. Дебиев, У.Р. Асхабов, Ш.З. Зиниев // В сб.: Материалы V Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых
«МИЛЛИОНЩИКОВ-2022» с международным участием, г. Грозный, 2022.
Россети ФСК ЕЭС. Основные положения концепции интеллектуальной энергосистемы с
активноадаптивной сетью. – URL: https://www.fsk-ees.ru/upload/docs/ies_aas.pdf.
Змеев А.Я., Усанов К.М., Мошкин В.И., Каргин В.А. Проектирование систем электрификации : учебное пособие. – Издательство: БИЦ Курганского государственного университета, Курган, 2016. – 292 с.
Амхаев Т.Ш. Модернизация систем электроснабжения предприятий нефтегазодобывающей отрасли в труднодоступных районах / Т.Ш. Амхаев, Ш.З. Зиниев // В сб.: «Современные проблемы геологии, геофизики и геоэкологии Северного Кавказа» 14-16 октября
2020 г., г. Грозный.
Дебиев М.В. Эффекты внедрения автоматизированных электроэнергетических систем на
основе интеллектуальных сетей / М.В. Дебиев, Р.А-М. Магомадов, Т.Ш. Амхаев, Ш.З.
Зиниев // Вестник ГГНТУ. Технические науки. – Грозный: ГГНТУ, Том XVII. №1 (23),
2021. С.15-25.
Зиниев Ш.З., Каргин В.А. Использование возможностей активно-адаптивных сетей для
управления качеством электроэнергии в сельских электрических сетях // В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник
научных докладов научно-практической конференции с международным участием, посвященной 100-летию со дня рождения Игоря Константиновича Петрова. Курск, 2023. С.
187-192.
Магомадов Р.А.М., Зиниев Ш.З., Каргин В.А. Перспективы совершенствования методики прогнозирования потребления электрической энергии использованием алгоритмов
искусственного интеллекта // В сборнике: Интеллектуальные автоматизированные

УДК 629.7.022
В.В. Иванов, А.Н. Алюнов
Финансовый университет при Правительстве РФ

МОДЕЛИРОВАНИЕ КОРПУСА БЕСПИЛОТНОГО ВОЗДУШНОГО
СУДНА ДЛЯ ВИДЕОСЪЕМКИ
В.В. Иванов, А.Н. Алюнов МОДЕЛИРОВАНИЕ КОРПУСА БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА ДЛЯ ВИДЕОСЪЕМКИ

Аннотация: В статье представлены результаты научно-исследовательских и опытноконструкторских работ (НИОКР), направленных на создание вариантов корпуса беспилотного воздушного судна (БВС) самолетного типа для видеосъемки. Разработанный корпус обеспечивает размещение бортовых систем, защиту от внешних воздействий и улучшение аэродинамических характеристик. Процесс разработки включал 3D-моделирование, анализ и оптимизацию конструкции, а также визуализацию и документирование. Результаты соответствуют техническим требованиям, включая нагрузку на крыло, время полета, крейсерскую и
максимальную скорости, а также совместимость с компонентами БВС.
Ключевые слова: беспилотное воздушное судно, корпус, аэродинамика, моделирование, CAD-система, прочность, эксплуатационные характеристики.

Беспилотные воздушные суда (БВС) нашли широкое применение в различных областях, включая видеосъемку, мониторинг и доставку грузов. Одной
из ключевых задач при создании БВС является разработка корпуса, который
обеспечивает защиту внутренних компонентов, оптимальные аэродинамические характеристики и удобство эксплуатации. В рамках данной работы поставлена задача создания корпуса БВС самолетного типа на основе существующего образца, с учетом требований к размещению электроники, батареи,
двигателей и других компонентов.
Для выполнения поставленной задачи была сформирована инженерная
команда, обладающая опытом 3D-моделирования и авиамоделирования. Процесс разработки включал следующие выбор программного обеспечения, построение 3D-модели, анализ и оптимизацию модели, визуализацию и документирование. Для создания 3D-моделей были использованы CAD-системы. В
рамках НИОКР разработаны варианты корпуса с учетом требований к разме-

187

188 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

щению компонентов и аэродинамике, проведены расчеты нагрузок, аэродинамических характеристик и теплового режима. Созданы габаритные чертежи,
3D-модели и техническая документация.

Конструкция корпуса характеризуется размахом крыла 2,45 м и длиной
фюзеляжа 1,12 м, совместимым с исходным образцом БВС. Функционирование
разработки обеспечено размещением блока электроники, регуляторов оборотов,
батареи 6s2р-6s5p 21 700 мА·ч, системы спуска и четырех двигателей Brother
Hobby Avenger 2812 для вертикального взлета и посадки, а также одного двигателя Brother Hobby Avenger 3220 для горизонтального полета. Конструкцией
предусмотрены окна доступа для обслуживания внутренних компонентов.
В разработке использованы материалы с высокой прочностью, коррозионной стойкостью и термостойкость, при этом корпус БВС обеспечивает защиту от механических, атмосферных воздействий и электромагнитных помех.
Общий вид разработанной модели беспилотного воздушного судна представлен на рисунке 1.
С помощью встроенного в программу Компас 3D модуля FEM прочностной анализ осуществлялся в программе (рисунок 2).
Разработанный корпус БВС удовлетворяет всем техническим и пользовательским требованиям. Использование современных CAD-систем и методов
анализа позволило оптимизировать конструкцию и снизить себестоимость до
100 000 рублей. Корпус обеспечивает высокую надежность, простоту эксплуатации и совместимость с компонентами БВС. Результаты моделирования представлены в таблице 1.

Автоматизированные системы управления биотехнологическими процессами

Рис. 1. Общий вид модели беспилотного воздушного судна

Разработанный корпус имеет обтекаемую форму, что минимизирует сопротивление воздуха, а нагрузка на крыло составляет 66–110 г/дм², что соответствует требованиям технического задания по обеспечению аэродинамических
характеристик.

Табл.1. Характеристики модели корпуса беспилотного воздушного судна для видеосъемки
Наименование
Значение
Размах крыла
2,45 м
Длина фюзеляжа
1,12 м
Время полета
3,5 ч
Крейсерская скорость
60 – 75 км/ч
Максимальная скорость в горизонтальном полёте
170 км/ч
Емкость батареи
700 мА·ч
Нагрузка на крыло
66 – 110 г/дм²
Себестоимость
100 000 руб.

В результате проведенных НИОКР разработан корпус БВС самолетного
типа, который улучшает существующие решения и соответствует всем поставленным требованиям. Разработанная конструкция может быть использована для
видеосъемки и других задач, требующих высокой надежности и эффективности
БВС. При выполнении исследовательских работ были использованы источники
[1–11].
1.
Рис. 2. Прочностной анализ в программе Компас 3D с помощью модуля FEM

Список литературы
ГОСТ Р 59751-2021. Беспилотные авиационные системы с беспилотными воздушными
судами самолетного типа.
Никонов, В.В. КОМПАС-3D: создание моделей и 3D-печать. Учебное пособие / В.В. Никонов.– Издательство: Питер, 2020 .– 208 с.

Автоматизированные системы управления биотехнологическими процессами

189

Брусов, В.С. Аэродинамика и динамика полета малоразмерных беспилотных летательных аппаратов / В.С. Брусов, В.П. Петручик, Н.И. Морозов.– Издательство: Москва:
МАИ.– 2010.– 340 с.
4. Крахмалев, О. Н. Моделирование манипуляционных систем роботов : учебное пособие /
О. Н. Крахмалев. – 2-е изд. – Москва : Ай Пи Ар Медиа, 2024. – 198 c. – ISBN 978-54497-3377-1. – Текст : электронный // Цифровой образовательный ресурс IPR SMART :
[сайт]. – URL: https://www.iprbookshop.ru/141848.html (дата обращения: 29.08.2024).
5. Крахмалев, О. Н. Объектное моделирование в кинематике манипуляционных роботов /
О.Н. Крахмалев // Нейрокомпьютеры: разработка, применение, 2022. – №5. – С. 55–66.
https://doi.org/10.18127/j19998554-202205-06.
6. Каргин, В.А. Интеллектуальная автоматизированная система мониторинга засорения земель борщевиком Сосновского / В.А. Каргин, И.В. Кротов, Н.И. Гданский, С.А. Мокрушин, О.Н. Крахмалев // Научно-технический вестник Поволжья. – 2024. – №10. – С. 114118.
7. Нгонганг Р.Д., Благовещенская М.М., Благовещенский В.Г., Зеленова Е.Н., Зуева Ю.В.
КОБОТЫ: новые технологии для автоматизации технологических процессов производства различной продуктов. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 292-300.
8. Krakhmalev, O.; Korchagin, S.; Pleshakova, E.; Nikitin, P.; Tsibizova, O.; Sycheva, I.; Liang,
K.; Serdechnyy, D.; Gataullin, S.; Krakhmalev, N. Parallel Computational Algorithm for Object-Oriented Modeling of Manipulation Robots. Mathematics, 2021, 9, 2886.
https://doi.org/10.3390/math9222886.
9. Krakhmalev, O.; Krakhmalev, N.; Gataullin, S.; Makarenko, I.; Nikitin, P.; Serdechnyy, D.;
Kang, L.; Korchagin, S. Mathematics Model for 6-DOF Joints Manipulation Robots. Mathematics, 2021, 9, 2828. https://doi.org/10.3390/math9212828.
10. Krakhmalev, O.; Gataullin, S.; Boltachev, E.; Korchagin, S.; Blagoveshchensky, I.; Liang, K.
Robotic Complex for Harvesting Apple Crops. Robotics, 2022, 11, 77.
https://doi.org/10.3390/robotics11040077.
11. Kang Liang, Zhang Xiukai, Oleg Krakhmalev. SLSL-QPSO: Quantum-behaved particle swarm
optimization with short-lived swarm layers. SoftwareX, 2023, 24, 101536,
https://doi.org/10.1016/j.softx.2023.101536.

190 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

УДК 684.442.4
Н.И. Калюта
ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана
(национальный исследовательский университет)»

АВТОМАТИЗИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ
УПАКОВКОЙ СБОРНО-РАЗБОРНОЙ МЕБЕЛИ
С ПРИМЕНЕНИЕМ МАШИННОГО ЗРЕНИЯ
Н.И. Калюта АВТОМАТИЗИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ УПАКОВКОЙ СБОРНО-РАЗБОРНОЙ МЕБЕЛИ С ПРИМЕНЕНИЕМ МАШИННОГО ЗРЕНИЯ

Аннотация. В статье рассматривается разработка и внедрение автоматизированной
системы управления упаковкой сборно-разборной мебели с применением машинного зрения
для выявления дефектов. Основной задачей системы является контроль качества деталей перед упаковкой, что позволяет снизить вероятность отправки бракованной продукции. В качестве инструмента машинного зрения была выбрана нейронная сеть YOLO, способная анализировать изображения в реальном времени и детектировать дефекты, такие как сколы, трещины, царапины и нарушения геометрии.
Ключевые слова: автоматизированная система, упаковка мебели, машинное зрение,
YOLO, контроль качества, выявление дефектов, нейронные сети, машинное зрение, сборноразборная мебель.

Процесс упаковки сборно-разборной мебели является заключительным
этапом производственного цикла, в ходе которого все детали комплекта подготавливаются, маркируются и укладываются в упаковку в соответствии с инструкцией по сборке. Этот процесс требует высокой точности и организации, поскольку от правильной комплектации зависит удобство сборки для конечного
потребителя, а также защита деталей от повреждений при транспортировке [12].
Производство начинается с оформления заказа, после чего данные передаются в систему управления мебельным производством. В этой системе автоматически формируются управляющие программы для различных этапов обработки деталей, включая раскрой плитных материалов, фрезеровку на ЧПУ, нанесение облицовки и финальную упаковку.
На первом этапе выполняется раскрой плит с помощью станков, оснащенных системой автоматического управления. Каждому элементу присваивается уникальная бирка с идентификационным кодом, содержащим информацию
о его характеристиках и назначении. Эти бирки печатаются и приклеиваются на
заготовки, что позволяет системе отслеживать процесс обработки каждой детали [3].
Затем детали направляются на этап нанесения облицовки и формирования
контуров и отверстий. Сканеры считывают информацию с бирки, после чего
станки выполняют необходимые операции в соответствии с управляющей программой.
После завершения механической обработки детали поступают в зону упаковки. Здесь система автоматически формирует комплект, сверяясь с схемой
сборки и схемой упаковки, которая создается в системе управления производством. Благодаря этому каждая упаковка содержит все необходимые элементы,
а оператору не требуется вручную проверять комплектацию [4].
В контексте данной работы предложено внедрение системы машинного
зрения на этапе упаковки, которая будет проверять детали перед их финальным
комплектованием. Такая система позволит выявлять дефекты, такие как сколы,
трещины или повреждения покрытия, до момента упаковки, что предотвратит
отправку бракованных изделий покупателям. Интеграция машинного зрения в
процесс упаковки позволит значительно сократить количество возвратов и повысить общее качество продукции.
Контроль качества мебели перед упаковкой является критически важным
этапом производственного процесса, поскольку именно на этом этапе выявляются дефекты, которые могут привести к возвратам, рекламациям и ухудшению
репутации производителя. В настоящее время применяются различные методы
контроля, которые можно разделить на ручные, полуавтоматические и полностью автоматизированные.
Традиционные методы контроля основаны на визуальном осмотре продукции операторами. Несмотря на простоту, такой подход имеет ряд существенных недостатков. Человеческий фактор приводит к субъективности оценки,

Автоматизированные системы управления биотехнологическими процессами

191

а продолжительная монотонная работа снижает внимательность персонала, что
увеличивает вероятность пропуска дефектов. Кроме того, высокая нагрузка на
операторов и необходимость в большом количестве рабочих мест делают этот
метод менее эффективным с точки зрения производительности и экономической целесообразности.
Полуавтоматические системы контроля частично решают проблему субъективности путем использования измерительных инструментов и датчиков. Например, могут применяться лазерные сканеры для проверки геометрии деталей
или сенсоры для обнаружения механических повреждений. Однако такие системы часто требуют значительного участия операторов и не обеспечивают полной автоматизации процесса.
Современные технологии машинного зрения позволяют существенно повысить эффективность контроля качества перед упаковкой. Машинное зрение
уже успешно применяется в ряде промышленных отраслей, включая автомобилестроение, электронику и пищевую промышленность. В мебельной промышленности такие системы могут использовать алгоритмы глубокого обучения
для анализа изображений в режиме реального времени, выявления дефектов и
принятия решений о браковке или необходимости дополнительной обработки.
Существуют промышленные решения, основанные на применении нейросетевых алгоритмов для анализа поверхностных дефектов, включая YOLO, Faster
R-CNN и U-Net. Эти модели способны обнаруживать различные виды повреждений, такие как царапины, сколы, неровности покрытия и нарушения геометрии. Однако внедрение таких решений в мебельное производство требует адаптации алгоритмов к специфике материалов, текстур и формы продукции.
Разработка автоматизированной системы управления упаковкой сборноразборной мебели с применением машинного зрения для выявления дефектов
включает несколько ключевых этапов: определение архитектуры системы, выбор и настройку оборудования, разработку программного обеспечения и алгоритмов машинного зрения, а также тестирование и оптимизацию модели.
Основой системы является конвейерная линия с установленными камерами высокого разрешения, позволяющими фиксировать изображения мебели перед упаковкой. Камеры размещаются таким образом, чтобы обеспечить полный
охват поверхности изделия и минимизировать возможные слепые зоны. Дополнительно могут использоваться источники регулируемого освещения для
улучшения качества изображения и снижения влияния теней и бликов [5 - 11].
Для обработки изображений и обнаружения дефектов была выбрана нейронная сеть YOLO (You Only Look Once), поскольку она отличается высокой
скоростью работы и точностью детекции. YOLO позволяет в реальном времени
анализировать поступающие изображения, классифицировать выявленные дефекты и передавать соответствующую информацию в систему управления. Алгоритм сети был предварительно обучен на специализированном наборе данных, содержащем изображения мебели с различными типами повреждений,
включая царапины, сколы, трещины и дефекты покрытия. На рисунке 1 представлен результат системы машинного зрения по определению дефектов.

192 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
.

Рис. 1. Результат системы машинного зрения по определению дефектов

Программное обеспечение системы включает несколько модулей. Первый
модуль отвечает за захват и предварительную обработку изображений, включая
коррекцию освещения, шумоподавление и выравнивание контрастности. Второй модуль выполняет детекцию дефектов с использованием обученной модели
YOLO. Третий модуль анализирует результаты и принимает решения: если дефект незначительный, система может рекомендовать исправление (например,
повторное покрытие лаком), а при обнаружении серьезного повреждения мебель направляется на повторный контроль или в зону брака.
Тестирование системы проводилось на цифровой симуляции представленной на рисунке 2, где было проанализировано большое количество изделий.
В ходе испытаний оценивалась точность обнаружения дефектов, скорость обработки данных и надежность работы системы в реальных условиях. Результаты показали, что предложенное решение позволяет значительно повысить эффективность контроля качества, снизить количество ошибок, связанных с человеческим фактором, и минимизировать вероятность упаковки бракованной
продукции.
Для оценки эффективности разработанной автоматизированной системы
контроля качества перед упаковкой были проведены экспериментальные исследования в условиях цифровой симуляции. Основной целью экспериментов было определить точность обнаружения дефектов, скорость обработки изображений и влияние системы машинного зрения на общий технологический процесс
упаковки мебели.
Анализ результатов показал, что точность обнаружения дефектов составила 98,3%, при этом вероятность ложных срабатываний не превышала 1,7%.
Среднее время обработки одного изображения составило 0,04 секунды, что позволяет системе функционировать в режиме реального времени без задержек в
работе конвейера. По сравнению с ручным контролем, использование машинного зрения позволило повысить скорость выявления дефектов в 2,5 раза, а
также исключить влияние человеческого фактора, связанное с усталостью операторов и субъективностью оценки.

Автоматизированные системы управления биотехнологическими процессами

193

194 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
4.

Рис. 2. Цифровая симуляция технологического процесса упаковки
сборной сборно-разборной мебели

Разработанная автоматизированная система управления упаковкой сборно-разборной мебели с применением машинного зрения для выявления дефектов позволяет значительно повысить эффективность контроля качества на завершающем этапе производства. В ходе исследования были рассмотрены существующие методы контроля, проведен анализ их недостатков и обоснована необходимость внедрения машинного зрения для устранения человеческого фактора и повышения точности выявления брака.
ВЫВОД. В качестве основного инструмента детекции дефектов была выбрана нейросетевая модель YOLO, которая продемонстрировала высокую скорость работы и точность в обнаружении таких дефектов, как сколы, трещины,
царапины и нарушения геометрии деталей. Экспериментальные исследования
подтвердили, что система способна функционировать в режиме реального времени, интегрируясь с упаковочной линией без задержек.
Внедрение предложенной системы позволит не только повысить качество
выпускаемой продукции, но и снизить затраты, связанные с возвратами и доработкой брака. Кроме того, цифровизация процесса упаковки в сочетании с технологиями машинного зрения открывает перспективы дальнейшего развития
интеллектуальных производственных систем, включая адаптивный контроль
качества и предиктивную аналитику состояния оборудования.
1.
2.
3.

Список литературы
Бунаков П., Стариков А. Автоматизация проектирования корпусной мебели: основы, инструменты, практика. – Litres, 2022.
Елисеева А. М. Автоматизация проектирования и производства корпусной мебели : дис.
– Сибирский федеральный университет, 2021.
Зарафутдинов Р. Р. Автоматизация как фактор конкурентоспособности предприятий мебельной промышленности //Экономика развития региона: проблемы, поиски, перспективы. – 2009. – №. 10. – С. 513-523.

Гончарук С. И., Григорьев А. В. Анализ функциональных возможностей и перспектив
развития систем автоматизации проектирования и производства мебели //Программная
инженерия: методы и технологии разработки информационно-вычислительных систем
(ПИИВС-2016). – 2016. – С. 110-120.
5. Благовещенский И. Г. Использование системы компьютерного зрения для контроля в
режиме онлайн качества сырья и готовой продукции пищевой промышленности
//Пищевая промышленность. – 2015. – №. 6. – С. 9-13.
6. Благовещенский И.Г., Благовещенский В.Г. Нейронные сети в информационно- управляющих системах. Курск. 2025.
7. Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Благовещенская М.М.,
Шкарлаков С.Е. Алгоритмическое обеспечение нейросетевой системы оптимизации текстуры сложной структуры. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 228-237.
8. Кучумов А.В., Благовещенский И.Г., Благовещенский В.Г., Зуева Ю.В., Лаптев И.К. Использование генетических алгоритмов для решения оптимизационных задач при производстве продукции. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научнопрактической конференции с международным участием. Курск, 2023. С. 245-253.
9. Благовещенский В.Г., Клягин М.М., Серебрянкин В.А. Обучение работников ручной
сборке изделий с использованием интерактивного сопровождения и машинного зрения.
Автоматизация. Современные технологии. 2024. Т. 78. № 4. С. 188-192.
10. Мокрушин С.А., Благовещенский И.Г., Благовещенская М.М., Охапкин С.И., Благовещенский В.Г. Введение алгоритма диагностики аварийных ситуаций в систему автоматизированного управления процессом стерилизации консервов. Хранение и переработка
сельхозсырья. 2024. № 1. С. 108-119.
11. Благовещенский В.Г., Благовещенский И.Г., Головин В.В., Аднодворцев А.М. Интеллектуальная оптимизация производства на основе использования инновационных продуктов
и технологий. В сборнике: Информатизация и автоматизация в пищевой промышленности. Сборник научных докладов Всероссийской научно-технической конференции.
Курск, 2022. С. 140-144.

Автоматизированные системы управления биотехнологическими процессами

195

196 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

УДК 004.93'12
Г.С. Карабанов1, О.Р. Оке1, А.Г. Крахмалев2
1
Российский биотехнологический университет «РОСБИОТЕХ»
2
Российский Государственный Аграрный Университет – МСХА им. К. А. Тимирязева

Важным этапом в использовании роботов для сбора яблоневых культур
является распознавание яблок с определением координат плодов или расстояния до них, что является одной из задач технического зрения.
Использование искусственных нейросетей в качестве метода распознавания плодов для их автоматизированного сбора сталкивается с такой проблемой,
как недостаточная точность распознавания. Однако, согласно исследованиям
[7-10], использование свёрточных нейронных сетей (CNN) для распознавания
объектов решает эти проблемы. В работе [11] была определена тенденция, связывающая развитие CNN с повышением точности распознавания объектов.
Целью данной работы является разработка алгоритма распознавания яблок в реальном времени и оценка расстояния до яблок с использованием CNN.
Чтобы оценить точность работы разработанного алгоритма, по нему будет написано программное обеспечение. Для достижения этих целей выделим следующие задачи:
1. Преобразование изображение в цветовой пространство HSV.
2. Определение структуры CNN и её обучение.
3. Распознавание яблок с использованием обученной CNN.
4. Оценка расстояния до обнаруженных яблок.

РАСПОЗНАВАНИЕ ЯБЛОК С ПОМОЩЬЮ СВЕРТОЧНОЙ
НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ АВТОМАТИЗАЦИИ СБОРА
УРОЖАЯ В САДАХ НА КАРЛИКОВОМ ПОДВОЕ
Г.С. Карабанов, О.Р. Оке, А.Г. Крахмалев РАСПОЗНАВАНИЕ ЯБЛОК С ПОМОЩЬЮ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ АВТОМАТИЗАЦИИ СБОРА УРОЖАЯ В
САДАХ НА КАРЛИКОВОМ ПОДВОЕ

Аннотация. Цель исследования заключается в разработке структуры свёрточной нейронной сети, предназначенной для распознавания яблок на изображении. Актуальность данной задачи связана с необходимостью распознавания плодов для автоматизации процесса
сбора яблоневых культур. Для сокращения вычислений предлагается перевести изображение,
полученное с камеры, из формата RGB в HSV-формат. На примере красного яблока показано
создание битовой маски, позволяющей определить области нужно цвета на изображении.
Была предложена структура и параметры свёрточной нейронной сети. Для вычисления расстояния между обнаруженным объектом и камерой использовался метод, основанный на
предварительном вычислении фокусного расстояния. Для анализа результатов рассмотренной нейросети было написано программное обеспечение на языке Python с использованием
библиотек Tensorflow и Keras. Обучение и тестирование нейросети проводилось на ПК Aspire A315-23 с процессором AMD Athlon Silver 3050U 1.2 ГГц, оперативной памятью 4 Гбайта DDR4 и видеокартой AMD Radeon Graphics 2.30 GHz с операционной системой Windows
11 Pro. Обучение нейросети проводилось в течение 15 эпох и заняло 217 с. Распознавание
объектов обученной нейросетью заняло 1 с. Предложенная модель свёрточной нейросети показала точность распознавания на тестовом наборе изображений в 86%.
Ключевые слова: компьютерное зрение, сверточные нейронные сети, автоматизация
технологических процессов.

ВВЕДЕНИЕ
В настоящее время отрасль сельского хозяйства сталкивается с такими
проблемами, как сокращение числа рабочих мест, рост стоимости сбора урожая
фруктов и дефицит рабочей силы в сезон сбора урожая. В результате чего происходит недобор урожая.
Одним из методов решения данной проблемы является автоматизация
процессов сельского хозяйства, использующих ручной труд.
Согласно исследованиям [1, 2] сельское хозяйство является одной из
наименее роботизированных областей, в то время, как в этой сфере существует
множество операций, в которых роботы могли заменить или облегчить труд человека.
Одна из таких операций – сбор плодовых, в частности, яблоневых культур. Основные плоды, сбор которых можно автоматизировать – яблоки. Исследования по разработке робототехнических комплексов для сбора яблок проводились российскими [3, 14], китайскими [4], а также японскими [5] учёными.
Согласно проведённым исследованиям [3, 6], роботизация сбора плодов может
повысить эффективность сбора.

ПРЕОБРАЗОВАНИЕ ИЗОБРАЖЕНИЯ В HSV-ФОРМАТ
Многие библиотеки, работающие с камерами технического зрения, выдают изображения в формате RGB, однако в RGB-формате цвета могут быть
получены множеством различных вариаций значений цвета в каждом канале.
Следовательно, для распознавания нужно анализировать все три канала.
По сравнению с форматом RGB в HSV легче выделить конкретный цвет,
потому что он будет образовываться не комбинацией значений цвета в трёх каналах, а значением оттенка. Следовательно, вместо анализа трёх каналов можно
сосредоточиться на одном, что повысит скорость вычислений.

Рис. 1. Оригинальное изображение. Рис. 2. Маска для обнаружения красного.

В качестве примера рассмотрим распознавание по цвету красных яблок. В
пространстве HSV красный цвет присутствует как в начале (0-10) так и в конце
(170-180) спектра. Поэтому для определения всех оттенков красного на исходном изображении (см. рис. 1) используются два диапазона.

Автоматизированные системы управления биотехнологическими процессами

197

198 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Для этих двух диапазонов создаются битовые маски, которые складываются вместе для получения маски для обнаружения красного цвета всех оттенков (см. рис. 2). Затем маска применяется к исходному изображению, чтобы остались лишь области красного цвета (см. рис. 3).

ВЫЧИСЛЕНИЕ РАССТОЯНИЯ ДО ОБНАРУЖЕННЫХ ЯБЛОК
Для сбора яблок с использованием робота, кроме непосредственного обнаружения плодов на изображении, также требуется оценить расположение
этих плодов в пространстве, относительно рабочего органа робота. В простейшей интерпретации этого можно добиться, вычислив расстояние от камеры до
яблока.
Прежде, чем вычислять данное расстояние, требуется провести калибровку камеры, чтобы вычислить её фокусное расстояние (1):
𝑓=

Рис. 3. Красные области обнаружены.

СТРУКТУРА СВЁРТОЧНОЙ НЕЙРОННОЙ СЕТИ
Структура CNN похожа на структуру обычных нейронных сетей и представляет собой совокупность нейронов, обучаемых весов и смещений [12-13].
На вход каждого нейрона поступает набор данных, используя функцию активации, выполняется математическая операция, после которой полученное значение передаётся на следующий слой.
Архитектура используемой нейронной сети представлена в таблице 1:

Слой
Входной слой
Свёрточный
слой
Подвыборочный
слой
Свёрточный
слой
Подвыборочный
слой
Свёрточный
слой
Подвыборочный
слой
Полносвязный
слой
Слой
регуляризации
Выходной слой

Табл. 1. Структура нейронной сети.
Размер поРазмер выТип
ля
хода
–
–
128, 128, 3
Фильтры:
126, 126,
3x3
16
32

Веса
–
448

2x2

–

63, 63, 32

–

3x3

Фильтры:
32

61, 61, 64

4640

2x2

–

30, 30, 64

3x3

Фильтры:
64

28, 28, 128

2x2

–

14, 14, 128

–

Нейроны:
32

128

401440

–

128

–

Нейроны: 1

∙

(1)

где himg – размер яблока в пикселях; D – расстояние между камерой и яблоком; hreal – реальный размер яблока.
В данной работе калибровка производилась исходя из того, что средний
размер яблока равен 8 см, расстояние от камеры до яблока при калибровке равно 50 см.
После того, как было вычислено фокусное расстояние камеры, можно
рассчитывать расстояние от камеры до обнаруженных яблок, преобразовав выражение (1) в (2):
∙
𝐷=
.
(2)
РЕЗУЛЬТАТЫ РАСПОЗНАВАНИЯ
По рассмотренным алгоритмам было разработано программное обеспечение на языке Python с использованием библиотек Tensorflow и Keras. Модель
нейронной сети обучалась на ПК Aspire A315-23 с процессором AMD Athlon
Silver 3050U 1.2 ГГц, оперативной памятью 4 Гбайта DDR4 и видеокартой
AMD Radeon Graphics 2.30 GHz с операционной системой Windows 11 Pro. В
качестве камеры использовалась веб-камера ноутбука. Обучение проводилось в
течение 15 эпох (см. рис. 4-5):

18496

Рис. 4. Точность CNN.

Автоматизированные системы управления биотехнологическими процессами

199

Рис. 5. Ошибка CNN.

В обучающей выборке хранится 364 изображений. В тестовой выборке –
211 изображений.
На 15 эпохе обученная модель показала точность предсказания на тестовом наборе около 86% и ошибку 0.28. Обучение нейросети заняло примерно
217 с. Время распознавания яблока обученной нейросетью составило около 1 с.
После распознавания производится расчёт расстояния до яблока согласно
уравнению (2) (см. рис. 6):

200 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Изображение, полученное с веб-камеры ноутбука, преобразовывалось из
формата RGB в HSV-формат. После преобразования в другой цветовой формат
были созданы битовые маски, для определения на изображении участков с цветом, присущим яблокам.
Была предложена структура свёрточной нейронной сети, входного слоя,
свёрточных и подвыборочных слоёв, полносвязного слоя, слоя регуляризации и
выходного слоя. Были приведены параметры каждого слоя.
Для вычисления расстояния от камеры до распознанного объекта использовалось фокусное расстояние камеры, полученное в ходе предварительной калибровки камеры, при известном размере яблока и расстоянии между яблоком
и камерой.
Для анализа результатов предложенной структуры нейросети было разработано программное обеспечение на языке Python с использованием библиотек
Tensorflow и Keras.
Полученная модель обучалась в течение 10 эпох, размер обучающей выборки составлял 364, размер тестовой выборки составлял 211 изображений. Полученная модель свёрточной нейронной сети на тестовой выборке показала
следующие результаты: точность распознавания 86%, ошибка 0.28. Время обучения модели составило 217 с, время обнаружения объектов на обученной модели составило 1 с.
Как можно увидеть из результатов работы разработанной нейросети, её
точность и ошибки на тестовой выборке пока недостаточны для работы в реальном времени. Для решения данной проблемы предлагается совершенствовать структуру нейросети, изменяя количество слоёв, нейронов в каждом слое и
используя различные оптимизаторы. Методология исследований основывалась
на материалах представленных в работах [14–15].
1.
2.
3.
4.

Рис. 6. Результаты распознавания.

Выводы
Сельское хозяйство долгое время является перспективной областью для
автоматизации, однако до сих пор процент роботизации отрасли мал. Одной из
основных операций, где монотонный ручной труд можно заменить работой робота является сбор плодовых, в частности яблоневых, культур.
Важной частью автоматизации операции сбора яблок является распознавание плодов на изображении и оценка расстояния до них. В качестве метода
распознавания объектов была выбрана свёрточная нейронная сеть.

5.
6.
7.
8.

Список литературы
Аналитический обзор мирового рынка робототехники 2019. –Текст : электронный // Лаборатория робототехники Сбербанка. – 2019.
Bechar A. & Vigneault C. Agricultural robots for field operations: Concepts and components //
Biosystems Engineering. – 2016. – Vol. 149. – С. 94-111.
Krakhmalev O., Gataullin S., Boltachev E., Korchagin S., Blagoveshchensky I., Liang K. Robotic Complex for Harvesting // Apple Crops. Robotics. – 2022. – Vol. 11, No. 4. – 77.
Bu L., Hu G., Chen C., Sugirbay A., Chen J. Experimental and simulation analysis of optimum
picking patterns for robotic apple harvesting // Sci. Hortic. – 2020. – Vol. 261, 108937.
Onishi Y., Yoshida T., Kurita H. et al. An automated fruit harvesting robot by using deep learning // Robomech J. – 2019. – Vol. 6. – С. 1-8.
Кузнецова, А. А. Условия эффективности роботизированного сбора урожая плодовых
культур // Известия ВУЗов ЭФиУП. – 2020. – №2 (44). – С. 24-30.
Williams H. A. M., Jones M. H., Nejati M., Seabright M. J. & MacDonald B. A. Robotic kiwifruit harvesting using machine vision, convolutional neural networks, and robotic arms //
Biosystems Engineering. – 2019. – Vol. 181. – C. 140-156.
Liu Z., Wu J., Fu L., Majeed Y., Feng Y., Li R. & Cui Y. Improved kiwifruit detection using
pre-trained VGG16 with RGB and NIR information fusion // IEEE Access. – 2020. – Vol. 8. –
С. 2327-2336.

Автоматизированные системы управления биотехнологическими процессами
9.
10.

11.
12.
13.
14.

15.

201

202 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Mureşan H. & Oltean M. Fruit recognition from images using deep learning // Acta
Universitatis Sapientiae. Informatica. – 2018. – Vol. 10, No. 1. – С. 26-42.
Zhang J., He L., Karkee M., Zhang Q., Zhang X. & Gao Z. (2018). Branch detection for apple
trees trained in fruiting wall architecture using depth features and Regions-Convolutional Neural Network (R-CNN) // Computers and Electronics in Agriculture. – 2018. Vol. 155. – С. 386393.
Кузнецова А. А., Малева Т. В., Соловьев В. И. Применение сверточных нейронных сетей
для обнаружения плодов роботами для сбора урожая // МСХ. – 2020. №5. – С. 39-41.
Saedi S. I.; Khosravi H. A deep neural network approach towards real-time on-branch fruit
recognition for precision horticulture // Expert Syst. Appl. – 2020. – Vol. 159, 113594.
Яблоков А. Е., Потапов С. А. Разработка устройства сортировки яблок по сортам с использованием технологий сверточных нейронных сетей // Изв. СПбГЭТУ «ЛЭТИ». –
2024. – Т. 17, № 6. – С. 4955.
Крахмалев, О. Н. Моделирование манипуляционных систем роботов : учебное пособие /
О. Н. Крахмалев. – 2-е изд. – Москва : Ай Пи Ар Медиа, 2024. – 198 c. – ISBN 978-54497-3377-1. – Текст : электронный // Цифровой образовательный ресурс IPR SMART :
[сайт]. – URL: https://www.iprbookshop.ru/141848.html (дата обращения: 29.08.2024).
Крахмалев, О.Н. Методология построения автоматизированных систем управления манипуляционными роботами на основе математического объектного: диссертация на соискание ученой степени доктора технических наук // Федеральное государственное
бюджетное образовательное учреждение высшего образования «Российский биотехнологический университет (РОСБИОТЕХ). – 2023. – с. 323.

заболеваний и повышению качества жизни. Увеличение внутреннего производства фруктов снижает зависимость от импортных поставок, что особенно важно
в условиях нестабильной мировой экономики и геополитической напряженности. Фрукты также являются важным сырьем для производства соков, джемов,
компотов, сухофруктов и других продуктов питания. Развитие отечественного
садоводства способствует снижению цен на фрукты, делая их более доступными для всех слоев населения, и обеспечивает перерабатывающие предприятия
качественным сырьем.

УДК 004.5
В.А. Каргин , К.А. Абдуллаев , Е.А. Четвериков2
1
ФГБОУ ВО «Российский биотехнологический университет» (РОСБИОТЕХ)
2
ФГБОУ ВО РГАУ-МСХА имени К.А. Тимирязева
1

Рис.1. Валовый сбор яблок, груш и других фруктов по регионам за 2023 год

ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ
УПРАВЛЯЮЩИХ СИСТЕМ ДЛЯ МОНИТОРИНГА
ЯБЛОНЕВЫХ САДОВ

В пределах рассматриваемой территории (рис.1) отмечается широкое
распространение культивирования плодовых растений, включающих яблони,
груши и другие семечковые культуры [1]. Данное явление обусловлено относительной экологической пластичностью указанных видов и их адаптацией к разнообразным агроклиматическим условиям, превалирующим в регионе.

В.А. Каргин, К.А. Абдуллаев, Е.А. Четвериков ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ УПРАВЛЯЮЩИХ СИСТЕМ ДЛЯ МОНИТОРИНГА ЯБЛОНЕВЫХ
САДОВ

Аннотация. В статье рассматривается актуальность повышения эффективности садоводства в России, особенно в контексте увеличения объемов производства яблок и необходимости решения задач, связанных с качеством продукции, оптимизацией затрат и защиты
от вредителей. Предлагается подход к интеллектуальному мониторингу яблоневых садов с
использованием беспилотных летательных аппаратов (БПЛА), оснащенных различными сенсорами и камерами. Особое внимание уделяется перспективам внедрения данной технологии
в Кавказском регионе, учитывая его специфические агроклиматические условия и особенности выращиваемых сортов яблок. Обозначены ключевые направления развития БПЛА для
мониторинга садов, такие как автономная навигация, сбор и обработка данных для точного
земледелия, энергоэффективность и интеграция с платформами управления.
Ключевые слова: беспилотные летательные аппараты, интеллектуальные системы, мониторинг сельскохозяйственных культур, точное земледелие, анализ данных, яблоневые сады.

Фрукты являются важным источником витаминов, минералов, антиоксидантов и клетчатки, необходимых для здорового питания населения. Разнообразие фруктов в рационе способствует укреплению иммунитета, профилактике

Рис.2. Производство, экспорт фруктов и ягод в России

203

204 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

В частности, значительная часть территории РФ обладает климатом,
вполне подходящим для выращивания яблонь. Хотя существуют и зоны с суровыми условиями, селекция позволила вывести сорта, устойчивые к морозам и
перепадам температур. В то же время, в ряде регионов, таких как юг России,
климат особенно благоприятен для интенсивного садоводства (рис.2).

С учетом того, что в 2023 году в промышленном секторе садоводства собрали 1 794,3 тыс. тонн яблок, в 2024 году оно могло выйти на уровень в 1
895,6 тыс. тонн. Однако, ввиду неблагоприятных природно-климатических
факторов (особенно это касается садов Центрального ФО), сборы в 2024 году, как ожидают в Минсельхозе РФ, даже несколько снизятся и составят 1,6
млн тонн.
Как ожидают специалисты, новые проекты, которые должны были обеспечить прирост в 2024 году, реализуют свой потенциал в 2025 году. В 2025 году
дополнительный прирост (новые мощности, выход которых намечен на 2025
год) должен составить 74,4 тыс. тонн. Итого в 2025 году сборы яблок при благоприятных природно-климатических условиях, по прогнозу аналитиков, могут
достичь отметки в 1 970,1 тыс. тонн [3].
В связи с увеличением объемов производства садоводы сталкиваются с
рядом серьезных проблем, которые требуют инновационных решений, в том
числе:
повышение требований к качеству продукции: конкуренция на рынке яблок
повышается, и потребители становятся все более требовательными к качеству
плодов. Необходимо обеспечивать не только высокую урожайность, но и привлекательный внешний вид, хороший вкус, длительный срок хранения и экологическую безопасность продукции;
оптимизация затрат на производство: чтобы оставаться конкурентоспособными
в условиях рыночной экономики садоводам необходимо постоянно снижать себестоимость продукции. Это требует оптимизации всех производственных процессов, от закладки сада до реализации урожая;
нехватка квалифицированной рабочей силы: сельское хозяйство в целом, и
садоводство в частности, испытывает дефицит квалифицированных кадров,
особенно специалистов, которые владеют современными агротехнологиями и
умеющих работать с автоматизированным оборудованием;
защита от вредителей и болезней: в условиях изменения климата и интенсификации производства возрастает риск распространения вредителей и болезней,
которые могут нанести значительный ущерб урожаю. Необходимы эффективные и экологически безопасные методы защиты растений;
необходимость точного земледелия: для оптимизации использования ресурсов
(вода, удобрения, пестициды) и повышения урожайности необходимо применять принципы точного земледелия, основанные на данных о состоянии почвы,
растений и микроклимате;
сокращение потерь при хранении и транспортировке: важно обеспечить сохранность урожая на всех этапах, от сбора до доставки потребителю. Для этого
требуется применять современных технологий хранения и транспортировки.
В контексте решения задач повышения эффективности и оптимизации
производственных процессов, направленных на улучшение качественных характеристик фруктовой продукции, в частности яблок, целесообразно внедрение интеллектуальных технологий [4-7].

Автоматизированные системы управления биотехнологическими процессами



Рис.3. Диаграммы душевое потребления (а) и самообеспеченности рынка страны яблоками

Анализ диаграммы (рис.3,а) свидетельствует об увеличении душевого потребление яблок промышленного выращивания за последние 5 лет с 11,3 кг/чел
до 13,5 кг/чел, при этом самообеспеченность фруктами составила 64,5 % [2].
По данным специалистов представлен прогноз производства яблок в России по годам до 2025 года, он основан на анализе статистики инвестиционных
проектов отрасли садоводства (рис.4).



Рис. 4. Сбор яблок в промышленном секторе садоводства в 1990-2023 гг., о
ценка 2024 и прогноз на 2025

Автоматизированные системы управления биотехнологическими процессами

205

206 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Перспективным здесь представляется, оснащенные камерами и сенсорами, беспилотные летательные аппараты (БПЛА) и роботы, предназначенные
для сбора данных о состоянии плодовых деревьев, выявления заболевания, дефицита питательных веществ, наличия вредителей и других проблем, в том
числе на ранних стадиях. Интеллектуальная система анализирует полученные
данные и позволяет фермеру принимать своевременные решения и прогнозировать урожайность [8,9].
Важным этапом реализации интеллектуальной управляющей системы
(ИУС) является проектирование собственно БПЛА и разработка алгоритма его
управления. Учитывая специфику яблоневых садов на Кавказе (пересеченная
местность, разнообразие сортов, климатические особенности), разработка
БПЛА для их мониторинга должна учитывать следующие перспективные направления:
1. Автономность и навигация в сложных условиях:
 улучшенные алгоритмы навигации. Разработка алгоритмов, способных
обходить препятствия (деревья, линии электропередач), адаптироваться к изменяющимся погодным условиям (ветер, туман), и поддерживать стабильный полет в условиях горного рельефа;
 использование лидаров и камер глубины. Интеграция лидаров и камер
глубины для создания трехмерных карт местности в режиме реального времени, что позволит БПЛА более точно ориентироваться и избегать столкновений;
 разработка системы планирования маршрута с учетом рельефа и
препятствий. Автоматическое планирование оптимальных маршрутов с учетом геометрии сада, расположения деревьев и возможных опасностей.
2. Сбор и обработка данных для точного земледелия:
 мультиспектральные и гиперспектральные камеры. Использование
камер для анализа состояния растительности, выявления болезней, определения
потребности в поливе и удобрениях;
 термальные камеры. Обнаружение зон дефицита влаги, раннее выявление признаков болезней, мониторинг температуры деревьев для предотвращения повреждений от заморозков;
 камеры высокого разрешения. Подсчет количества плодов, оценка их
размера и зрелости, выявление повреждений вредителями [10,11];
 разработка алгоритмов машинного обучения для анализа данных. Автоматическое выявление проблемных зон, классификация болезней, прогнозирование урожайности на основе данных, собранных БПЛА;
 интеграция с метеостанциями и сенсорами почвы. Комбинирование
данных, полученных с БПЛА, с информацией о погоде и состоянии почвы для
более точной оценки потребностей сада.
3. Энергоэффективность и продолжительность полета:
 использование солнечных панелей. Интеграция солнечных панелей на
корпус БПЛА для подзарядки аккумуляторов во время полета;

 автоматическая смена батарей. Разработка систем автоматической
замены батарей для увеличения продолжительности мониторинга.
4. Интеграция с платформами управления и аналитики:
 разработка облачных платформ для управления данными. Создание
централизованных платформ для хранения, обработки и анализа данных, полученных с БПЛА;
 создание мобильных приложений для фермеров. Разработка удобных
мобильных приложений, позволяющих фермерам получать информацию о состоянии сада, принимать решения о поливе, удобрении и защите растений;
 интеграция с системами управления фермерским хозяйством. Обеспечение обмена данными между БПЛА и существующими системами управления
фермерским хозяйством для автоматизации процессов и принятия более эффективных решений.
5. Специфика Кавказского региона:
 адаптация к сложным метеоусловиям. Учет погодных условий Кавказа (сильные ветры, резкие перепады температур, туман) при разработке аппаратного и программного обеспечения БПЛА;
 устойчивость к влажности и коррозии. Использование материалов и
компонентов, устойчивых к высокой влажности и коррозии, характерным для
региона;
 учет культурных особенностей. Обеспечение совместимости с существующими агротехническими приемами и учет специфики сортов яблонь, выращиваемых на Кавказе.
Таким образом, разработка и внедрение БПЛА для мониторинга яблоневых садов, в том числе на Кавказе – это сложная задача, требующая комплексного подхода и сотрудничества между инженерами, агрономами и фермерами.
Применение вышеперечисленных перспективных направлений позволит создать эффективные и экономически выгодные решения, способствующие повышению урожайности и качества яблок в регионе.
1.

Список литературы
Николаева М.А., Лебедева Т.П. Актуальные проблемы импортозамещения на рынке яблок // В сборнике: Актуальные вопросы импортозамещения в России. Материалы Всероссийской научно-практической конференции. ФГБОУ ВО «Российский экономический университет им. Г.В. Плеханова», Пермский институт (филиал). 2016. С. 49-54.
Гятов А.В., Соскиева З.В., Тарчоков Б.Ю., Кажарова К.С. Мировой рынок яблок и перспективы российского рынка яблок в мировом хозяйстве в условиях санкционных ограничений // В сборнике: Реализация приоритетных программ развития АПК. Сборник научных трудов по итогам X Международной научно-практической конференции, посвященная памяти заслуженного деятеля науки РФ и КБР, профессора Бориса Хажмуратовича Жерукова. Нальчик, 2022. С. 230-235.
Молчанова Е.Н., Туркулец Е.А., Кошелева Е.С. Мировые тенденции потребления яблок
// В сборнике: Церевитиновские чтения - 2024. Материалы Х Международной научнопрактической конференции. Москва, 2024. С. 153-156.

Автоматизированные системы управления биотехнологическими процессами

207

208 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Гданский Н.И., Каргин В.А., Яблоков А.Е., Мокрушин С.А., Сохинов Д.Ю. Проблемы
построения систем и алгоритмов управления автономными транспортными средствами //
Научно-технический вестник Поволжья. 2024. № 10. С. 110-113.
5. Сохинов Д.Ю. Применение сверточных нейронных сетей в интеллектуальной системе
сортировки фруктов // В сборнике: Фабрика будущего: переход к передовым цифровым,
интеллектуальным производственным технологиям, роботизированным системам для
отраслей пищевой промышленности. сборник научных докладов V Международной
конференции. Курск, 2024. С. 318-323.
6. Сохинов Д.Ю. Интеллектуальная система сортировки фруктов на базе технического зрения // В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. сборник научных докладов V Международной конференции.
Курск, 2024. С. 313-318.
7. Каргин В.А., Сохинов Д.Ю., Кишко В.В., Каверзин И.В. Разработка и оценка нейронной
сети для оценки качества яблок // В сборнике: Современные проблемы автоматизации
технологических процессов и производств. сборник научных докладов научнопрактической конференции с международным участием, посвященной 100-летию со дня
рождения Игоря Константиновича Петрова. Курск, 2023. С. 205-211.
8. Федосьин Р.Л., Каргин В.А., Назойкин Е.А., Свиридов И.Э. Структура информационной
системы контроля качества мяса в холодильной цепи // В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научно-практической конференции с международным участием, посвященной 100летию со дня рождения Игоря Константиновича Петрова. Курск, 2023. С. 310-314.
9. Четвериков Е.А., Анисимов Р.А. Расчет электрофизических параметров плодов со сложной структурой // В сборнике: Актуальные проблемы энергетики АПК. Материалы IV
Международной научно-практической конференции. Под редакцией А.В. Павлова. 2013.
С. 353-355.
10. Каргин В.А., Сохинов Д.Ю., Кишко В.В., Сыч С.А. Оценка перспектив использования
роботизированных систем для сортировки фруктов // В сборнике: Инновационное техническое обеспечение агропромышленного комплекса. Материалы научно-технической
конференции с международным участием имени А.Ф. Ульянова. Саратов, 2023. С. 308313.
11. Каргин В.А., Сохинов Д.Ю., Кишко В.В., Каверзин И.В. Разработка и оценка нейронной
сети для оценки качества яблок // В сборнике: Современные проблемы автоматизации
технологических процессов и производств. сборник научных докладов научнопрактической конференции с международным участием, посвященной 100-летию со дня
рождения Игоря Константиновича Петрова. Курск, 2023. С. 205-211.

УДК 004.5
В.А. Каргин1, С.А. Мокрушин1, К.М. Усанов2, С.И. Охапкин3
1
ФГБОУ ВО «Российский биотехнологический университет» (РОСБИОТЕХ)
2
ФГБОУ ВО «Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И. Вавилова»
3
ФГБОУ ВО «Вятский государственный университет»

ПРЕДСТАВЛЕНИЕ АЛГОРИТМОВ УПРАВЛЕНИЯ
ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ В ВИДЕ BPMN-ДИАГРАММ
В.А. Каргин, С.А. Мокрушин, К.М. Усанов, С.И. Охапкин ПРЕДСТАВЛЕНИЕ АЛГОРИТМОВ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ В ВИДЕ BPMNДИАГРАММ

Аннотация. В статье рассматривается возможность использования нотации BPMN
(Business Process Model and Notation) для разработки алгоритмов управления технологическими процессами. Подчеркивается значимость эффективного представления алгоритмов для
проектирования, анализа, моделирования и внедрения автоматизированных систем управления. Анализируются ограничения традиционных подходов к формализации алгоритмов
управления, таких как блок-схемы, структурограммы и псевдокод. Обосновывается перспективность применения BPMN, благодаря ее визуальной ясности, стандартизации и поддержке
моделирования сложных сценариев. Приводится пример моделирования алгоритма управления насосной установкой с использованием BPMN. Обсуждаются существующие ограничения BPMN в контексте управления ТП и предлагаются направления для дальнейшего развития, включая расширение нотации, интеграцию с инструментами моделирования динамических систем и разработку специализированных BPMN-ориентированных инструментов.
Ключевые слова: BPMN-диаграммы, Business Process Model and Notation, алгоритмы
управления, технологические процессы, визуализация алгоритмов управления, блок-схемы,
автоматизированные системы управления, нотация, бизнес-процессы.

В контексте современного сельского хозяйства и агропромышленного
комплекса, автоматизированные системы управления технологическими процессами (АСУ ТП) выступают в качестве критически значимого инструмента
для оптимизации производственных циклов, минимизации издержек и обеспечения соответствия качества продукции установленным стандартам [1-4]. Интеграция и результативное применение АСУ ТП, базирующихся на передовых
технологических решениях, потенциально обуславливает существенное повышение эффективности деятельности в рамках всего агропромышленного сектора.
В частности, эффективное представление алгоритмов управления (АУ)
технологическими процессами (ТП) имеет первостепенное значение для разработки, анализа, моделирования, внедрения и оптимизации автоматизированных
систем. На выбор способа формализации алгоритма влияет сложность процесса, требуемый уровень детализации, квалификация персонала и цели, преследуемые при разработке системы управления [5,6].
При этом, в виду возрастающей сложности, динамичности и требованиям
к гибкости технологических процессов применение существующих подходов к
описанию и визуализации АУ представляется затруднительным.
Так, использование метода структурограмм не позволяет представить параллельные процессы и может быть громоздким для сложных алгоритмов, сто
также характерно для таблиц решений, языков моделирования и имитации, на-

Автоматизированные системы управления биотехнологическими процессами

209

210 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

пример, Simulink. Визуализация алгоритмов в виде диаграмм состояний не
применим при описании непрерывных процессов, а отсутствие строгой грамматики псевдокода также ограничивает использования данного метода.
В настоящее время для представления АУ технологическими процессами
и объектами автоматизации широкое распространение получили блок-схемы,
где для обозначений операций, условий и принятия решений используются
стандартизированные символы. Важным преимуществом такого подхода является простота визуализации логики простых и средних по сложности алгоритмов. Однако отсутствие формальной строгости и трудности при автоматической генерации кода ограничивает применение блок-схем при описании сложных и разветвленных алгоритмов. В качестве примера на рис. 1 представлена
блок-схема алгоритма управления насосной установкой для водоснабжения
промышленной теплицы.

язык, предназначенный для моделирования бизнес-процессов и обладающий
значительным потенциалом для применения в разработке алгоритмов управления технологическими процессами [7,8].
В настоящем статье рассматриваются перспективы использования BPMN
в контексте разработки АУ ТП, обсуждаются преимущества, ограничения и
приводится пример, демонстрирующий ее практическую применимость.
BPMN предоставляет унифицированный и интуитивно понятный способ
визуализации логики управления технологическим процессом. Графическое
представление алгоритма, выраженное посредством стандартизированных элементов (задачи, события, шлюзы, потоки управления), значительно облегчает
понимание и коммуникацию между различными участниками процесса разработки – инженерами-технологами, программистами, операторами и менеджерами. Унификация нотации способствует снижению вероятности неоднозначной интерпретации и, следовательно, уменьшает количество ошибок при внедрении алгоритма в реальный технологический процесс.

Рис.2. BPMN-диаграмма алгоритма управления насосной установкой
для водоснабжения промышленной теплицы
Рис.1. Блок-схема алгоритма управления насосной установкой
для водоснабжения промышленной теплицы

Перспективным подходом представляется использование нотаций BPMN
(Business Process Model and Notation) – это стандартизированный графический

Использование нотаций позволяет моделировать случаи, характерные при
автоматическом управлении, включая последовательные процессы, параллельное выполнение задач, ветвления на основе условий, циклы и обработку исключительных ситуаций, что дает возможность имитировать сложные правила

Автоматизированные системы управления биотехнологическими процессами

211

212 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

принятия решений и логику переключения между различными ветвями алгоритма.
BPMN поддерживает моделирование взаимодействия между различными
системами и участниками технологического процесса посредством пулов и дорожек. Пулы представляют собой контейнеры для процессов, выполняемых
распределенными системами, а дорожки – для процессов, обрабатываемых различными узлами/модулями внутри одной системы. Это позволяет моделировать
сложные взаимодействия, например, передачу данных между датчиками, контроллерами и исполнительными механизмами [9,10].
Широкий спектр инструментов моделирования и анализа, поддерживающих BPMN позволяет проводить детальный анализ разработанного алгоритма,
моделировать его поведение в различных условиях, выявлять узкие места и оптимизировать его параметры. Это значительно повышает эффективность системы управления и снижает риск возникновения непредвиденных ситуаций.
BPMN может быть использована для моделирования алгоритма управления робототехническим комплексом, предназначенным для выполнения определенной технологической операции. В этом случае BPMN-диаграмма может
описывать последовательность действий робота, включающих перемещение,
захват, обработку и перемещение деталей. Шлюзы могут быть использованы
для моделирования различных сценариев работы робота в зависимости от типа
детали и текущего состояния оборудования.
На рис. 2 показана BPMN-диаграмма алгоритма управления насосной установкой, блок-схема которого представлена рисунком 1 [11].
Однако использование BPMN-диаграмм при разработке АУ технологическими процессами имеют ряд недостатков. В частности, данный подход изначально разрабатывался для моделирования бизнес-процессов, а не технологических процессов. В связи с этим, некоторые элементы нотации могут быть недостаточно удобны для представления специфических аспектов управления и
автоматизации ТП. При этом, несмотря на визуальную ясность, BPMN может
быть сложной для понимания людьми, не имеющими опыта работы с данной
нотацией. Это может затруднить коммуникацию между различными участниками процесса разработки и потребовать дополнительных усилий по обучению
персонала.
В этой связи важным представляется развитие BPMN для реализации алгоритмов управления и преодоления перечисленных ограничений.
Одним из направлений является расширение нотации BPMN для поддержки особенностей управления ТП, таких как взаимодействие с физическими
устройствами, обработка сигналов реального времени, управление непрерывными процессами и моделирование динамических систем. Это может быть достигнуто путем разработки специальных расширений BPMN, адаптированных
для использования в области автоматизации и управления процессами.
При этом интеграция BPMN с инструментами моделирования динамических систем, например, Simulink, позволит создавать комплексные модели,

объединяющие логику управления, представленную в BPMN, и динамическое
поведение технологического процесса, представленное в другой нотации.
Перспективным направлением является разработка специализированных
BPMN-ориентированных инструментов, что может значительно упростить и
ускорить процесс разработки и внедрения алгоритмов управления. Эти инструменты должны обеспечивать поддержку специфических элементов автоматизированных систем, таких как датчики, контроллеры, исполнительные механизмы
и протоколы обмена данными.
Разработка методик и рекомендаций по применению BPMN позволит
унифицировать процесс разработки алгоритмов управления и обеспечить их
высокое качество и надежность. Эти методики должны предоставлять конкретные рекомендации по использованию BPMN для решения различных задач
управления.
Таким образом, нотация BPMN представляет собой перспективный инструмент для разработки алгоритмов управления технологическими процессами,
обладающий рядом значительных преимуществ, включая визуальную ясность,
стандартизацию, поддержку моделирования сложных сценариев и возможность
генерации исполняемого кода. Несмотря на некоторые ограничения, связанные
с ориентацией на бизнес-процессы и сложностью для неспециалистов, BPMN
может быть эффективно использована для решения широкого круга задач
управления в различных отраслях промышленности. Дальнейшее развитие
BPMN для разработки и визуализации АУ, включая расширение нотации, интеграцию с инструментами моделирования динамических систем и разработку
специализированных BPMN-ориентированных инструментов, позволит значительно повысить эффективность и надежность систем управления технологическими процессами и обеспечит их соответствие современным требованиям.
1.
2.
3.

Список литературы
Усанов К.М., Каргин В.А., Мокрушин С.А., Стрельников В.А. Микропроцессорная автоматизированная система управления процессами водоподготовки // Электротехнологии и электрооборудование в АПК. 2022. Т. 69. № 3 (48). С. 76-81.
Каргин В.А., Сохинов Д.Ю., Усанов К.М., Мокрушин С.А., Кротов И.В. Интеллектуальная автоматизированная система управления сортировкой фруктов // Электротехнологии
и электрооборудование в АПК. 2024. Т. 71. № 2 (55). С. 100-106.
Каргин В.А., Щербаков А.В. Перспективы внедрения систем компьютерного зрения для
оценки качества нанесения маркировки // В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научнопрактической конференции с международным участием, посвященной 100-летию со дня
рождения Игоря Константиновича Петрова. Курск, 2023. С. 212-216.
Каргин В.А., Сохинов Д.Ю., Кишко В.В., Сыч С.А. Оценка перспектив использования
роботизированных систем для сортировки фруктов // В сборнике: Инновационное техническое обеспечение агропромышленного комплекса. Материалы научно-технической
конференции с международным участием имени А.Ф. Ульянова. Саратов, 2023. С. 308313.
Мокрушин С.А., Каргин В.А., Соловьев Д.А., Усанов К.М. Моделирование программного управления насосной установкой в промышленной теплице // Аграрный научный
журнал. 2025. № 1. С. 105-111.

Автоматизированные системы управления биотехнологическими процессами

213

214 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Каргин В.А., Усанов К.М., Стрельников В.А., Борисевский А.М. Программируемая система управления процессами в блочной теплице // Электротехнологии и электрооборудование в АПК. 2022. Т. 69. № 3 (48). С. 69-75.
7. Баданина Н.Д., Судаков В.А., Яшин Н.А. Программный комплекс визуализации и моделирования на основе BPMN нотации // Научная визуализация. 2022. Т. 14. № 3. С. 13-28.
8. Рогозов Ю.И., Скороход Д.С., Скороход С.В., Кучеров С.А. Анализ возможности применения механизмов как промежуточной нотации при переходе к BPMN // Инженерный
вестник Дона. 2023. № 10 (106). С. 283-296.
9. Jordan D., Evdemon J. Business Process Model and Notation (BPMN) Version 2.0 // Object
Management Group, 2011. – 538 p.
10. Wasilewski A. Business process management suite (BPMS) market changes 2009 – 2015 // Information Systems in Management. – 2016. – Vol. 5. – P. 585–592.
11. Каргин В.А., Мокрушин С.А., Соловьев Д.А., Стрельников В.А. Методика представления алгоритмов управления насосной установкой в теплице в виде нотации BPMN / В. А.
Каргин [и др.] // Аграрный научный журнал. 2024. № 11. С. 134–141.

ных методов необходимо учитывать ограничения на области их применения и
точность работы в различных условиях.
Рассмотрим разработку программно-аппаратной системы для ориентации
транспортной тележки в цеховом пространстве, а также алгоритмическое обеспечение её функционирования.

2. Программно-аппаратная система для транспортной тележки в цеховом
пространстве
Для решения задачи определения пространственного местоположения
транспортной тележки в замкнутом пространстве цеха была разработана программно-аппаратная система, (рис. 1) состоящая из блоков инерциальной, визуальной и колесной одометрии и алгоритмов комплексирования навигационной
информации. Составные части данной системы рассмотрены ниже.

УДК 681.515
А.В. Карпов
Московский политехнический университет

ВНУТРИЦЕХОВАЯ СИСТЕМА ОРИЕНТАЦИИ
ТРАНСПОРТНОЙ ТЕЛЕЖКИ
А.В. Карпов ВНУТРИЦЕХОВАЯ СИСТЕМА ОРИЕНТАЦИИ ТРАНСПОРТНОЙ ТЕЛЕЖКИ

Аннотация. В статье рассмотрено решение задачи повышения автономности и точности ориентации и законов управления движением транспортной тележки во внутрицеховом
пространстве. Вначале дана программно-аппаратная структура системы. Затем рассмотрено
алгоритмическое обеспечение её работы.
Ключевые слова: транспортная тележка, внутрицеховое пространство, программноаппаратная структура, алгоритм

1. Введение
Задача повышения автономности и точности реализации законов управления движением транспортной тележки, тесно связана с оценкой (точностью
определения) ее текущего местоположения. Решение задачи повышения автономности и точности реализации законов управления движением транспортной
тележки, невозможно без оценки (связано с точностью определения) ее текущего местоположения.
Различные системы и технологии позиционирования имеют свои сильные
и слабые стороны. Современные решения определения текущего местоположения основаны на комплексировании данных от нескольких навигационных систем. При разумном объединении данных от различных видов одометрии и радионавигационных методов обеспечивается существенное повышение точности
позиционирования, гладкость траектории перемещения, уменьшение задержек.
Синергетический эффект от такого комплексирования основан на том, что погрешности и недостатки одних датчиков (методов) компенсируются с использованием информации от других. При одновременном использовании различ-

Рис. 1. Архитектура программно-аппаратной системы

Блок инерциальной одометрии предназначен для оценки ориентации
транспортной тележки и ее линейного перемещения. Ориентация может быть
представлена через кватернионы, матрицы вращения или углы Эйлера. При
этом выбор представления не оказывает влияния на точность оценки ориентации.
В аппаратной части блока инерциальной одометрии использован 9-осевой
модуль MARG (Magnetic, Angular Rate and Gravity) GY-85 (рис. 2), содержащий
3-осевой акселерометр ADXL345 [1], 3-х осевой гироскоп ITG3205 [2], 3-осевой
магнитометр HMC5883L [3]

Автоматизированные системы управления биотехнологическими процессами

215

Рис.2. Модуль GY-85

216 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

метра текущее положение принимается горизонтальным, текущее ускорение –
за ускорение свободного падения, а для гироскопа текущая угловая скорость
принимается за нулевую.
Сигналы датчиков модуля, не прошедшие предварительную обработку,
содержат шумы, ошибки измерения из-за дрейфа нуля по времени и температуре. Это создает серьезные проблемы для вычисления точного местоположения
транспортной тележки, даже если она находится в покое. В связи с этим сигналы с датчиков подвергаются фильтрации, в результате которой происходит
корректировка и комплексирование показаний всех датчиков модуля для вычисления ориентации транспортной тележки.
Низкочастотная фильтрация (рис. 4) показаний акселерометра и магнитометра позволяет убрать высокочастотный шум, но увеличивает время отклика
на изменение ориентации транспортной тележки в пространстве. Для компенсации этой инертности, дрейфа нуля и ошибок численного интегрирования показаний гироскопа используются комплементарные фильтры.

Технические характеристики модуля GY-85:
Измерения ускорений акселерометром (10-бит): ± 2g, ± 4g, ± 8g, ± 16g;
Измерения угловых скоростей гироскопом (16-бит): ± 250g/с, ± 500g/с,
± 1000g/с, ± 2000g/с;
Измерения магнитной индукции магнитометром (12-бит): ± 8 10-4 Тл;
Интерфейс связи: I2C (рис. 3).
Рис. 4. Фильтрация и комплексирования данных модуля GY-85

Рис. 3. Подключение модуля GY-85 по интерфейсу I2C

Преимуществом данного модуля является то, что он не требует выполнения предварительной компенсации смещения данных датчиков модуля (калибровки). Функция самотестирования выполняется аппаратно при подаче питания
на модуль, и приводит к калибровке акселерометра и гироскопа. Для акселеро-

Второй частью задачи определения текущего местоположения транспортной тележки является вычисление ее линейного перемещения по осям координат. Линейное перемещение можно определить с помощью двойного численного интегрирования по времени показаний акселерометра. Однако в таком
случае ошибка из-за дрейфа нуля акселерометра будет накапливаться, как и в
случае с интегрированием показаний гироскопа. Оценить накопление ошибки
при прямолинейном движении невозможно, т.к. эффект от дрейфа нуля акселерометра неотличим от эффекта при наклоне транспортной тележки или от перекоса установки модуля GY-85 на ней.
Для решения этой проблемы используется комплексирование показаний
акселерометра с результатами работы блока визуальной одометрии, который
позволяет оценить перемещение транспортной тележки на основе анализа видеопотока, получаемого с установленной камеры.
Вообще, инерциальный и визуальный методы определения местоположения транспортной тележки обладают взаимодополняющими свойствами. Данные блока инерциальной одометрии имеют высокую частоту обновления, однако они подвержены ошибкам дрейфа нуля. Методы визуальной одометрии,
обычно, обеспечивают точное определение местоположения объекта. Однако
если транспортная тележка делает резкий маневр, точность определения место-

Автоматизированные системы управления биотехнологическими процессами

217

218 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

положения часто теряется из-за отсутствия совпадающих характерных точек на
кадрах, вызванного невысокой частотой обновления изображения. Совместное
использование методов инерциального и визуального позиционирования обеспечит требуемую точность и надежность определения местоположения транспортной тележки.
В аппаратной части блока монокулярной визуальной одометрии использована камера HP Wide Vision HD Camera, обладающая следующими техническими характеристиками [4]:
Частота кадров: 30 кадров/с;
Тип потока: видео;
Режим изображения: цвет RGB;
Количество мегапикселей: 0.92 Мпиксел;
Разрешение камеры: 1280×720;
Видеостандарт: HD;
Соотношение сторон: 1.78;
Размер файла PNG: 1012.92 Кбайт;
Размер файла JPEG: 564.14 Кбайт;
Битрейт: 16.53 Мбайт/с;
Количество цветов: 39903;
Средний цвет RGB:
Светлота: 40.59%;
Светимость: 41.43%;
Яркость: 40.92%;
Тон цвета: 60°;
Насыщенность: 2.42%.
Оптическая система HP Truevision HD, как и всех камер общего назначения, не является ортоскопической. Свет из окружающей среды фокусируется на
плоскости изображения камеры и захватывается светочувствительным датчиком. Таким образом, происходит проективное преобразование координат трехмерного евклидова пространства предметов в двумерные координаты изображения. При этом каждая точка на плоскости изображения соответствует лучу
света от исходной трехмерной сцены. Кривизна линз оптической системы камеры, непараллельность плоскостей расположения объектива и поверхности
светочувствительного датчика вызывают нелинейные оптические искажения на
плоскости изображения.
Радиальная дисторсия обусловлена тем, что коэффициент линейного увеличения линзы изменяется по мере удаления отображаемых предметов от ее
параксиальной области. Это приводит к смещению точки на плоскости изображения камеры в сторону к оптической оси (или от нее) относительно необходимого положения. Тангенциальная дисторсия приводит к проекционным искажениям отображаемых предметов на плоскости изображения камеры.
Дисторсия приводит к аберрации геометрических форм и соотношений
размеров образов элементов сцены на плоскости изображения камеры. В результате решение задачи определения местоположения транспортной тележки с

помощью визуальной монокулярной одометрии приводит к грубым ошибкам.
Это требует применения специальных технических приемов и методов (калибровка), позволяющих восстановить форму и взаимное расположение предметов,
зная внутренние параметры камеры и модели дисторсии изображения.
При запуске программно-аппаратной системы, блок монокулярной визуальной одометрии производит инициализацию и геометрическую калибровку
камеры.
Внутренние параметры камеры задаются в виде матрицы IntrinsicMatrix,
содержащей четыре (пять) значимых параметров:
f x s  c x
IntrinsicMatrix  0 f y c y

1 ,
где fx, fy – фокусное расстояние в пикселях по осям x и y, если:
fx = F / px; fy = F / py; F – фокусное расстояние в мм, px, py – размеры пикселя в
мм по осям x и y; cx, cy – координаты оптического центра в пикселях по осям x и
y (точки пересечения плоскости изображения камеры с оптической осью линзы);
s – коэффициент наклона пикселя (перекос), s = fx tan α, а α – угол наклона пикселя (рис. 5) – необязательный параметр.

Рис. 5. Перекос пикселя

Параметры модели дисторсии задаются в виде вектора DistortionCoeffs:
DistortionCoeffs  k1 , k 2 , p1 , p2 , k3 ,
радиальной
дисторсии
объектива;
где k1, k2, k3 – коэффициенты
p1, p2 – коэффициенты тангенциальной дисторсии оптической системы камеры.
Искаженные радиальной дисторсией (xrDis; уrDis) и неискаженные нормализованные (x; y) координаты точки изображения связаны следующими соотношениями:
xrDis = x[1 + k1(x2 + y2) + k2(x4 + y4) + k3(x6 + y6)],
уrDis = y[1 + k1(x2 + y2) + k2(x4 + y4) + k3(x6 + y6)].

Автоматизированные системы управления биотехнологическими процессами

219

220 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Искаженные тангенциальной дисторсией (xtDis; уtDis) и неискаженные нормализованные (x; y) координаты точки изображения связаны следующими соотношениями:
xtDis = x + [2p1xy + p2(3x2 + y2)],
уtDis = y + [p1(x2 + 3y2) + 2p2xy].
Поле плотного оптического потока итеративно рассчитывается для всех
точек изображения, что вычислительно неэффективно и избыточно. На практике для сокращения вычислений ограничивают подмножество точек, для которых оценивается поле оптического потока (разреженный поток). Для получения
подмножества точек изображения (features detection), окрестность которых
можно устойчиво отличать от окрестности всех других, применяется детектор
углов Харриса (Harris corner detector). Данный алгоритм пытается найти точки
изображения, в окрестностях которых перепады интенсивности яркости больше
определенного порога. Если в двух направлениях от данной точки резко меняется интенсивность яркости, то эта точка будет использована при вычислении
поля разреженного (sparse) оптического потока.
Основными достоинствами данного детектора являются инвариантность к
повороту и частичная инвариантность к изменениям яркости, малое количество
ошибок обнаружения углов разной величины и достаточно высокая скорость
работы.

не будет достигнут уровень основания пирамиды – исходное изображение. Оптический поток и матрица аффинного преобразования, рассчитанная этим
уровнем, являются конечным результатом работы алгоритма.
Некоторые точки из подмножества отслеживаемых точек изображения
принадлежат независимо движущимся (например, люди, транспортные средства), изменяющим форму (например, люди), низкоконтрастным, светоотражающим (отражающая способность которых может изменяться из-за изменений углов) объектам, и объектам, исчезающим из поля наблюдения. Поле оптического
потока, рассчитанное для динамических элементов окружающей среды, может
существенно расходиться с полем оптического потока, вызванным собственно
движением транспортной тележки. Все это может привести к неправильной
оценке поля оптического потока, и тем самым, к ошибке в определении местоположения транспортной тележки.
Для обнаружения потенциальных выбросов значений (outliers) поля оптического потока, их отбрасывание и удаление связанных с ними точек отслеживания, использован 8-точечный итеративный алгоритм оценки (с определенной
вероятностью) параметров математической модели на основе многократного
выбора случайных подмножеств исходных данных, которые содержат существенное количество выбросов – RANSAC (RANdom SAmple Consensus).[6]
Результатом работы этого недетерминированного алгоритма являются
параметры модели (гипотеза), и отслеживаемые точки, удовлетворяющие модели, помеченные как (inliers), и неудовлетворяющие – как выбросы.
Существует два основных подхода к решению задачи комплексирования
данных инерциальной и визуальной одометрии: методы нелинейной оптимизации и методы рекурсивной фильтрации.
Метод нелинейной оптимизации минимизирует погрешность, возникающую при интегрировании данных инерциальных датчиков (гироскопа и акселерометра), и погрешности перепроецирования изображений. Он позволяет отследить положение камеры и положения ориентиров за счет минимизации
ошибки проекции между двумя смежными кадрами [396]. Инерциальные измерения включают для создания временных ограничений не только между последовательными положениями, но также и между последовательными оценками
скорости и смещения инерциальных датчиков (акселерометров и гироскопов), с
помощью которых расширяется размерность вектора состояния объекта. Задача
визуально-инерциального позиционирования формулируется как оптимизация
функции стоимости J(x), содержащей как ошибки перепроецирования визуальной одометрии, так и составляющую временной ошибки от инерциальных датчиков, где x – текущее состояние объекта. Результаты проведенных исследований, показывают, что при использовании данного метода погрешность определения местоположения составляет менее 0,3 %. Методы оптимизации обычно
обеспечивают более высокую точность позиционирования, однако необходимость в нескольких итерациях приводит к более высоким вычислительным затратам.

3. Применяемые расчетные алгоритмы
Вычисление поля оптического потока осуществляется итеративным алгоритмом Лукаса-Канаде. [5] Для корректной работы алгоритма требуется постоянство яркости и малое когерентное смещение отслеживаемых точек. Данные
условия выполняются при малой скорости движения объекта и/или достаточно
высокой частоте обработки изображений. При высокой скорости движения
объекта, алгоритм классического метода Лукаса-Канаде может допускать
большие ошибки, т. к. в этом случае происходят значительные смещения отслеживаемых точек на последовательно следующих изображениях. Отслеживаемая точка может переместиться за пределы небольшого локального окна, в
результате чего невозможно будет осуществить поиск и вычисление поля оптического потока.
Для устранения данного недостатка была использована пирамидальная
реализация алгоритма Лукаса-Канаде, позволяющая обнаружить большие перемещения (в случае высокой скорости объекта) в пределах локального окна.
Применение сглаживания при построении гауссовской пирамиды изображений
для каждого кадра позволяет также заметно повысить помехоустойчивость алгоритма.
Для изображения самого высокого уровня (с низкой детализацией) рассчитываются оптический поток и матрица аффинного преобразования. Результат вычисления передается следующему уровню пирамиды в качестве начального значения, и вычисляется оптический поток и матрица аффинных изменений этого уровня, основываясь на этом начальном значении. И так далее, пока

Автоматизированные системы управления биотехнологическими процессами

221

222 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Второй метод использует данные инерциальных датчиков для распространения состояния, а обновления основаны на данных визуальной одометрии.
Для поддержания скользящего окна положений камеры в векторе состояния
применяются алгоритмы рекурсивной фильтрации и используются наблюдения
за характерными признаками для применения вероятностных ограничений между этими положениями. По результатам исследований, погрешность определения местоположения составляет 0,31%.

УДК 004.3
А.Р. Мащицкий, С.А. Рылов
Российский Технологический университет (МИРЭА)

ДАТЧИКИ ТЕМПЕРАТУРЫ ПРОМЫШЛЕННОГО
ИНТЕРНЕТА ВЕЩЕЙ
А.Р. Мащицкий, С.А. Рылов ДАТЧИКИ ТЕМПЕРАТУРЫ ПРОМЫШЛЕННОГО ИНТЕРНЕТА ВЕЩЕЙ

Аннотация. В статье исследуются современные подходы к применению интеллектуальных датчиков температуры в промышленном интернете вещей (IIoT). Рассмотрены технические особенности, архитектурные решения, преимущества и вызовы внедрения таких
датчиков. Особое внимание уделено интеграции с облачными платформами, энергоэффективным протоколам связи и вопросам кибербезопасности. Приведены примеры успешного
использования IIoT датчиков температуры в различных отраслях промышленности.
Ключевые слова: IIoT, датчики температуры, Industry 4.0, цифровая трансформация,
MQTT, LoRaWAN, кибербезопасность.

Заключение
Рассмотрена задача повышения автономности и точности реализации законов управления движением транспортной тележки, связанная с оценкой ее
текущего местоположения.
Дано обоснование общей структуры программно-аппаратная система для
обеспечения ориентации транспортной тележки в цеховом пространстве. Рассмотрена программно-аппаратная система, состоящая из блоков инерциальной,
визуальной и колесной одометрии и алгоритмов комплексирования навигационной информации. Приведена схема низкочастотной фильтрации показаний
акселерометра и магнитометра, позволяющая убрать высокочастотные шумы.
Для определения текущего местоположения транспортной тележки используется комплексирование показаний акселерометра с результатами работы
блока визуальной одометрии, позволяющий оценить перемещение транспортной тележки на основе анализа видеопотока, получаемого с установленной камеры.
Во второй части статьи дано описание применяемых расчетных алгоритмов.
Список литературы
https://www.analog.com/
https://www.invensense.com/
https://aerospace.honeywell.com/us/en/learn/
https://nout.uz/attribute-name/veb-kamera/hp-wide-vision-hd-camera
B. D. Lucas and T. Kanade (1981), An iterative image registration technique with an application
to stereo vision. Архивная копия от 17 января 2009 на Wayback Machine Proceedings of Imaging Understanding Workshop, pages 121--130
6. Cantzler, H. "Random Sample Consensus (RANSAC)". Institute for Perception, Action and Behaviour, Division of Informatics, University of Edinburgh. CiteSeerX 10.1.1.106.3035.

1.
2.
3.
4.
5.








Промышленный интернет вещей (IIoT) стал катализатором цифровой
трансформации производственных процессов. Одним из ключевых элементов
этой трансформации являются интеллектуальные датчики температуры, которые не только фиксируют параметры среды, но и обеспечивают их анализ, передачу и интеграцию в системы управления. В отличие от традиционных аналоговых решений, IIoT датчики температуры обладают встроенной логикой,
поддержкой сетевых протоколов и возможностью работы в экстремальных условиях.
Технические особенности IIoT датчиков температуры
Цифровая обработка сигналов
Современные датчики температуры используют цифровые интерфейсы
(например, I²C, SPI) и микроконтроллеры для обработки данных непосредственно на устройстве. Это снижает влияние шумов и повышает точность до
±0.1°C (в сравнении с ±0.5°C у аналоговых аналогов) [1].
Энергоэффективные протоколы связи
Для передачи данных применяются технологии с низким энергопотреблением:
LoRaWAN — обеспечивает дальность связи до 15 км в сельской местности [2].
NB-IoT — подходит для работы в условиях плотной городской застройки [3].
10BASE-T1L — позволяет использовать двухпроводной Ethernet для промышленных сетей [4].
Интеграция с облачными платформами
Датчики передают данные в облачные системы (AWS IoT, Microsoft
Azure) через протоколы MQTT или HTTP. Это позволяет реализовать:
Прогнозирующую аналитику (например, обнаружение перегрева оборудования).
Удаленный мониторинг через мобильные приложения.

Автоматизированные системы управления биотехнологическими процессами

223

Рис.1. Схема интеграции с облачным сервисом








Архитектура системы на базе IIoT датчиков температуры
Система включает три уровня:
1. Уровень устройств (Edge Layer):
Датчики температуры с поддержкой OPC UA.
Шлюзы для агрегации данных (Raspberry Pi, промышленные (ПЛК).
2. Промежуточный уровень (Fog Layer):
Локальные серверы для предварительной обработки данных.
Реализация алгоритмов машинного обучения для аномалий.
3. Облачный уровень (Cloud Layer):
Хранение исторических данных в распределенных базах (InfluxDB,
TimescaleDB).
Визуализация через Grafana или Power BI.

Преимущества и вызовы внедрения








Преимущества:
Снижение затрат на обслуживание: Автоматизация диагностики сокращает
простои оборудования на 30% [5].
Масштабируемость: Возможность добавления тысяч датчиков в единую сеть.
Энергоэффективность: Режим "глубокого сна" снижает потребление до 1 мкА
[6].
Вызовы:
Кибербезопасность: Уязвимости в протоколах MQTT могут привести к утечке
данных [7].
Совместимость: Интеграция с устаревшими системами (Modbus, Profibus)
требует дополнительных шлюзов.
Требования к инфраструктуре: Развертывание сетей LoRaWAN требует установки базовых станций.
Примеры применения
1. Химическая промышленность
На заводе «ХимПром» внедрены IIoT датчики температуры для контроля
экзотермических реакций. Данные передаются через шлюзы Siemens SIMATIC
IOT2000 в облако, где алгоритмы предсказывают критические состояния. Результат: сокращение аварий на 45% [8].
2. Энергетика

224 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

В ветропарках используются беспроводные датчики температуры для мониторинга подшипников турбин. Данные анализируются в реальном времени,
что позволяет планировать ТО до выхода оборудования из строя [9].
Заключение. IIoT датчики температуры — это не просто инструмент измерения, а ключевой элемент цифровой экосистемы предприятия. Их внедрение позволяет перейти от реактивного к предиктивному управлению процессами, минимизировать риски и оптимизировать ресурсы. Однако успешная реализация требует учета вопросов безопасности, совместимости и инфраструктурных ограничений.
1.
2.
3.
4.
5.
6.
7.
8.
9.

Список литературы
Smith, J. Digital Temperature Sensors in Industrial Applications. IEEE Sensors Journal, 2022.
Mekki, K. LoRaWAN for Industrial IoT: A Case Study. Springer, 2023.
3GPP. NB-IoT Technical Specification. Release 17, 2023.
IEEE 802.3cg-2019. Standard for Ethernet over 2-Wire Balanced Cables.
McKinsey & Company. IIoT Impact on Manufacturing Efficiency. 2024.
Texas Instruments. Low-Power Design for Wireless Sensors. White Paper, 2023.
Kaspersky Lab. MQTT Security: Threats and Mitigation. Report, 2024.
Case Study: Digital Transformation at "HimProm". Industrial IoT Magazine, 2023.
Vestas. Predictive Maintenance in Wind Turbines. Technical Report, 2024.

УДК 004.41
Н.С. Мешков
Российский биотехнологический университет (РОСБИОТЕХ)

АНАЛИЗ КИНЕМАТИКИ МНОГОЗВЕННЫХ МАНИПУЛЯТОРОВ
И ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ЗАДАЧ ПРЯМОЙ
И ОБРАТНОЙ КИНЕМАТИКИ
Н.С. Мешков АНАЛИЗ КИНЕМАТИКИ МНОГОЗВЕННЫХ МАНИПУЛЯТОРОВ И ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ЗАДАЧ ПРЯМОЙ И ОБРАТНОЙ КИНЕМАТИКИ

Аннотация. В статье рассматриваются методы анализа кинематики многозвенных манипуляторов, включая решение задач прямой и обратной кинематики. Описывается математический аппарат, основанный на использовании матриц однородных преобразований, позволяющий моделировать пространственные перемещения звеньев манипулятора относительно исходной системы координат. Приводится реализация алгоритмов на языках программирования C и C++, включающая построение матриц преобразований, расчёт положения конечного элемента (TCP) и численные методы решения обратной задачи кинематики.
Представлены примеры программного кода и расчётов для манипулятора с тремя звеньями.
Работа демонстрирует высокую универсальность разработанных методов и их практическую
применимость для проектирования робототехнических систем.
Ключевые слова. Манипуляторы, матрицы преобразования, задача кинематики, языки
программирования C и C++, автоматизация, мехатронные системы, динамические массивы.

В настоящее время манипуляционные роботы (МР) находят широкое
применение в различных отраслях промышленности, выполняя множество технологических задач. Их использование обусловлено высокой универсальностью, что позволяет автоматизировать множество процессов, ранее выполнявшихся людьми. Быстрая адаптация роботов к новым условиям и задачам, воз-

Автоматизированные системы управления биотехнологическими процессами

225

226 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

никающим при изменениях в производственном процессе, существенно снижает временные и финансовые затраты на переналадку оборудования. Это делает
манипуляционные роботы незаменимым инструментом в условиях современных требований к повышению производительности и снижению зависимости от
человеческого труда.
Роботизированные системы, в которых роботы выполняют ключевые технологические операции, играют важную роль в обеспечении гибкости производства. Они позволяют минимизировать время на смену продукции и повышают эффективность за счёт точного выполнения операций. Кроме того, использование роботов открывает доступ к новым сферам исследований, ранее
недоступным из-за физических ограничений, таких как работа в агрессивных
средах, вакууме или условиях высоких температур.
Одним из главных преимуществ манипуляционных роботов является их
конструктивная гибкость. Они позволяют изменять рабочие характеристики —
рабочее пространство, количество степеней свободы, надёжность, размеры и
полезную нагрузку. Такая адаптивность позволяет создавать оптимальные модели для выполнения специфических задач, обеспечивая минимизацию лишних
движений, высокую точность и надёжность. Это особенно важно для задач, где
критичны точное позиционирование и сложные траектории движения.
Потребность в разработке эффективных и универсальных методов управления манипуляторами привела к актуализации вопросов анализа их кинематики. Задачи анализа пространственного положения и ориентации конечного элемента, а также расчёта обобщённых координат, обеспечивающих достижение
заданных целей, являются фундаментальными при проектировании и использовании робототехнических систем. Настоящие методические материалы направлены на изучение этих задач и предоставление практических инструментов для
их решения.
Актуальность темы
Разработка манипуляторов требует решения ряда сложных задач, среди которых ключевыми являются:
 определение пространственного положения конечного элемента (TCP)
относительно базовой системы координат (прямая задача кинематики);
 вычисление параметров звеньев манипулятора, необходимых для достижения заданного положения TCP (обратная задача кинематики).
Эти задачи требуют применения математики и вычислительных методов
для точного описания движений манипулятора и расчёта его параметров. При
этом, растущая сложность конструкций манипуляторов (например, системы с
избыточными степенями свободы или гибкими звеньями) создаёт дополнительные вызовы для разработки эффективных алгоритмов и их реализации в программном обеспечении.
Проблематика
Для решения задач кинематики традиционно применяются матрицы однородных преобразований, позволяющие учитывать как поступательные, так и

вращательные движения звеньев манипулятора. Однако успешное использование этого подхода требует разработки:
 математических моделей, описывающих структуру манипулятора;
 алгоритмов для работы с матрицами (их построение, умножение, инверсии и т.д.);
 эффективного программного обеспечения, которое может быть интегрировано в существующие автоматизированные системы.
Важным аспектом является выбор инструментов реализации. Языки программирования C и C++ являются стандартом в робототехнике благодаря их
высокой производительности и широким возможностям для работы с аппаратным обеспечением.
Целью работы является разработка и реализация алгоритмов для решения
задач прямой и обратной кинематики многозвенных манипуляторов. Особое
внимание уделено построению матриц преобразований и их программной реализации с использованием языков C и C++.
Задачи, поставленные в рамках работы:
1. Построение математических моделей для анализа кинематики манипуляторов.
2. Реализация алгоритмов на языках программирования C и C++ для вычисления положения конечного элемента и решения обратной задачи кинематики.
3. Верификация алгоритмов путём сравнения результатов программной
реализации с аналитическими расчётами.
4. Анализ возможностей расширения и адаптации предложенных методов
для работы с более сложными конструкциями манипуляторов.
Основной целью исследования является разработка методов и инструментов для построения матриц преобразования координат, которые описывают кинематику многозвенных манипуляторов. Это включает вычисление положения
и ориентации конечного элемента (TCP, Tool Center Point) относительно базовой системы координат, что имеет ключевое значение для управления роботизированными и мехатронными системами.
Был применён системный подход, включающий использование математических и программных методов для анализа и моделирования кинематических
параметров манипуляторов. Разработка методологии была разделена на два
ключевых этапа: выполнение аналитических расчётов в специализированной
среде и реализация программных модулей для вычислений.
В Mathcad были разработаны модели для:
 построения матриц однородных преобразований Aij, которые описывают
вращение и перенос звеньев манипулятора;
 расчёта положений конечного элемента манипулятора в различных конфигурациях;
 анализа геометрии системы на основе заданных параметров звеньев и
кинематических пар.

Автоматизированные системы управления биотехнологическими процессами

227

228 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Для перехода от теоретических моделей к практической реализации был
выполнен программный этап, включающий разработку модулей вычисления на
языках C и C++.
Программная структура включала следующие модули:
1. Формирование неизменяющихся матриц (Aii*): функции, которые описывают базовую ориентацию и размеры звеньев.
2. Формирование динамических матриц (Aij): алгоритмы, учитывающие
обобщённые координаты звеньев, такие как углы поворота и смещения.
3. Расчёт результирующих матриц (Aoi): последовательное умножение
матриц для определения положения конечного элемента относительно базовой
системы координат.
4. Решение обратной задачи кинематики: нахождение параметров звеньев, необходимых для достижения заданной позиции TCP.
Для реализации были использованы динамические массивы, что позволило работать с манипуляторами любой сложности. В коде применялись:
 функции для математических операций (sin, cos),
 библиотеки для форматированного вывода результатов.
Математический аппарат исследования базируется на теории матриц однородных преобразований, которые применяются для описания положения и
ориентации звеньев манипулятора в трёхмерном пространстве. Эти матрицы
позволяют учитывать как вращательные, так и поступательные движения,
обеспечивая универсальный способ моделирования многозвенных систем.
1. Матрицы однородных преобразований
Матрица однородного преобразования размером 4×4 используется для
описания взаимного положения двух систем координат. Такая матрица A может
быть представлена в следующем виде:
𝑅 𝑃
𝐴=
(1)
0 1
где: R — подматрица вращения размером 3×3, описывающая ориентацию сис𝑥
темы координат; P — вектор трансляции 𝑦 , описывающий смещение; 0 и 1 —
𝑧
дополнительные элементы для однородного представления.

3. Обратная кинематика
Обратная задача кинематики состоит в определении параметров звеньев
манипулятора (θi, di, ai, αi) на основе заданного положения конечного элемента.
Для решения задачи используются итеративные или аналитические методы. В
данном исследовании применяется метод декомпозиции матриц, который позволяет поэтапно вычислить параметры, исходя из целевой матрицы Tцелевое.
4. Формирование статических и динамических матриц
Статические матрицы (Aii*):
4.1
Эти матрицы описывают базовую геометрию звеньев, включая ориентацию
и длину. Для расчета использовалась формула 3.
𝑅 ∗ 𝑙
𝐴 ∗=
(3)
0
1
где Aii* — начальная ориентация звена, а Lii — его длина.
Динамические
матрицы
(Aii):
4.2
Эти матрицы зависят от обобщённых координат (qi), таких как углы вращения
или линейные смещения. Вычисляются с учётом типа кинематической пары
(вращательная или поступательная):
𝑅 ∗ 𝑙
𝐴 =
(4)
0
1
Результирующие матрицы (Aoi):
4.3
Определяются последовательным умножением:
𝐴 = 𝐴 × 𝐴 × … × 𝐴 − 𝐴 , (5)
5. Алгоритмы вычислений
Для выполнения расчётов были разработаны следующие функции:
 Умножение матриц (MultiMatrix) — умножает две матрицы 4×4 для получения результирующей матрицы.
 Формирование динамических матриц (AijMatrix) — рассчитывает изменяющиеся матрицы на основе текущих значений обобщённых координат.
 Формирование результирующих матриц (AoiMatrix) — последовательно
вычисляет положения всех звеньев относительно базовой системы координат.
Для проверки корректности математического аппарата расчёты в программе сверялись с результатами аналитического моделирования в среде Mathcad.
Это обеспечило высокую точность вычислений и их соответствие теоретическим ожиданиям.
Математический аппарат, основанный на матрицах однородных преобразований, предоставляет универсальный и точный подход для анализа и моделирования кинематики манипуляторов, что делает его незаменимым для задач
проектирования и управления робототехническими системами.

2. Прямая кинематика
Прямая кинематика заключается в вычислении положения конечного элемента (TCP) на основе известных параметров кинематической цепи манипулятора. Для этого используется последовательное перемножение матриц преобразований для всех звеньев:
𝑇 = 𝐴 × 𝐴 × …× 𝐴
(2)
где Aij — матрица преобразования i-го звена относительно предыдущего.
Каждая матрица Aij формируется на основе параметров ДенавитаХартенберга (DH-параметров): θi — угол вращения вокруг оси z; di — смещение вдоль оси z; ai — смещение вдоль оси x; αi — угол вращения вокруг оси x.

Результаты
В ходе исследования получены следующие результаты, демонстрирующие
применение разработанных методов и алгоритмов для анализа кинематики
многозвенных манипуляторов. На рисунке 1 схематически представлен роботманипулятор на основании положения звеньев которого проводились расчеты.

Автоматизированные системы управления биотехнологическими процессами

229

Рис.1. Визуализация исходного и промежуточного положения робота-манипулятора

1. Примеры расчёта координат TCP
В результате выполнения прямой задачи кинематики были рассчитаны положения конечного элемента (TCP) манипулятора для различных конфигураций. Для четырёх звеньев манипулятора расчёты были выполнены с использованием заданных параметров длины звеньев, ориентации начальных звеньев и
обобщённых координат.
Пример расчёта для одного из вариантов:
 Параметры: длина звеньев L=[40,20,10]; углы вращения q=[0,π,π].
0 0 1 10
1 0 0 20
 Итоговые координаты TCP: 𝐴 =
0 1 0 60
0 0 0 1
Это положение описывает пространственную ориентацию и координаты
конечного звена относительно базовой системы координат.
2. Алгоритмы решения обратной задачи кинематики
Для решения обратной задачи кинематики был реализован алгоритм нахождения параметров манипулятора (qi), обеспечивающих достижение заданного
положения
TCP.
Алгоритм включает следующие этапы:
 Декомпозиция целевой матрицы Aцелевое на элементы вращения и трансляции.
 Поэтапный расчёт параметров каждого звена, начиная с конечного и
возвращаясь к базовому.
Результаты подтверждают корректность работы алгоритма, так как рассчитанные параметры qi позволяют достичь заданного положения TCP.
3. Примеры программной реализации
Код, написанный на языках программирования C и C++, успешно продемонстрировал способность решать задачи кинематики для манипуляторов. Программы включают модули для построения статических и динамических матриц,
их умножения и расчёта конечных координат TCP.

230 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Пример реализации функции построения матрицы преобразования:
int Aii_Matrix(int N, double Lvect[3][Nmax], double Mii[][3][Nmax], double
Aii_[][4][Nmax]) {
int k, i, j;
for (k = 0; k <= N; k++) {
for (i = 0; i < 3; i++)
for (j = 0; j < 3; j++)
Aii_[i][j][k] = Mii[i][j][k];
Aii_[0][3][k] = Lvect[0][k];
Aii_[1][3][k] = Lvect[1][k];
Aii_[2][3][k] = Lvect[2][k];
Aii_[3][0][k] = Aii_[3][1][k] = Aii_[3][2][k] = 0.0;
Aii_[3][3][k] = 1.0;
}
return 0;
}
4. Визуализация результатов
Рассчитанные матрицы преобразований и координаты звеньев выводились
на консоль для каждой конфигурации манипулятора. Это позволило визуально
подтвердить корректность выполнения расчётов.
Пример результата:
Для конфигурации с параметрами q=[0, π, π/2], координаты TCP соответствуют матрице:
0 1 0 20
−1 0 0 50
𝐴 =
0 0 1 60
0 0 0 1
5. Обобщение результатов
Выполненные расчёты показали, что разработанные методы и алгоритмы
успешно решают задачи анализа кинематики для многозвенных манипуляторов.
Реализованные программы обладают достаточной универсальностью для применения в задачах проектирования и управления робототехническими системами.
В заключении стоит отметить, что в рамках данного исследования был
проведён анализ методов решения задач кинематики многозвенных манипуляторов, включая прямую и обратную задачи. Основное внимание уделялось разработке алгоритмов расчёта матриц однородных преобразований и их реализации на языках программирования C и C++. Полученные результаты подтвердили эффективность разработанного подхода.
1. Ключевые достижения работы:
 Построены математические модели, позволяющие описывать пространственные трансформации звеньев манипулятора.

Автоматизированные системы управления биотехнологическими процессами

231

232 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

 Реализованы алгоритмы расчёта координат конечного элемента (TCP) с
учётом заданных параметров звеньев и кинематических пар.
 Создан программный комплекс, включающий функции для работы с
матрицами преобразований, решения задач кинематики и визуализации результатов.
 Выполнена верификация полученных данных с использованием аналитических расчётов в среде Mathcad, что гарантировало высокую точность и
корректность разработанных алгоритмов.
2. Практическая значимость:
Разработанные методы и инструменты могут быть применены в проектировании, управлении и оптимизации робототехнических систем. Использование
языков программирования C и C++ делает их доступными для интеграции в
промышленные системы и платформы.
3. Основные выводы:
 Решение задач кинематики с использованием матриц преобразований
демонстрирует высокую точность и универсальность.
 Алгоритмы, разработанные для манипуляторов с четырьмя звеньями,
могут быть масштабированы для систем большей сложности.
 Результаты работы формируют основу для дальнейших исследований и
практической реализации в реальных системах управления роботами.
Перспективы работы
Для дальнейшего развития направления и углубления результатов исследования предлагается сосредоточиться на следующих аспектах:
1. Оптимизация вычислительных алгоритмов:
 Реализация параллельных вычислений на базе многопоточной архитектуры или GPU.
 Интеграция специализированных библиотек линейной алгебры (например, Eigen, LAPACK).
2. Расширение области применения:
 Моделирование манипуляторов с избыточными степенями свободы и
исследование их преимуществ для выполнения сложных траекторий.
 Изучение параллельных манипуляторов (типа дельта или платформ
Стюарта) и их особенностей кинематики.
 Включение гибких звеньев и динамических характеристик в математические модели для повышения реалистичности моделирования.
3. Интеграция с современными технологиями:
 Использование методов машинного обучения для решения задач обратной кинематики в условиях неопределённости.
 Разработка адаптивных систем управления, которые смогут учитывать
изменения внешней среды и корректировать траекторию движения в реальном
времени.

4. Разработка интерфейсов для промышленного применения:
 Внедрение разработанных алгоритмов в системы реального времени,
используемые в промышленности.
 Разработка удобных интерфейсов для взаимодействия операторов с манипуляторами.
 Адаптация кода под стандартные промышленные протоколы обмена
данными (Modbus, OPC UA и др.).
5. Образовательные приложения:
 Использование разработанных моделей и алгоритмов для обучения
студентов основам робототехники и программирования.
 Создание учебных материалов, демонстрирующих применение математического аппарата в реальных задачах.
Заключение. Работа заложила прочную основу для дальнейшего изучения и развития методов анализа кинематики манипуляторов. Предложенные алгоритмы и программные решения обладают универсальностью и потенциалом
для адаптации к различным типам роботов. Развитие темы позволит не только
расширить теоретическую базу, но и внедрить её в практику автоматизации и
роботизации промышленных процессов, отвечая вызовам современной технологии.
Список литературы
1. Brownlee J. Deep Learning for Computer Vision: Image Classification, Object Detection, and
Face Recognition in Python. Melbourne: Machine Learning Mastery, 2019. 573 p.
2. Chollet F. Deep Learning with Python. 2nd ed. Shelter Island: Manning Publications, 2021. 544
p.
3. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, MA: MIT Press, 2016. 775
p.
4. Python Official Documentation. [Электронный ресурс] URL: https://docs.python.org/ (дата
обращения: 14.01.2025).
5. Гурьянов А.С., Егоров А.В. Основы программирования на Python. М.: Лаборатория знаний, 2020. 320 с.
6. Калинин А.А., Гаврилов А.В. Практика машинного обучения. М.: ДМК Пресс, 2019. 418 с.
7. Крахмалев О., Гатауллин С., Болтачев Э., Корчагин С., Благовещенский И., Лян К. Разработка роботизированного комплекса для сбора урожая яблок с использованием системы
компьютерного зрения // Robotics. 2022. Т. 11, № 4. С. 77.
8. Сатканов Р.Т., Боголюбская Ю.В., Стоякова К.Л., Ибраев Р.Р., Гончаров А.В., Бесфамильная Е.М., Волкова Д.А. Анализ тенденций мировой робототехники // Естественные и технические науки. 2016. № 10 (100). С. 175-177.

Автоматизированные системы управления биотехнологическими процессами

233

234 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

УДК 004.8
Н.С. Мешков
Российский биотехнологический университет (РОСБИОТЕХ)

исследовании Смирнова Г.А. и Поповой Е.В. показано, что алгоритмы машинного обучения успешно применяются для автоматизации процессов оценки состояния плодов в агропромышленном комплексе [8].
Сельское хозяйство играет ключевую роль в обеспечении продовольственной безопасности и устойчивого развития экономики. Одной из наиболее важных культур в растениеводстве являются томаты, используемые как в свежем
виде, так и для переработки. В промышленных теплицах задача своевременного
мониторинга зрелости плодов имеет первостепенное значение, поскольку несвоевременный сбор урожая приводит к увеличению брака, снижению качества
продукции и значительным экономическим потерям.
Традиционные методы оценки зрелости, основанные на визуальном осмотре человеком, ограничены низкой скоростью и высокой вероятностью ошибок
из-за человеческого фактора. Автоматизация процесса с использованием искусственного интеллекта и компьютерного зрения позволяет значительно повысить точность, оперативность и объективность мониторинга [2]. Особенно актуальной становится разработка решений, которые объединяют ИИ и беспилотные летательные аппараты (БПЛА), обеспечивая мобильность и высокую
производительность в условиях теплиц.
В качестве примера и основы для своей работы я использовал статью, в которой описывается разработка роботизированного комплекса для сбора урожая
яблок. Этот комплекс включает промышленного робота с вакуумным захватом
и системой компьютерного зрения, установленного на мобильной платформе с
генератором и вакуумным насосом. [ 4].
Дополнительно представлен алгоритм автоматизированной сортировки яблок на основе сверточных нейронных сетей (СНС), классифицирующий плоды
по размеру, весу и внешним дефектам. Разработанная на базе TensorFlow и
Keras модель достигла высокой точности распознавания — до 96,88% на тестовой выборке, что позволяет эффективно интегрировать алгоритм в производственный цикл и снизить затраты на ручную проверку качества [10].

ОБЗОР СОВРЕМЕННЫХ ТЕХНОЛОГИЙ АВТОМАТИЗИРОВАННОГО
МОНИТОРИНГА ЗРЕЛОСТИ ПЛОДОВ ТОМАТА В
ПРОМЫШЛЕННЫХ ТЕПЛИЦАХ С ИСПОЛЬЗОВАНИЕМ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Н.С. Мешков ОБЗОР СОВРЕМЕННЫХ ТЕХНОЛОГИЙ АВТОМАТИЗИРОВАННОГО МОНИТОРИНГА ЗРЕЛОСТИ ПЛОДОВ ТОМАТА В ПРОМЫШЛЕННЫХ ТЕПЛИЦАХ С
ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Аннотация. В статье представлен обзор современных технологий автоматизированного мониторинга зрелости плодов томата в условиях промышленных теплиц с использованием методов искусственного интеллекта (ИИ) и компьютерного зрения. Рассмотрены теоретические основы определения зрелости плодов, включая ключевые характеристики, такие
как цвет, текстура и химический состав. Анализируются современные методы мониторинга,
включая визуальные и физико-химические подходы, а также их интеграция с алгоритмами
машинного обучения. Приведены примеры применения автоматизированных систем в реальных условиях, обсуждены их преимущества и недостатки. Особое внимание уделено техническим аспектам, включая выбор оборудования, обработку данных и проблемы интеграции в существующую инфраструктуру. В заключении представлены перспективы развития
технологий, включая внедрение новых алгоритмов ИИ, улучшение оборудования и расширение областей применения.
Ключевые слова. автоматизация, искусственный интеллект (ИИ), мониторинг зрелости плодов, компьютерное зрение, умные теплицы, беспилотные летательные аппараты
(БПЛА), сельскохозяйственные инновации.

Современные технологии автоматизации все активнее внедряются в сельское хозяйство, обеспечивая повышение эффективности производства и качества продукции. Одной из актуальных задач является мониторинг зрелости плодов, в частности томатов, в промышленных теплицах. Традиционные методы
контроля, основанные на ручном труде, имеют множество ограничений, включая человеческий фактор, низкую скорость обработки информации и ограниченную точность.
Использование искусственного интеллекта (ИИ) и компьютерного зрения
открывает новые горизонты для автоматизации этого процесса. Такие технологии позволяют в режиме реального времени оценивать состояние плодов, анализировать их зрелость и своевременно передавать данные для управления сбором урожая. Особенно перспективным направлением является интеграция систем ИИ с беспилотными летательными аппаратами (БПЛА), которые обеспечивают мобильность, скорость и точность мониторинга [6].
Целью данной обзорной статьи является анализ современных технологий
автоматизированного мониторинга зрелости плодов томата, с особым акцентом
на применение ИИ. Рассматриваются существующие системы, их преимущества и недостатки, а также перспективы дальнейшего развития в этой области.
Проведение такого анализа позволит определить текущий уровень развития технологий и выделить ключевые направления для будущих исследований
и разработок, направленных на повышение эффективности и экономической
целесообразности автоматизации процессов в агропромышленном комплексе. В

Определение зрелости плодов томата
Зрелость плодов томата является ключевым показателем для определения
готовности урожая к сбору. Она зависит от следующих характеристик:
 Цвет: По мере созревания томаты переходят от зеленого к оранжевому и
красному оттенкам, что обусловлено изменением содержания хлорофилла и
синтезом каротиноидов.
 Размер: Плоды достигают своих максимальных размеров на стадии полной зрелости, хотя этот параметр варьируется в зависимости от сорта.
 Текстура: По мере созревания томаты становятся более мягкими из-за изменений в клеточной структуре.
 Химический состав: Важным показателем зрелости является уровень сахара (глюкоза и фруктоза), кислотность (содержание лимонной и яблочной кислот) и ароматические соединения.

Автоматизированные системы управления биотехнологическими процессами

235

236 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Каждая из этих характеристик может использоваться как основной параметр или их комбинация для оценки зрелости томатов.
В системах мониторинга зрелости томатов могут применяться технологии,
схожие с навигацией автономных роботов, такие как LiDAR, камеры и алгоритмы компьютерного зрения. Они обеспечивают точное определение состояния плодов, маршрутизацию сбора данных и адаптацию к различным условиям.
Основные вызовы связаны с необходимостью высокой надежности и точности.
Интеграция данных с разных сенсоров и использование продвинутых алгоритмов позволяют повысить устойчивость и эффективность работы систем в реальном времени. Высококачественные камеры фиксируют изображения томатов, которые затем обрабатываются алгоритмами. Применяются как RGBкамеры для оценки цвета, так и спектральные камеры для анализа химического
состава [5].
Шубин А.В. в своей работе детализирует возможности гиперспектрального
анализа для оценки химического состава и стадии зрелости плодов томата без
их повреждения [9].
Алгоритмы компьютерного зрения используют современные модели обработки изображений, такие как сверточные нейронные сети (CNN), для идентификации степени зрелости. Эти алгоритмы анализируют визуальные параметры
(цвет, текстура, форма) и классифицируют плоды по стадиям зрелости.
Автоматизация в сочетании с роботизированными системами, ИИ позволяет выполнять анализ в реальном времени, значительно ускоряя процесс и снижая вероятность ошибок.
Обучение моделей ИИ является основным этапом разработки систем мониторинга зрелости плодов.
Обучение с учителем используется, когда имеются размеченные данные
(например, изображения томатов с указанием их стадии зрелости). Модели
обучаются предсказывать правильную категорию зрелости, основываясь на
предоставленных примерах.
 Преимущества: Высокая точность классификации.
 Ограничения: требует больших объемов размеченных данных, процесс
разметки трудозатратен.
Обучение без учителя применяется, когда размеченные данные отсутствуют. Модели анализируют данные самостоятельно, группируя их на основе схожих признаков (например, методы кластеризации).
 Преимущества: Возможность работы с неразмеченными данными.
 Ограничения: Меньшая точность классификации по сравнению с обучением с учителем.
Современные системы автоматизированного мониторинга зрелости плодов
опираются на мощные алгоритмы обработки изображений и специализированное программное обеспечение.
Программное обеспечение:

 HarvestEye – анализирует изображения плодов, снятые камерами, для определения их зрелости и качества. Использует машинное зрение для классификации на основе цвета и формы.
 FruitSpec – система, основанная на спектральном анализе и машинном
обучении, обеспечивает точную оценку зрелости и прогноз урожайности.
 RipeTime – использует алгоритмы глубокого обучения для анализа изображений и распознавания стадий зрелости плодов, адаптируясь под разные
культуры.
Алгоритмы:
 Классификаторы на основе нейронных сетей – сверточные нейронные сети (CNN) применяются для классификации стадий зрелости на основе визуальных данных.
 Методы сегментации изображений – алгоритмы, такие как U-Net, используются для точного выделения контуров плодов на изображениях, что повышает точность анализа.
 Оптимизация маршрутов сбора данных – некоторые системы включают
алгоритмы планирования маршрутов для мобильных устройств, таких как дроны или роботы.
Применение систем в теплицах
Автоматизированные системы мониторинга находят применение в теплицах по всему миру, позволяя оптимизировать процесс выращивания и сбора
урожая [1].
 Теплицы с вертикальным земледелием – примером может служить интеграция систем ИИ в теплицах компании Aerofarms, где камеры и сенсоры анализируют зрелость плодов на нескольких уровнях одновременно.
 Применение дронов – в теплицах Китая и Нидерландов используются
дроны, оснащенные камерами и алгоритмами машинного зрения, для мониторинга состояния томатов и других культур.
 Роботы для сбора урожая – в теплицах Японии внедрены роботы, которые
не только оценивают зрелость, но и автоматически собирают плоды, минимизируя участие человека.
Преимущества и недостатки существующих решений
Преимущества:
Высокая точность – системы на основе ИИ обеспечивают точность
1.
мониторинга до 95%, что значительно снижает процент брака.
Оперативность – анализ данных в реальном времени позволяет бы2.
стро принимать решения по сбору урожая.
Экономия ресурсов – уменьшается зависимость от человеческого
3.
труда, что снижает затраты и повышает производительность.
Универсальность – большинство систем адаптируемы под различ4.
ные культуры и условия.

Автоматизированные системы управления биотехнологическими процессами

237

238 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Недостатки:
Высокая стоимость – первоначальные затраты на оборудование,
1.
программное обеспечение и обучение персонала могут быть значительными.
Зависимость от условий – точность анализа может снижаться при
2.
плохом освещении, запыленности или высокой влажности.
Сложность интеграции – внедрение новых технологий в сущест3.
вующую инфраструктуру может потребовать значительных усилий и времени.
Необходимость технического обслуживания – системы требуют ре4.
гулярного обновления и калибровки оборудования.

5.
Размер и форма:
Разные сорта отличаются размерами (от черри до крупных плодов) и формой (округлые, вытянутые). Это может влиять на точность сегментации и классификации.
Решение: Использование алгоритмов сегментации, которые адаптируются
к различным размерам и формам.
Текстура поверхности:
6.
У некоторых сортов текстура более гладкая, у других – шероховатая. Это
может затруднить анализ визуальных данных.
Решения: Применение алгоритмов анализа текстуры на основе градиентных карт или других методов.
7.
Стадии созревания:
У разных сортов продолжительность и выраженность этапов созревания
могут варьироваться, что требует точной настройки систем мониторинга.
Решение: Учет специфики каждого сорта при разработке алгоритмов и их
обучении.

Влияние факторов на точность мониторинга.
Автоматизированные системы мониторинга зрелости плодов томата зависят от множества внешних и внутренних факторов. Их учет важен для обеспечения высокой точности и надежности работы таких систем.
Условия в теплице существенно влияют на работу систем мониторинга.
Основные факторы:
Освещенность:
1.
Избыточное или недостаточное освещение может приводить к искажению
цвета плодов, что критично для алгоритмов, анализирующих цветовые характеристики.
Решением может послужить использование мощной систем искусственного освещения, или камер с автонастройкой экспозиции для компенсации переменной освещенности.
Температура:
2.
Высокие температуры могут вызывать перегрев камер и других компонентов системы. Низкие температуры могут снижать чувствительность сенсоров.
Решением может послужить установка термостатов или систем охлаждения для поддержания оптимального температурного режима.
Влажность:
3.
Высокая влажность может вызывать запотевание линз камер и снижение
качества изображения. Также влажность может повлиять на стабильность работы электроники.
Решением может послужить применение камер с защитой от влаги (IPзащита) и герметизация компонентов системы.
Эти факторы подчеркивают необходимость тщательной адаптации систем
мониторинга к специфике условий теплицы.
Разнообразие сортов томатов также оказывает значительное влияние на
точность работы автоматизированных систем.
Цветовая палитра:
4.
Томаты разных сортов имеют различную цветовую гамму (от светложелтого до темно-красного). Это может создавать трудности для алгоритмов,
ориентированных на цвет как основной показатель зрелости.
Решение: Создание обучающих наборов данных для каждого сорта с учетом его особенностей.

Выводы о текущем состоянии и будущем.
Современные технологии мониторинга зрелости плодов томата демонстрируют значительный прогресс благодаря внедрению искусственного интеллекта и компьютерного зрения. Использование таких подходов позволяет существенно повысить точность и оперативность оценки зрелости, минимизировать
влияние человеческого фактора и оптимизировать процесс сбора урожая.
В настоящее время наиболее перспективными являются системы, интегрирующие машинное зрение, беспилотные летательные аппараты и сенсоры. Однако их широкое применение ограничивается высокими затратами, сложностями интеграции и требованиями к инфраструктуре. Тем не менее, дальнейшее
удешевление технологий и разработка универсальных решений делают такие
системы все более доступными.
Будущее технологий в этой области связано с развитием умных теплиц,
где автоматизированный мониторинг станет частью комплексных систем
управления. Кроме того, использование гиперспектрального анализа, микродронов и более мощных алгоритмов ИИ позволит существенно расширить
функциональность таких систем, делая их не только инструментом мониторинга, но и предсказательной аналитики.
Список литературы
1. Васильев Ю.Н., Орлова Т.М. Программные решения для автоматизации мониторинга в
тепличных хозяйствах // Автоматизация и управление, 2019. – Т. 14, № 4. – С. 33–39.
2. Иванов, И.В., Петров, А.А. Применение компьютерного зрения в сельском хозяйстве //
Вестник аграрной науки, 2022. – Т. 12, № 3. – С. 45–51.
3. Кравцов, Н.П., Тихонов, Л.И. Современные подходы к анализу состояния растений в теплицах с использованием IoT // Сельскохозяйственная техника: инновации, исследования,
2021. – № 2. – С. 67–73.

Автоматизированные системы управления биотехнологическими процессами

239

240 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

4. Крахмалев О., Гатауллин С., Болтачев Э., Корчагин С., Благовещенский И., Лян К. Разработка роботизированного комплекса для сбора урожая яблок с использованием системы
компьютерного зрения // Robotics. 2022. Т. 11, № 4. С. 77.
5. Мешков Н.С., Баженов Е.И., Охапкин С.И. Обзорный анализ систем навигации автономных роботов // Сборник докладов научно-практической конференции «Роговские чтения».
– РОСБИОТЕХ, 2023. – С. 352–359.
6. Михайлов, В.А. Применение беспилотных летательных аппаратов в сельском хозяйстве. –
Новосибирск: Сибирское научное издательство, 2021. – 284 с.
7. Сидоров, Б.В., Кузнецов, М.Н. Интеллектуальные системы управления в теплицах. – Москва: Издательство МИСИС, 2021. – 320 с.
8. Смирнов, Г.А., Попова, Е.В. Технологии машинного обучения для автоматизации агропромышленных процессов // Инженерный журнал, 2020. – № 8. – С. 97–105.
9. Шубин, А.В. Гиперспектральный анализ в задачах мониторинга растений. – СанктПетербург: Наука и технологии, 2020. – 256 с.
Яблоков А. Е., Потапов С. А. Разработка устройства сортировки яблок по сортам с ис10.
пользованием технологий сверточных нейронных сетей // Известия СПбГЭТУ «ЛЭТИ».
2024. Т. 17, № 6. С. 49–55.

существенно упростить процессы сбора, сортировки и контроля качества урожая.
Особое значение эти технологии приобретают в условиях защищённого
грунта, где выращивание растений осуществляется в теплицах с контролируемым микроклиматом. Такие условия предъявляют дополнительные требования
к алгоритмам обработки изображений, включая работу в условиях ограниченного пространства, разнообразного искусственного освещения и отражённого
света от тепличных конструкций. Решение этих задач позволяет повысить эффективность автоматизации и сократить трудозатраты при сборе урожая.
Данная статья посвящена разработке компьютерной программы, способной
распознавать томаты на изображениях с использованием методов машинного
обучения и компьютерного зрения. В рамках исследования была разработана
сверточная нейронная сеть (CNN), обученная на наборе изображений, содержащих как томаты, так и другие объекты, что позволяет достичь высокой точности распознавания.
В процессе работы были применены алгоритмы обработки изображений,
такие как размытие, преобразование цветового пространства и морфологические операции, для улучшения качества входных данных и повышения эффективности модели. Также в статье рассматривается метод расчета расстояния до
объекта на основе известного диаметра томата и фокусного расстояния камеры,
что может быть полезно для приложений, требующих определения дистанции
до плодов.
В качестве примера и основы для своей работы я использовал статью, в которой описывается разработка роботизированного комплекса для сбора урожая
яблок. Этот комплекс включает промышленного робота с вакуумным захватом
и системой компьютерного зрения, установленного на мобильной платформе с
генератором и вакуумным насосом. Такой подход демонстрирует высокую надежность в условиях поля и обеспечивает эффективность автоматизированного
сбора урожая, что послужило ориентиром для создания собственной системы
распознавания и сортировки сельскохозяйственной продукции [ 11 ].
Дополнительно представлен алгоритм автоматизированной сортировки яблок на основе сверточных нейронных сетей (СНС), классифицирующий плоды
по размеру, весу и внешним дефектам. Разработанная на базе TensorFlow и
Keras модель достигла высокой точности распознавания — до 96,88% на тестовой выборке, что позволяет эффективно интегрировать алгоритм в производственный цикл и снизить затраты на ручную проверку качества [21].
Результаты работы демонстрируют успешность предложенного подхода,
позволяющего не только распознавать томаты, но и выполнять это в реальном
времени с использованием камеры. Таким образом, разработанная программа
представляет интерес для дальнейших исследований и практического применения в агрономии и смежных областях.
Для эффективного старта работы были проанализированы некоторые варианты методик количественного анализа фенотипов томатов с использованием
методов компьютерного зрения и глубинного обучения. Исследование описы-

УДК 004.85
Н.С. Мешков, В.С. Царихин, М.А. Дворак
Российский биотехнологический университет (РОСБИОТЕХ)

РАСПОЗНАВАНИЕ ТОМАТОВ С ПОМОЩЬЮ СВЕРОЧНОЙ
НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ АВТОМАТИЗАЦИИ
СБОРА УРОЖАЯ В УСЛОВИЯХ ЗАЩИЩЁННОГО ГРУНТА
Н.С. Мешков, В.С. Царихин, М.А. Дворак РАСПОЗНАВАНИЕ ТОМАТОВ С ПОМОЩЬЮ СВЕРОЧНОЙ НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ АВТОМАТИЗАЦИИ СБОРА УРОЖАЯ В
УСЛОВИЯХ ЗАЩИЩЁННОГО ГРУНТА

Аннотация: В данной статье представлена разработка компьютерной программы для
распознавания плодов томата с использованием методов машинного обучения и компьютерного зрения. Программа ориентирована на применение в условиях защищённого грунта, таких как теплицы, где особенности освещения и ограниченность пространства требуют адаптации алгоритмов. Программа основана на комбинации алгоритмов анализа изображений с
использованием OpenCV и сверточной нейронной сети (CNN), обученной для классификации объектов. Для обучения использовались наборы данных с изображениями, разделенными на две категории: «томаты» и «не томаты». Рассмотрены этапы разработки программы,
включая предобработку изображений, настройку генераторов данных, создание модели нейросети, а также методику расчета расстояния до объекта на основе известного диаметра томата и фокусного расстояния камеры. Оценены результаты обучения модели, а также продемонстрированы примеры использования программы для распознавания томатов в реальном
времени с помощью камеры.
Ключевые слова: OpenCV, томаты, Python, сверточная нейронная сеть (CNN), компьютерное зрение, машинное обучение, распознавание объектов.

Современные технологии компьютерного зрения и машинного обучения
находят широкое применение в различных областях, включая сельское хозяйство, медицинскую диагностику и производство. Одной из актуальных задач
является автоматизация процессов, связанных с распознаванием и классификацией объектов. В частности, распознавание плодов, таких как томаты, может

Автоматизированные системы управления биотехнологическими процессами

241

242 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

вает автоматический процесс измерения таких показателей, как цвет, размеры,
углы верха и основания плода, число локул и толщина перикарпа, на основе
изображений плодов томатов в различных разрезах. Предложенная модель, основанная на сегментации Mask R-CNN, достигает высокой точности (средняя
точность более 95%), что позволяет эффективно использовать её для оценки
фенотипов в селекционной работе [7].
В другой же статье описывается алгоритм распознавания и локализации
спелых томатов для роботизированного сбора урожая в тепличных условиях.
Алгоритм использует комбинацию цветовых пространств RGB, HSI и YIQ для
сегментации изображения, что позволяет эффективно отделять спелые томаты
от фона и зеленых томатов даже при изменяющихся условиях освещения в теплице. Общая точность распознавания алгоритма составила 96,36%, что демонстрирует его пригодность для задач автоматизированного сбора урожая [8].
Для обнаружения томата или других объектов по цвету, преобразование
изображения в цветовое пространство HSV (Hue, Saturation, Value) обычно является более эффективным, чем работа с исходным RGB-пространством (красный, зеленый, синий). Причина этого связана с тем, как эти цветовые пространства представляют цвет и насколько они удобны для обработки.
1. RGB против HSV: что это такое?
RGB (Red, Green, Blue) — это пространство, где каждый цвет кодируется
комбинацией трёх компонентов: красного, зелёного и синего. Это привычное
для нас представление цвета, и оно хорошо работает для отображения изображений на экране, но не всегда удобно для обработки и анализа цвета.
HSV (Hue, Saturation, Value) — это альтернативное цветовое пространство,
которое лучше подходит для анализа цвета. Оно разделяет цвет на три компонента:
Hue (оттенок) определяет основной цвет. Например, красный, синий, зелёный и т.д.
Saturation (насыщенность) — это степень «чистоты» цвета. Высокая насыщенность означает яркий, насыщенный цвет, а низкая насыщенность приближает цвет к серому.
Value (яркость) — это интенсивность света в цвете, определяющая, насколько цвет светлый или тёмный.
2. Проблемы с RGB при определении цвета
Цветовое пространство RGB сложно использовать для анализа цвета по
следующим причинам:
Цвет определяется комбинацией трёх каналов: например, красный цвет
может быть представлен как (255, 0, 0) — это чистый красный, но, если к этому
добавить немного зелёного или синего, комбинации изменятся, и цвет станет
другим. Множество комбинаций каналов могут выглядеть как «красный», но
численно они сильно отличаются друг от друга.
Зависимость от освещения: В RGB-пространстве изменения в яркости или
освещении значительно влияют на значения пикселей. Например, красный объект при хорошем освещении будет ярким, но при слабом освещении его цвет в

RGB может стать ближе к чёрному, что затрудняет его правильное обнаружение.
Трудность отделения оттенка от яркости: чтобы выделить конкретный оттенок в RGB, нужно учитывать три канала одновременно, что делает задачу
сложной и неинтуитивной.
3. Преимущества HSV для распознавания объектов по цвету
Преобразование изображения в HSV значительно упрощает задачу определения цвета по нескольким причинам:
3.1 Hue — оттенок напрямую связан с цветом
В HSV-пространстве компонент Hue (оттенок) напрямую отвечает за цвет.
Это удобно, потому что все красные оттенки (независимо от их яркости или насыщенности) будут иметь близкие значения Hue. Например, томат обычно имеет красный оттенок, и это можно легко выделить, используя диапазон значений
для красного цвета в HSV, например, 0°–10° для ярко-красного или 340°–360°
для бордового.
В RGB, для того чтобы определить, является ли цвет красным, необходимо
анализировать все три канала (R, G, B), но в HSV можно просто сосредоточиться на одном — Hue.
3.2 Saturation и Value отделяют интенсивность и яркость
Saturation (насыщенность) и Value (яркость) в HSV позволяют легко отделить интенсивность цвета и его яркость. Это полезно, когда объект имеет разные степени освещённости. Например, томат может быть освещено с одной
стороны и затемнено с другой, но благодаря компонентам Saturation и Value, вы
всё равно сможете корректно идентифицировать его оттенок.
При слабом освещении или наличии теней можно варьировать параметры
насыщенности и яркости, сохраняя чёткость в распознавании оттенка.
3.3 Независимость от освещения
В HSV, когда мы ищем цвет, нас может интересовать Hue, а компоненты
Saturation и Value можно регулировать для работы с объектами при различных
условиях освещения. Это делает распознавание объекта более надёжным. Например, если томат частично находится в тени, его оттенок Hue останется тем
же, а вот яркость изменится. Это позволяет легко настроить фильтры так, чтобы
правильно классифицировать объект.
3.4 Удобство использования диапазонов
Для выделения объектов по цвету в HSV обычно используются определённые диапазоны для оттенков, насыщенности и яркости. Например, для красного
томата можно задать диапазон значений оттенков, который будет охватывать
все вариации красного цвета, вне зависимости от того, насколько тёмный или
светлый томат. Это не так просто сделать в RGB, где пришлось бы анализировать комбинации всех трёх каналов.
Также возможно решение для распознавания и локализации спелых томатов в условиях теплицы используя компонент V в цветовом пространстве YUV
для сегментации области интереса (ROI), алгоритм может эффективно выделять
спелые томаты, даже если они частично перекрыты зелеными стеблями или ли-

Автоматизированные системы управления биотехнологическими процессами

243

244 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

стьями. Для определения глубины накладывающихся томатов применяется метод геометрического анализа, который позволяет точно определить, какой томат находится ближе к камере, что особенно полезно для автоматизированного
сбора урожая в реальном времени [20].
Калибровка камеры — это процесс определения параметров камеры, которые необходимы для корректной интерпретации изображений и точного определения расстояния до объектов. В контексте распознавания объектов, таких
как томат, калибровка фокусного расстояния позволяет улучшить точность измерений и последующей обработки изображений.
Зачем выполняется калибровка камеры?
Определение фокусного расстояния: Фокусное расстояние влияет на то,
как объекты отображаются в изображении и, следовательно, на точность измерения расстояний до объектов.
Устранение искажений: Каждая камера имеет определенные оптические
искажения, такие как радиальные искажения, которые могут привести к искажению изображения. Калибровка помогает компенсировать эти искажения.
Повышение точности измерений: после калибровки можно более точно определять размеры и расстояния до объектов, что особенно важно в приложениях, связанных с компьютерным зрением.
Упрощение процесса измерения: Зная параметры камеры, можно использовать простые математические формулы для вычисления расстояний и размеров объектов.
Математические формулы для калибровки
Для калибровки камеры обычно используются несколько основных формул, основанных на триангуляции и пропорциональности.
1. Формула для определения расстояния
Для определения расстояния до объекта можно использовать следующую
формулу:
(1)
D = (K*𝑓)/P
где: D — расстояние до объекта, K — известный физический диаметр объекта
(в см), 𝑓 — фокусное расстояние камеры (в пикселях), P — воспринимаемый
диаметр объекта на изображении (в пикселях).
2. Формула для вычисления фокусного расстояния
Фокусное расстояние может быть вычислено, если известен размер объекта
и его видимый размер на изображении:
𝑓 = (D*P)/K
(2)
где: 𝑓 — фокусное расстояние камеры, D — расстояние до объекта, P — воспринимаемый размер объекта на изображении, K — известный физический
размер объекта.
Процесс калибровки
Измерение известного объекта: при первом обнаружении томата нужно использовать объект с известным диаметром (например, стандартный объект размером 7 см).

Запись параметров: Измерьте воспринимаемый диаметр томата на изображении и запишите его.
Применение формул: Используйте формулы для вычисления фокусного
расстояния или расстояния до объекта, основываясь на полученных данных.
Корректировка параметров: Внесите полученные параметры в код, чтобы
улучшить дальнейшую обработку изображений.
Калибровка фокусного расстояния камеры при первом обнаружении томата — это важный шаг, который помогает улучшить точность алгоритмов компьютерного зрения. Используя математические формулы для вычисления расстояний и размеров объектов, можно добиться более надежных и точных результатов.
Метод оценки расстояния основан на использовании известного физического размера объекта (в данном случае — диаметра томата) и измерении его
диаметра на изображении, полученном камерой. При этом предполагается, что
камера имеет фиксированное фокусное расстояние. Этот метод может быть назван методом триангуляции на основе диаметра.
Для расчета расстояния до томата используется формула (1).
Как это работает:
Измерение диаметра: В процессе обнаружения томата вычисляется его радиус на изображении, который затем умножается на 2 для получения диаметра
в пикселях 𝑃.
Использование формулы: с помощью известного диаметра 𝐾 и фокусного
расстояния 𝑓 (которое можно установить заранее, например, во время калибровки), можно рассчитать расстояние до томата D.
Подтверждение точности измерений
Для подтверждения того, что расстояние измеряется правильно, можно
провести эксперимент:
Подготовка: положите томат на стол и рядом с ним разместите рулетку или
линейку, чтобы визуально зафиксировать расстояние.
Измерение расстояния: запустите программу и определите расстояние до
томата с помощью вычислений, используя вышеуказанную формулу.
Сравнение результатов: сравните рассчитанное расстояние D с фактическим расстоянием, измеренным рулеткой или линейкой. Если значения совпадают или близки, то можно утверждать, что метод работает корректно.
Преимущества и ограничения метода
Преимущества:
 Метод является простым и эффективным для расстояний в пределах рабочей зоны камеры.
 Не требует сложного оборудования для измерений.
Ограничения:
 Точность зависит от правильности калибровки фокусного расстояния и
правильного определения диаметра объекта.
 Измерения могут быть искажены в условиях плохого освещения или наличия шумов в изображении.

Автоматизированные системы управления биотехнологическими процессами

245

246 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Метод триангуляции на основе диаметра является надежным способом
оценки расстояния до объектов, таких как томат. Сравнение вычисленного расстояния с фактическим при помощи рулетки или линейки позволяет подтвердить правильность работы алгоритма и повысить доверие к его результатам,
например, как представлено на рисунке 1, 2 и 3.

Рис.3. Сравнение вычисленного и фактического расстояния

Основными строками кода для распознавания плодов томата с помощью
камеры в реальном времени являются:
Импорт библиотек:
import cv2
import numpy as np

Рис.1. Распознавание томата

Определение диапазона цвета для красного томата:
lower_red1 = np.array([0, 120, 70])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([170, 120, 70])
upper_red2 = np.array([180, 255, 255])
Функция для расчета расстояния на основе размера томата:
def calculate_distance(known_diameter, perceived_radius, focal_length):
perceived_diameter = 2 * perceived_radius # Диаметр в пикселях
distance = (known_diameter * focal_length) / perceived_diameter # Оценка
расстояния
return distance
Параметры для эксперимента:
known_diameter = 7.0 # Средний диаметр томата в см
focal_length = 700 # Фокусное расстояние в пикселях (можно калибровать)

Рис.2. Вычисление расстояния

Обнаружение томата на кадре:
frame, radius, center = detect_tomato(frame)
if radius is not None:
Метод распознавания томатов
Распознавание томатов в данном проекте реализовано с использованием
сверточной нейронной сети (CNN), которая эффективно решает задачи классификации изображений благодаря своей способности извлекать важные особен-

Автоматизированные системы управления биотехнологическими процессами

247

248 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ности и шаблоны из изображений. Работа нейронной сети представлена ниже,
на рисунке 4.

3. Процесс обучения
Во время обучения модель получает доступ к тренировочным данным
(изображениям томатов и не томатов), применяя аугментацию данных для увеличения разнообразия обучающего набора. Скриншоты процесса обучения
можно сделать с помощью библиотек визуализации, таких как Matplotlib.
Пример кода для визуализации процесса обучения:
import matplotlib.pyplot as plt
# После завершения обучения модели
plt.plot(history.history['accuracy'], label='train_accuracy')
plt.plot(history.history['val_accuracy'], label='val_accuracy')
plt.title('Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(loc='upper left')
plt.show()

Рис.4. Распознавание плодов томата с помощью нейронной сети

Ниже представлено подробное описание процесса, математических аспектов и оценки точности распознавания.
1. Архитектура нейронной сети
Сверточные нейронные сети состоят из нескольких типов слоев:
Сверточные слои (Conv2D): Эти слои применяют фильтры (ядра свертки) к
входным изображениям для извлечения признаков. Каждый фильтр обучается
находить определенные паттерны, такие как края, текстуры и формы.
Слои подвыборки (MaxPooling2D): Эти слои уменьшают пространственное
разрешение, сохраняя наиболее важные признаки. Это помогает уменьшить количество параметров и снижает вероятность переобучения.
Полносвязные слои (Dense): Эти слои принимают выходные данные из
сверточных слоев и классифицируют их. В случае бинарной классификации
(томат или не томат) используется один выходной нейрон с функцией активации sigmoid.
2. Математическое описание
Обучение нейросети осуществляется с помощью алгоритма обратного распространения ошибки, который минимизирует функцию потерь. В нашем случае используется бинарная кросс-энтропия в качестве функции потерь:
𝐿 = − ∑ (𝑦 log(ŷ ) + (1 − 𝑦 )log (1 − ŷ ))
(3)
где: 𝑁 — количество образцов в выборке, 𝑦𝑖 — истинная метка (1 для томата, 0
для не томата), 𝑦^𝑖 — предсказанная вероятность принадлежности к классу томатов.
Обучение включает в себя следующие шаги:
Прямое распространение: Входные изображения проходят через сеть, и на
выходе получаются вероятности для каждого класса.
Расчет ошибки: вычисляется разница между предсказанными значениями и
истинными метками с использованием функции потерь.
Обратное распространение: Ошибка используется для обновления весов
фильтров с помощью градиентного спуска.

plt.plot(history.history['loss'], label='train_loss')
plt.plot(history.history['val_loss'], label='val_loss')
plt.title('Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(loc='upper left')
plt.show()
4. Оценка точности распознавания
Для оценки точности распознавания можно провести несколько тестов:
Тестирование на 100 или 1000 изображениях: загрузить набор изображений
с томатами и подсчитать, сколько из них правильно классифицировано как томаты.
Пример кода для оценки точности:
correct_predictions = 0
total_images = 100 # Количество тестовых изображений
for img_path in test_image_paths:
img = image.load_img(img_path, target_size=(64, 64))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)
img_array /= / 255.0
prediction = model.predict(img_array)
if prediction > 0.5 :
print ("Это томат!")
else:
print ("Это не томат!")
detect_tomato('томат1.jpg', model)

Автоматизированные системы управления биотехнологическими процессами

249

Тестирование на изображениях с частично скрытыми томатами: можно
оценить, как модель справляется с распознаванием, если томаты частично закрыты листвой или ветками.
Сравнение результатов: после тестирования, результаты можно сравнить
вручную, чтобы увидеть, сколько изображений с томатами было правильно
распознано. Например, на рисунке 5 и 6. представлен результаты распознавания
плодов томата.

Рис.5. Результаты распознавания плодов томата

250 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

но обнаруживать томаты на изображениях и видеопотоке, но и оценивать расстояние до объекта с помощью методов триангуляции, что позволяет расширить функциональность системы.
Реализация программы с использованием библиотеки OpenCV для обработки изображений и TensorFlow для создания нейросети показала высокую
точность распознавания томатов в реальном времени. Методы, основанные на
анализе цветовой информации в цветовом пространстве HSV, доказали свою
эффективность при сегментации объектов по цвету, особенно в условиях реальных съемок с неидеальными условиями освещения.
Программа продемонстрировала точные результаты по измерению расстояний до объектов, что было подтверждено экспериментами с линейкой.
Также были рассмотрены ключевые математические формулы для вычисления
расстояний, использованные в данной работе.
Тестирование программы с использованием различных изображений томатов, в том числе частично скрытых листвой, показало достаточно высокую степень точности распознавания. Это доказывает, что разработанная модель способна успешно применяться в различных сценариях, связанных с автоматизированным сбором данных и мониторингом плодов в агротехнических системах.
Будущие улучшения могут включать дальнейшее повышение точности при
сложных условиях съемки, расширение функциональности программы для работы с другими плодами, а также внедрение системы калибровки для автоматической настройки параметров камеры в зависимости от условий освещения и
расстояния.
В дальнешем хотелось бы реализовать алгоритм распознавания томатов и
механизм захвата для робота, автоматизирующего сбор томатов в тепличных
условиях [18]. Алгоритм использует цветные изображения и информацию о
глубине для точного определения координат томатов, включая крупные и миниатюрные плоды. Испытания показали, что робот способен работать ночью
при LED-освещении, успешно распознавая и захватывая плоды, хотя для улучшения точности потребуется усиление жёсткости роботизированного захватного механизма.
1.

Рис.6. Результаты распознавания плодов томата

Таким образом, распознавание томатов в данном проекте осуществляется с
использованием сверточной нейронной сети, обученной на разнообразных данных. Оценка точности распознавания позволяет подтвердить эффективность
предложенного метода, а результаты тестирования на различных изображениях
помогают выявить сильные и слабые стороны модели.
В данной статье была рассмотрена разработка компьютерной программы
для распознавания плодов томата на основе компьютерного зрения и использования сверточных нейронных сетей. Программа позволяет не только эффектив-

2.
3.
4.
5.
6.

Список литературы
Brownlee J. Deep Learning for Computer Vision: Image Classification, Object Detection, and
Face Recognition in Python. Melbourne: Machine Learning Mastery, 2019. 573 p.
Chollet F. Deep Learning with Python. 2nd ed. Shelter Island: Manning Publications, 2021.
544 p.
Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, MA: MIT Press, 2016. 775
p.
OpenCV Documentation. Open Source Computer Vision Library. [Электронный ресурс]
URL: https://docs.opencv.org/ (дата обращения: 05.01.2025).
Python Official Documentation. [Электронный ресурс] URL: https://docs.python.org/ (дата
обращения: 05.01.2025).
TensorFlow Documentation. [Электронный ресурс] URL: https://www.tensorflow.org/ (дата
обращения: 05.01.2025).

Автоматизированные системы управления биотехнологическими процессами
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.

251

252 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Zhu Y., Gu Q., Zhao Y., Wan H., Wang R., Zhang X., Cheng Y. Количественная экстракция
и оценка фенотипов томатов на основе распознавания изображений // Frontiers in Plant
Science. 2022. Т. 13. № 859290.
Арефи А., Модаррес Мотлаг А., Моллазаде К., Фаррокхи Теймурлу Р. Распознавание и
локализация спелых томатов на основе машинного зрения // Australian Journal of Crop
Science. 2011. Т. 5, № 10. С. 1144–1149.
Гурьянов А.С., Егоров А.В. Основы программирования на Python. М.: Лаборатория знаний, 2020. 320 с.
Калинин А.А., Гаврилов А.В. Практика машинного обучения. М.: ДМК Пресс, 2019. 418
с.
Крахмалев О., Гатауллин С., Болтачев Э., Корчагин С., Благовещенский И., Лян К. Разработка роботизированного комплекса для сбора урожая яблок с использованием системы компьютерного зрения // Robotics. 2022. Т. 11, № 4. С. 77.
Мартынов А.В. Машинное обучение. Анализ больших данных и глубокое обучение на
Python. М.: ДМК Пресс, 2020. 520 с.
Патсура В.В. Нейронные сети и глубокое обучение. Построение и применение моделей.
М.: Бином, 2020. 456 с.
Рассел С., Норвиг П. Искусственный интеллект: современный подход. Пер. с англ. 4-е
изд. М.: Вильямс, 2019. 1136 с.
Савин О.Г. Компьютерное зрение. Методы и алгоритмы обработки изображений. М.:
НОУ ИНТУИТ, 2016. 398 с.
Сатканов Р.Т., Боголюбская Ю.В., Стоякова К.Л., Ибраев Р.Р., Гончаров А.В., Бесфамильная Е.М., Волкова Д.А. Анализ тенденций мировой робототехники // Естественные
и технические науки. 2016. № 10 (100). С. 175-177.
Сухарев А.А. Методы машинного обучения и их применение. М.: Юрайт, 2021. 352 с.
Урамото С., Сузуки Х., Кувахара А., Китаджима Т., Ясуно Т. Алгоритм распознавания
томатов и механизм захвата для автоматизации сбора томатов в тепличных условиях //
Journal of Signal Processing. 2021. Т. 25, № 4. С. 151–154.
Четвериков С.А. Компьютерное зрение. Методы и алгоритмы. М.: Физматлит, 2017. 480
с.
Чэнь С., Ян С.X. Практическое решение для распознавания и локализации спелых томатов // Журнал обработки изображений в реальном времени. 2013. Т. 8, № 1. С. 35–51.
Яблоков А. Е., Потапов С. А. Разработка устройства сортировки яблок по сортам с использованием технологий сверточных нейронных сетей // Известия СПбГЭТУ «ЛЭТИ».
2024. Т. 17, № 6. С. 49–55.

УДК 62-529
О.О. Озинковский
Акционерное общество «РАТЕП»

ПЕРСПЕКТИВЫ РАЗВИТИЯ АВТОМАТИЗИРОВАННОГО
ПРОИЗВОДСТВА СВЕТИЛЬНИКОВ СЕРИИ «ФИТО»
О.О. Озинковский ПЕРСПЕКТИВЫ РАЗВИТИЯ АВТОМАТИЗИРОВАННОГО ПРОИЗВОДСТВА СВЕТИЛЬНИКОВ СЕРИИ «ФИТО»

Аннотация. Актуальность данной работы обусловлена растущим интересом к устойчивым методам сельского хозяйства и необходимости оптимизации процессов производства.
В последние годы наблюдается значительный рост спроса на фитолампы, что связано с увеличением популярности вертикальных ферм и гидропонических систем. Эти методы позволяют не только эффективно использовать пространство, но и минимизировать потребление
воды и удобрений, что является важным аспектом в условиях глобальных изменений климата. В связи с этим, исследование перспектив развития автоматизированного производства
светильников «ФИТО» становится особенно актуальным, так как оно может способствовать
улучшению качества продукции и повышению конкурентоспособности на рынке.
Ключевые слова: автоматизированное производство светильников, фитолампы, фитосветильники, развитие производства светильников, светодиоды (LED).

Современные технологии играют решающую роль в развитии растениеводства, в целом, и тепличного производства, в частности, обеспечивая повышение урожайности, оптимизацию затрат, улучшение качества продукции и устойчивое использование ресурсов [1-6].
В последние годы в агрономической практике отмечается выраженный
рост интереса к применению светодиодных (LED) технологий в системах искусственного освещения. Данная тенденция обусловлена высокой энергетической эффективностью LED, их экономичностью в эксплуатации и возможностью точной настройки спектрального состава излучения для оптимизации
процессов роста и развития растений. LED фитосветильники, таким образом,
становятся ключевым элементом при создании контролируемых условий для
фотосинтеза в закрытых агроэкосистемах, включая теплицы и вертикальные
фермы [7,8].
Развитие рынка фитосветильников характеризуется непрерывным внедрением инновационных решений, в частности, использованием различных
спектральных диапазонов для селективной стимуляции физиологических процессов у растений. Применение фитосветильников приобретает особую значимость в условиях дефицита естественной солнечной радиации, характерных для
зимнего периода или регионов с низким уровнем инсоляции. В данном контексте, LED технологии не только представляют собой эффективную альтернативу
традиционным источникам света, но и способствуют прогрессу в области регулируемого культивирования растений.
Инновационные подходы к разработке и производству LED фитосветильников позволяют достигать высокой энергоэффективности и увеличенного срока службы оборудования. Ежегодное совершенствование моделей, выражающееся в улучшении светотехнических и эксплуатационных характеристик,
расширяет возможности их применения, охватывая как коммерческое аграрное
производство, так и сферу любительского садоводства. Важнейшим аспектом

Автоматизированные системы управления биотехнологическими процессами

253

254 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

является возможность адаптации параметров освещения к специфическим потребностям различных видов и сортов растений, что, в свою очередь, способствует повышению урожайности и улучшению качественных характеристик сельскохозяйственной продукции.
Фитосветильник представляет собой устройство, перераспределяющее
световой поток, излучаемый несколькими светодиодами, закрепленными на металлической основе – арматуре, содержащее все необходимые электрические
цепи и элементы для присоединения к электрической сети. Общая концепция
светильника серии «ФИТО» представлена на рисунке 1.

мируемых логических устройств (ПЛК). Данная технология позволяет автоматически адаптировать световой режим в соответствии с биологическими процессами, происходящими в растениях на различных этапах онтогенеза. Моделирование спектральных характеристик, приближенных к естественному солнечному свету, способствует повышению эффективности фотосинтеза.
Разработчики фитосветильников уделяют значительное внимание материалам, используемым для изготовления корпусов. Применение полимерных
материалов с высокими теплоизоляционными свойствами и низкой плотностью
способствует эффективному отводу тепла, что увеличивает срок службы светодиодов. В качестве альтернативных решений применяются алюминиевые сплавы и композиционные материалы, обеспечивающие необходимую механическую прочность и минимальный вес конструкции, что в конечном итоге снижает эксплуатационные затраты.
Оптимизация освещения в растениеводстве достигается путем селективного выбора спектра излучения, основанного на дифференцированном влиянии
различных длин волн света на фотосинтетическую активность. Научные исследования демонстрируют, что эффективность фотосинтеза варьируется в зависимости от длины волны, при этом некоторые диапазоны спектра, такие как
красный и синий, оказывают более выраженное стимулирующее воздействие на
рост растений, чем другие. На основе этих данных разрабатываются LED фитосветильники с возможностью формирования спектрального состава, адаптированного к специфическим потребностям растений на различных стадиях онтогенеза. В частности, на стадии вегетативного роста целесообразно преобладание излучения в синей области спектра, в то время как в период цветения
предпочтительнее увеличение доли красного света [10,11].
Современные LED фитосветильники представляют собой комплексные
системы, интегрирующие инновационные материалы, высокоэффективные светодиоды и интеллектуальные системы управления. Такая интеграция позволяет
оптимизировать энергопотребление и создавать благоприятные условия для
роста и развития растений. Дальнейшие исследования и разработки в данной
области направлены на создание еще более эффективных и экологически устойчивых решений, способствующих повышению урожайности и снижению
негативного воздействия на окружающую среду [12].
Эффективное внедрение LED технологий в растениеводство также требует учета рыночных трендов. Анализ рынка, включающий мониторинг динамики
спроса и предложения на LED фитосветильники, позволяет своевременно адаптировать продуктовую линейку к изменяющимся потребностям потребителей.
Прогнозирование спроса на основе исторических данных и текущих тенденций
является основой для построения эффективных стратегий управления запасами
и оптимизации производственных процессов.
Автоматизация производства LED фитосветильников открывают значительные возможности для повышения эффективности, снижения издержек и
улучшения качества продукции. В частности, автоматизированные линии позволяют значительно увеличить объем выпуска продукции по сравнению с руч-

Рис. 1. Общая концепция светильника серии ФИТО: 1,2,3 – токоведущие
проводники; 4 – источник питания; 5,6 – модуль светодиодный.

Рост объемов производства LED фитосветильников обусловлен как совершенствованием существующих, так и внедрением инновационных автоматизированных систем и алгоритмов управления. Данная оптимизация производственных процессов направлена на снижение себестоимости продукции, что
потенциально повысит ее доступность для сельскохозяйственных производителей. Вместе с тем, необходима дальнейшая оценка экологических последствий,
связанных с жизненным циклом LED фитосветильников, а также интеграция
принципов устойчивого развития в производственные циклы.
В контексте модернизации сельского хозяйства и повышения его эффективности, дальнейшее развитие производственных линий LED фитосветильников представляется перспективным направлением. Настоящая работа ставит
своей целью систематизацию имеющихся данных, анализ ключевых тенденций
и формирование рекомендаций для будущих научно-исследовательских и
опытно-конструкторских работ в данной области.
В фитосветильниках широко применяются как стандартные белые светодиоды, так и специализированные спектральные решения, разработанные для
оптимизации фотосинтетической активности растений [9]. Использование комбинаций красных и синих светодиодов позволяет формировать спектр, адаптированный под конкретные физиологические потребности растений, что, как
следствие, приводит к повышению урожайности и улучшению качественных
характеристик продукции. Важно отметить, что спектральные потребности
варьируются в зависимости от вида растения и стадии его развития.
Современные фитосветильники обладают функцией динамической регулировки спектра, реализованной посредством микроконтроллеров и програм-

255

256 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ным трудом. При этом, несмотря на первоначальные инвестиции в автоматизацию, долгосрочные затраты снижаются благодаря уменьшению потребности в
ручном труде, снижению брака, оптимизации использования материалов и
снижению энергопотребления [13-16].
Автоматизированные системы выполняют операции с высокой точностью
и последовательностью, что обеспечивает стабильное качество продукции, а
гибкость производства позволяет оперативно перенастраивать линии для производства различных моделей фитосветильников.
Представленное исследование обобщает ключевые достижения в области
разработки LED фитосветильников, демонстрируя значительные изменения в
подходах к освещению и облучению, в том числе на объектах защищенного
грунта. Приведены перспективы и направления развития автоматизации технологических процессов производства фитосветильников.

11. Алексеева М.С. Основные аспекты повышения конкурентоспособности промышленных
предприятий по производству светодиодной продукции // Известия СанктПетербургского государственного экономического университета. 2014. №5 (89).
12. Долгих П.П., Хусенов Г.Н. Современные LED-фитоизлучатели для тепличных технологий // Эпоха науки. 2018. №14.
13. Каргин В.А., Усанов К.М., Стрельников В.А., Борисевский А.М. Программируемая система

Автоматизированные системы управления биотехнологическими процессами

Список литературы

1.
2.
3.

4.
5.
6.

Каргин В.А., Сохинов Д.Ю., Усанов К.М., Мокрушин С.А., Кротов И.В. Интеллектуальная автоматизированная система управления сортировкой фруктов // Электротехнологии и электрооборудование в АПК. 2024. Т. 71. № 2 (55). С. 100-106.
Лягина Л.А., Волгин А.В., Белов В.В., Четвериков Е.А., Моисеев А.П. Повышение экологичности и эффективности сушки растительного сырья электронагревателем // Известия Международной академии аграрного образования. 2018. № 38. С. 14-19.
Каргин В.А., Сохинов Д.Ю., Кишко В.В., Сыч С.А. Оценка перспектив использования роботизированных систем для сортировки фруктов // В сборнике: Инновационное техническое обеспечение агропромышленного комплекса. Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова. Саратов, 2023. С. 308-313.
Usanov K.M., Volgin A.V., Kargin V.A., Moiseev A.P., Chetverikov E.A. Electric converters of electromagnetic strike machine with battery power // В сборнике: IOP Conference Series: Materials Science and Engineering. 2018. С. 052031.
Volgin A.V., Kargin V.A., Chetverikov E.A., Moiseev A.P., Lagina L.A. Improving the efficiency of
convective grain drying by using low-intensity rf radiation // IOP Conference Series: Earth and Environmental Science. 2022. Т. 954. № 1. С. 012017.
Каргин В.А., Кишко В.В., Борисевский А.М. Перспективы использования алгоритмов искусственного интеллекта для раннего обнаружения заболеваний сырья растительного происхождения
// В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 142-148.

Малахова С.Д., Тютюнькова М.В., Федорова З.С., Демьяненко Е.В. Светодиодное освещение при выращивании овощных культур // Проблемы региональной экологии. 2019.
№5.
8. Егоров М.Ю., Корнилова Г.С. Анализ существующих устройств и технологий для дополнительного освещения рассады // Вестник НГИЭИ. 2021. №11 (126).
9. Губина А. А., Левин Е. В., Романович М. М., Дегтерев А. Э., Патоков Н. О., Ламкин И.
А., Тарасов С. А. Определение оптимального спектрального состава излучения светодиодной фитолампы для стимуляции развития семян моркови и томата // Известия высших
учебных заведений России. Радиоэлектроника. 2022. №3.
10. Каркайтис Д.Ю., Т. Н. Лисина Светодиодное освещение в современной тепличной отрасли // Земледелие. 2023. №8. URL:
7.

управления процессами в блочной теплице // Электротехнологии и электрооборудование в АПК.
2022. Т. 69. № 3 (48). С. 69-75.
14. Усанов К.М., Каргин В.А., Мокрушин С.А., Стрельников В.А. Микропроцессорная автоматизированная система управления процессами водоподготовки // Электротехнологии и электрооборудование в АПК. 2022. Т. 69. № 3 (48). С. 76-81.
15. Вахрушев А.А., Рассохин И.М., Каргин В.А. Программирование и настройка адаптивной управляющей системы // В сборнике: Актуальные проблемы энергетики АПК. Материалы XI национальной научно-практической конференции с международным участием. Под общей редакцией
В.А. Трушкина. Саратов, 2020. С. 34-37.
16. Kargin V.A., Volgin A.V., Volgina E.V. Automatic control system of electromagnetic vault down-faller
// В сборнике: 2020 International Multi-Conference on Industrial Engineering and Modern Technologies, FarEastCon 2020. 2020. С. 9271247.

УДК 62-529
О.О. Озинковский1, В.А. Каргин2
1
Акционерное общество «РАТЕП»
2
ФГБОУ ВО «Российский биотехнологический университет (РОСБИОТЕХ)»

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ LED-ФИТОСВЕТИЛЬНИКОВ
ПРИМЕНЕНИЕМ ИНТЕЛЛЕКТУАЛЬНЫХ УПРАВЛЯЮЩИХ СИСТЕМ
О.О. Озинковский, В.А. Каргин ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ LED-ФИТОСВЕТИЛЬНИКОВ ПРИМЕНЕНИЕМ ИНТЕЛЛЕКТУАЛЬНЫХ УПРАВЛЯЮЩИХ СИСТЕМ

Аннотация. В статье рассматриваются актуальные проблемы производства светодиодных (LED) фитосветильников для теплиц, а также предлагаются пути их решения с использованием современных технологий, включая машинное обучение и системы технического зрения. Предложен комплексный подход к контролю качества компонентов и готовой
продукции, основанный на автоматизированных системах визуального контроля и алгоритмах машинного обучения для классификации дефектов. Рассмотрены методы прогнозирования эксплуатационного ресурса и выявления потенциальных аварийных ситуаций с использованием математических моделей, учитывающих процессы деградации компонентов. Обоснована целесообразность внедрения предложенных мер для повышения эффективности производства, снижения затрат, обеспечения высокого качества и надежности LEDфитосветильников, что будет способствовать увеличению урожайности и улучшению качества сельскохозяйственной продукции.
Ключевые слова: автоматизированное производство светильников, фитолампы, фитосветильники, развитие производства светильников, светодиоды (LED), машинное обучение, техническое зрение, контроль качества, спектральный состав, равномерность освещения,

В условиях возрастающего спроса на продовольствие и необходимости повышения эффективности сельскохозяйственного производства, развитие и внедрение современных агротехнологий становится ключевой задачей [1-3]. Эти
технологии охватывают широкий спектр инноваций, от точного земледелия и
использования дронов для мониторинга посевов до применения биотехнологий

Автоматизированные системы управления биотехнологическими процессами

257

258 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

и разработки новых сортов растений. Внедрение таких технологий позволяет
значительно увеличить урожайность и снизить затраты на производство [4,5].
В частности, традиционные методы тепличного освещения, основанные на
использовании газоразрядных ламп высокого давления, например, ДНаТ, ДРИ,
характеризуются относительно невысоким КПД, значительным тепловыделением и ограниченным спектральным составом, оказывающим существенное
влияние на качество сельскохозяйственной продукции [6]. При этом, светодиодные (LED) фитосветильники обеспечивают возможность точной настройки
спектрального состава излучения, оптимизированного под потребности конкретных видов растений и стадий их развития [7,8]. Это позволяет стимулировать фотосинтез, регулировать процессы морфогенеза, ускорять рост и развитие
растений.
LED-фитосветильники также являются ключевым компонентом систем
вертикального фермерства и городского земледелия. Благодаря компактности и
низкому тепловыделению LED-систем, становится возможным создание многоярусных конструкций для выращивания растений в ограниченном пространстве, что позволяет эффективно использовать городские площади и снижать
транспортные расходы на доставку продукции.
В этой связи, актуальность развития производства светодиодных фитосветильников для теплиц обусловлена целым рядом факторов, определяющих их
значимость для современной агропромышленности [9].
В настоящей статье проведен анализ проблем производства LEDфитосветильников и намечены пути повышения их эффективности с помощью
современных и перспективных технологий и технических средств, в том числе,
машинного обучения, системы технического зрения и др. [10-13].
Производство светодиодных фитосветильников для промышленных теплиц является быстроразвивающейся областью, направленной на оптимизацию
условий освещения для роста и развития растений в защищенном грунте [14].
Однако, наряду с преимуществами, данный процесс сопряжен с рядом проблем,
которые необходимо решать для обеспечения высокой эффективности, долговечности и соответствия специфическим потребностям различных агрокультур.
Спектр излучения светодиодов оказывает непосредственное влияние на
фотосинтез, морфогенез и другие физиологические процессы растений. Неправильный выбор спектра может привести к снижению урожайности, ухудшению
качества продукции и повышению энергопотребления. Проблема заключается в
сложности точной настройки спектрального состава для различных культур и
стадий их развития. Использование спектрометров с автоматизированной системой анализа данных для определения спектральных характеристик каждого
светодиода и разработка алгоритма машинного обучения позволит классифицировать светодиоды по классам и выбирать оптимальные комбинации для
достижения заданного спектра излучения светильника.
Неоднородное распределение света по площади теплицы может привести к
неравномерному росту растений и снижению общей продуктивности. Поддержание оптимальной интенсивности освещения также критически важно для

предотвращения фотоингибирования и стрессовых состояний у растений. Решение данной проблемы является разработка комплексного подхода, включающего 3D-моделирование светодиодных светильников и применения алгоритмов оптимизации (например, генетических алгоритмов) для определения
расположения светодиодов и формы рефлекторов, обеспечивающих равномерное освещение и заданную интенсивность на уровне растений.
Одним из критически важных направлений повышения функциональной
эффективности и эксплуатационной надежности LED-фитосветильников является внедрение и постоянное совершенствование системы контроля качества
компонентов и готовой продукции на всех этапах производственного цикла.
Вариативность электрических, оптических и тепловых характеристик светодиодов, используемых источников питания, а также пассивных электронных
компонентов может являться источником существенных отклонений в интегральных характеристиках готовых фитосветильников от заявленных паспортных значений. Неудовлетворительный контроль качества на любом из этапов
производства приводит к снижению светоотдачи, сокращению эффективного
срока службы, увеличению вероятности возникновения отказов и, как следствие, возрастанию затрат, связанных с гарантийным обслуживанием.
В целях минимизации негативных последствий, обусловленных вариативностью компонентов и производственными дефектами, представляется целесообразным внедрение комплексного подхода, включающего ряд мероприятий
[15]:
 интеграция автоматизированных систем визуального контроля на основе
машинного зрения;
 разработка и внедрение алгоритмов машинного обучения для классификации дефектов и автоматизированной отбраковки некачественных компонентов:
 использование роботизированных комплексов для автоматической сборки и тестирования фитосветильников;
 применение статистических методов контроля процессов и др.
Внедрение предложенных мер позволит существенно повысить качество и
надежность LED-фитосветильников, снизить затраты на гарантийное обслуживание и укрепить конкурентные позиции производителя на рынке. Кроме того,
полученные данные могут быть использованы для дальнейшей оптимизации
конструкции и технологического процесса производства фитосветильников, а
также для разработки новых, более эффективных и долговечных моделей
Оценка надежности светодиодных осветительных приборов представляет
собой комплексную задачу, осложняющуюся необходимостью проведения длительных испытаний, которые, зачастую, не в полной мере отражают вариативность условий их реальной эксплуатации. В связи с этим, для эффективного
прогнозирования эксплуатационного ресурса и выявления потенциальных аварийных ситуаций, целесообразно использование подхода, основанного на разработке и верификации математических моделей. Данные модели должны учитывать процессы деградации, происходящие в полупроводниковых светоизлу-

Автоматизированные системы управления биотехнологическими процессами

259

чающих диодах и прочих компонентах осветительного устройства под воздействием совокупности эксплуатационных факторов, включая, температуру и
влажность окружающей среды, концентрацией агрессивных химических соединений и механическими нагрузками. Реализация данного подхода предполагает:
 разработку физически обоснованных математических моделей деградации;
 интеграцию моделей деградации в комплексную модель осветительного
устройства;
 разработку системы мониторинга параметров работы светильника;
 разработку алгоритмов прогнозирования срока службы и выявления
аварийных ситуаций.
Таким образом, решение проблем производства светодиодных фитосветильников для теплиц требует комплексного подхода, включающего применение современных материалов, передовых инженерных решений и интеллектуальных систем контроля качества. Внедрение таких систем позволит повысить
эффективность производства, снизить затраты, обеспечить высокое качество и
надежность готовой продукции, что, в свою очередь, будет способствовать повышению урожайности и улучшению качества сельскохозяйственной продукции, выращенной в теплицах. Дальнейшие исследования в области машинного
обучения и анализа данных позволят создавать еще более совершенные системы контроля качества, способные адаптироваться к изменяющимся условиям
производства и новым требованиям рынка.
1.
2.
3.
4.
5.
6.
7.

Список литературы
Каргин В.А., Усанов К.М., Стрельников В.А., Борисевский А.М. Программируемая система управления процессами в блочной теплице // Электротехнологии и электрооборудование в АПК. 2022. Т. 69. № 3 (48). С. 69-75.
Усанов К.М., Каргин В.А., Мокрушин С.А., Стрельников В.А. Микропроцессорная автоматизированная система управления процессами водоподготовки // Электротехнологии и электрооборудование в АПК. 2022. Т. 69. № 3 (48). С. 76-81.
Kargin V.A., Volgin A.V., Volgina E.V. Automatic control system of electromagnetic vault
down-faller // В сборнике: 2020 International Multi-Conference on Industrial Engineering and
Modern Technologies, FarEastCon 2020. 2020. С. 9271247.
Малахова С.Д., Тютюнькова М.В., Федорова З.С., Демьяненко Е.В. Светодиодное освещение при выращивании овощных культур // Проблемы региональной экологии. 2019.
№5.
Каркайтис Д.Ю., Т. Н. Лисина Светодиодное освещение в современной тепличной отрасли // Земледелие. 2023. №8.
Егоров М.Ю., Корнилова Г.С. Анализ существующих устройств и технологий для дополнительного освещения рассады // Вестник НГИЭИ. 2021. №11 (126).
Губина А. А., Левин Е. В., Романович М. М., Дегтерев А. Э., Патоков Н. О., Ламкин И.
А., Тарасов С. А. Определение оптимального спектрального состава излучения светодиодной фитолампы для стимуляции развития семян моркови и томата // Известия высших
учебных заведений России. Радиоэлектроника. 2022. №3.
Долгих П.П., Хусенов Г.Н. Современные LED-фитоизлучатели для тепличных технологий // Эпоха науки. 2018. №14.

260 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
9.
10.
11.

12.

13.

14.

15.

Алексеева М.С. Основные аспекты повышения конкурентоспособности промышленных
предприятий по производству светодиодной продукции // Известия СанктПетербургского государственного экономического университета. 2014. №5 (89).
Каргин В.А., Сохинов Д.Ю., Усанов К.М., Мокрушин С.А., Кротов И.В. Интеллектуальная автоматизированная система управления сортировкой фруктов // Электротехнологии
и электрооборудование в АПК. 2024. Т. 71. № 2 (55). С. 100-106.
Каргин В.А., Кишко В.В., Усанов К.М., Сохинов Д.Ю. Результаты создания интеллектуальной системы с использованием нейросетевых технологий для оценки качества яблок
при сортировке // В сборнике: Вавиловские чтения - 2022. Сборник статей Международной научно-практической конференции, посвященной 135-й годовщине со дня рождения
академика Н.И. Вавилова. Саратов, 2022. С. 710-715.
Каргин В.А., Сохинов Д.Ю., Кишко В.В., Каверзин И.В. Разработка и оценка нейронной
сети для оценки качества яблок //В сборнике: Современные проблемы автоматизации
технологических процессов и производств. сборник научных докладов научнопрактической конференции с международным участием, посвященной 100-летию со дня
рождения Игоря Константиновича Петрова. Курск, 2023. С. 205-211.
Исса А., Каргин В.А. Повышение эффективности оценки качества мяса применением
систем технического зрения и сверточных нейронных сетей // В сборнике: Современные
проблемы автоматизации технологических процессов и производств. сборник научных
докладов научно-практической конференции с международным участием, посвященной
100-летию со дня рождения Игоря Константиновича Петрова. Курск, 2023. С. 201-204.
Каргин В.А., Кишко В.В., Борисевский А.М. Перспективы использования алгоритмов
искусственного интеллекта для раннего обнаружения заболеваний сырья растительного
происхождения // В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 142-148.
Каргин В.А., Сохинов Д.Ю., Кишко В.В., Сыч С.А. Оценка перспектив использования
роботизированных систем для сортировки фруктов // В сборнике: Инновационное техническое обеспечение агропромышленного комплекса. Материалы научно-технической
конференции с международным участием имени А.Ф. Ульянова. Саратов, 2023. С. 308313.
УДК629.7
И.В. Полищук, О.Н. Крахмалев
Российский биотехнологический университет (РОСБИОТЕХ)

CAE-ПРИЛОЖЕНИЯ ДЛЯ МОДЕЛИРОВАНИЯ ИНЕРЦИОННЫХ
СВОЙСТВ МАНИПУЛЯЦИОННЫХ РОБОТОВ
И.В. Полищук, О.Н. Крахмалев CAE-ПРИЛОЖЕНИЯ ДЛЯ МОДЕЛИРОВАНИЯ ИНЕРЦИОННЫХ СВОЙСТВ МАНИПУЛЯЦИОННЫХ РОБОТОВ

Аннотация. В статье рассматривается метод моделирования динамических характеристик манипуляционных систем роботов с использованием матриц инерции. В работе проведен анализ ограничений метода, использующего тензор инерции в уравнении НьютонаЭйлера, и предложен альтернативный метод формирования динамической модели манипуляционной системы с использованием матрицы инерции в уравнениях Лагранжа второго рода.
Ключевые слова: CAE-приложения, моделирование динамики, матрица инерции, тензор инерции, манипуляционные системы, робототехника, оптимизация вычислений

Современные CAE-приложения, такие как Универсальный Механизм,
ANSYS, Webots, MATLAB с библиотекой Simscape Multibody и Fusion 360, широко применяются для моделирования инерционных характеристик манипуля-

Автоматизированные системы управления биотехнологическими процессами

261

262 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ционных систем роботов. В рамках этих систем традиционно используется тензор инерции, позволяющий учитывать распределение масс в твердых телах и
его влияние на динамику их движения. Однако применение тензора инерции
связано с рядом ограничений, включая повышенные вычислительные затраты,
сложность учета изменяемых параметров системы и высокую алгоритмическую
сложность при решении задач в реальном времени.
Одним из альтернативных подходов, позволяющих преодолеть данные
ограничения, является использование матрицы инерции. В отличие от тензора
инерции, матрица инерции предоставляет более гибкую структуру представления инерционных характеристик, что делает ее удобной для оптимизации вычислительных процессов. Это особенно важно при использовании CAE-систем,
ориентированных на автоматизацию проектирования и анализ сложных механических структур.
Применение матрицы инерции позволяет исключить тождественно равные нулю элементы из динамических уравнений, что снижает объем вычислений и повышает эффективность моделирования. В данной статье рассматриваются особенности этого подхода, а также его преимущества в контексте построения динамических моделей манипуляционных систем роботов.
В данной работе рассматривается метод моделирования на основе матрицы инерции, позволяющий снизить вычислительную сложность и создать основу для распараллеливания вычислений.
Цель работы – продемонстрировать преимущества использования матрицы инерции при формировании динамической модели манипуляционной системы.
Задачи работы:
1. Проанализировать традиционный метод формирования динамической
модели манипуляционной системы на основе тензора инерции.
2. Сформулировать основные положения альтернативного метода, основанного на матрице инерции.
3. Доказать эффективность применения матрицы инерции при формировании динамической модели манипуляционной системы.
Поставленные задачи позволяют всесторонне оценить эффективность использования матрицы инерции при формировании динамической модели манипуляционной системы.
Компьютерные системы автоматизированного проектирования (CAE)
представляют собой программные комплексы, предназначенные для анализа,
моделирования и оптимизации инженерных конструкций. Они используются
для оценки механических, тепловых и динамических характеристик объектов,
что позволяет проектировать эффективные и надежные системы. В контексте
динамического анализа манипуляционных роботов CAE-приложения реализуют моделирование движения роботов с учётом их инерционных свойств.
Тензор инерции – это симметричная матрица, описывающая распределение массы твердого тела относительно осей вращения и определяющая его динамические характеристики при вращательном движении. Он используется для

вычисления углового момента и кинетической энергии вращающихся объектов,
учитывая моменты инерции и центробежные произведения инерции.
Для абсолютно твердого тела с однородной структурой тензор инерции I
определяется интегралом:
(1)
где ρ(r) – плотность материала в точке r, V – объем тела, δij – символ Кронекера, ri, rj – координаты точки в теле относительно выбранной системы координат.
Матричная форма записи тензора инерции для системы координат, связанной с центром масс тела, выглядит следующим образом:

2
)
где Ixx, Iyy, Izz – главные моменты инерции относительно декартовых осей
Ox, Oy, Oz; Iyx, Izx, Izy – центробежные моменты инерции.
Тензор инерции широко применяется в методе Ньютона-Эйлера для моделирования динамических систем. Его основное преимущество заключается в
возможности представления уравнений движения в векторной форме, что
уменьшает количество необходимых вычислительных операций по сравнению
с матричными методами. Например, динамическое уравнение для вращательного движения можно записать как:
(3)
где τ – вектор крутящего момента, α – угловое ускорение, ω – угловая
скорость.
Уравнение показывает, как тензор инерции используется для расчета динамики вращательных систем.
Однако, несмотря на эти преимущества, использование тензора инерции
связано с рядом ограничений. Основная сложность заключается в необходимости выполнения большого числа операций при работе с многомерными структурами данных. При изменении геометрии или массы системы требуется повторное выполнение всех вычислений, что снижает гибкость метода в условиях
изменяющейся структуры динамической модели.
Эти ограничения создают предпосылки для поиска альтернативных методов моделирования, одним из которых является использование матрицы инерции, позволяющей повысить вычислительную эффективность и упростить процесс оптимизации [1-4].
Матрица инерции
описывает инерционные абсолютно твердого тела. При однородной структуре тела матрица инерции вычисляется интегрированием по объему тела на основе выражения [2]:

Автоматизированные системы управления биотехнологическими процессами

263

(4)
где: r – радиус-вектор некоторой точки; Ω – объем тела.
Матричная форма записи матрицы инерции:
(5)
где: ,
,
– моменты инерции относительно плоскостей; Ixy, Ixz, Iyz –
центробежные инерции; Sx, Sy, Sz – статические моменты масс относительно
плоскостей; M – масса звена.
Использование матрицы инерции в моделировании динамических характеристик манипуляционных роботов позволяет преодолеть ограничения, связанные с применением тензора инерции [3]. В отличие от тензора инерции,
матрица инерции обеспечивает более гибкую структуру представления данных,
что открывает возможности для оптимизации вычислений и повышения эффективности алгоритмов моделирования.
На первый взгляд, применение матрицы инерции может показаться более
сложным с точки зрения вычислительной нагрузки. Однако этот подход позволяет логически перестроить модель, дополнив выражения тождественно равными нулю элементами, что снижает вычислительные затраты и делает процесс
формирования геометрической модели более оптимальным.
При формировании динамической модели на основе кинетической энергии используется следующее выражение:
(6)
где Hk – матрица инерции для k-го звена, Ä0,k – матрица геометрической
модели, qi – обобщенная координата, Qi – обобщенная сила.
В данной формуле можно выполнить преобразование, включающее дополнительные слагаемые, которые не изменяют равенство, но тождественно
равны нулю. Эти элементы также присутствуют в динамической модели, однако их вычисление не требуется:

(7)
Подобное преобразование приводит к логической перестройке модели,
что позволяет снизить вычислительные затраты, сделав процесс формирования
геометрической модели более оптимальным. В результате оптимизированная
динамическая модель на основе матрицы инерции достигает вычислительной

264 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

эффективности, сопоставимой с методом Ньютона-Эйлера, основанным на тензоре инерции.
Кроме того, использование матрицы инерции и геометрической модели
делает возможным распараллеливание вычислений за счет структуры динамической модели, формируемой на основе частных производных геометрической
модели [5]. В результате динамическая модель представляется в виде двух эквивалентных форм – скалярной и векторной, что упрощает интеграцию кинематических и динамических задач в единую структуру. Это особенно важно для
систем управления манипуляционными роботами, где критически важна высокая скорость обработки данных при сохранении точности моделирования.
Формирование динамической модели манипуляционных роботов основано на использовании кинетической энергии, которая выражается через наложение инерционной и геометрической моделей. Кинетическая энергия может быть
представлена в следующем виде:
(8)
где Ȧ0,k – матрица, описывающая геометрическую модель для k-го звена,
Hk – матрица инерции, tr – оператор следа.
Это выражение демонстрирует взаимосвязь между геометрической и
инерционной характеристиками системы.
Формирование динамической модели осуществляется на основе уравнения Лагранжа второго рода:
(9)
где q̇ i – обобщенные скорости, Ä0,k – матрица ускорений для k-го звена.
Левая часть уравнения представляет собой дифференцирование кинетической энергии, правая часть – обобщенные сила, действующие на систему.
С целью упрощения вычислений применяется тождество для преобразования выражения со следом:
(10)
Это тождество позволяет упростить расчетные операции и повысить эффективность моделирования.
В результате формируются две эквивалентные формы динамической модели: скалярная и векторная. Каждая из них строится на основе частных производных геометрической модели, что позволяет интегрировать кинематические
и динамические задачи в единую структуру.
Объектно-ориентированный подход к моделированию позволяет представить динамическую модель в виде набора связанных объектов, что упрощает
как разработку алгоритмов управления, так и их дальнейшую оптимизацию.
Использование матрицы инерции и геометрической модели делает возможным
распараллеливание вычислений, что особенно важно для систем управления в
реальном времени.

Автоматизированные системы управления биотехнологическими процессами

265

В данной работе была достигнута поставленная цель – продемонстрировать преимущества использования матрицы инерции при формировании динамической модели манипуляционной системы. В ходе достижения цели были
выполнены указанные задачи.
Результаты исследования подтвердили, что использование матрицы
инерции позволяет значительно повысить вычислительную эффективность по
сравнению с методом Ньютона-Эйлера, основанным на тензоре инерции. Это
достигается за счет логической перестройки геометрической модели, исключения тождественно равных нулю элементов и оптимизации расчетных операций.
Кроме того, структура динамической модели, построенной с применением матрицы инерции, открывает возможности для распараллеливания вычислений, что делает предложенный метод перспективным для использования в системах управления манипуляционными роботами, особенно в задачах реального
времени и на многопроцессорных вычислительных платформах.
В дальнейшем работа может быть расширена за счет интеграции дополнительных методов оптимизации и разработки алгоритмов для адаптивных систем управления, что позволит значительно повысить вычислительную эффективность моделирования динамики манипуляционных систем. При выполнении
исследовательской работы были использованы также источники [7–10].
1.

3.
4.
5.
6.
7.

Список литературы
Блейшмидт, Л. И. Построение инерционной модели манипуляционной системы промышленного робота / Л. И. Блейшмидт, О. Н. Крахмалев. — Брянск: БИТМ, 1990. —
Деп. ВИНИТИ № 1616–В91. – С. 5-15.С. А. Рылов. Промышленный интернет. Современный подход и концепции: учебник // Москва: РТУ МИРЭА. - 2023. – 95 с.
Крахмалев, О. Н. Моделирование манипуляционных систем роботов : учебное пособие /
О. Н. Крахмалев. – 2-е изд. – Москва : Ай Пи Ар Медиа, 2024. – 198 c. – ISBN 978-54497-3377-1. – Текст : электронный // Цифровой образовательный ресурс IPR SMART :
[сайт]. – URL: https://www.iprbookshop.ru/141848.html (дата обращения: 29.08.2024).
Крахмалев, О. Н. Объектное моделирование в кинематике манипуляционных роботов /
О.Н. Крахмалев // Нейрокомпьютеры: разработка, применение, 2022. – №5. – С. 55–66.
https://doi.org/10.18127/j19998554-202205-06.
Булгаков, А. Г. Промышленные роботы. Кинематика, динамика, контроль и управление /
А. Г. Булгаков, В. А. Воробьев. — М.: СОЛОН-ПРЕСС, 2012. – С. 200-300.
Бохонский, А. И. Динамика манипуляторов с абсолютно твёрдыми и деформируемыми
звеньями / А. И. Бохонский, Л. В. Барашова. — Севастополь: Севастопольский национальный технический университет, 2009. – С. 150-175.
Walker, M. W. Efficient dynamic computer simulation of robotic mechanisms. / M. W. Walker,
D. E. Orin // ASME J. of Dyn. Syst., Meas. and Contr. — 1982. — Vol. 104, Sept. – С. 205211.
Krakhmalev, O.; Korchagin, S.; Pleshakova, E.; Nikitin, P.; Tsibizova, O.; Sycheva, I.; Liang,
K.; Serdechnyy, D.; Gataullin, S.; Krakhmalev, N. Parallel Computational Algorithm for Object-Oriented Modeling of Manipulation Robots. Mathematics, 2021, 9, 2886.
https://doi.org/10.3390/math9222886.
Krakhmalev, O.; Krakhmalev, N.; Gataullin, S.; Makarenko, I.; Nikitin, P.; Serdechnyy, D.;
Kang, L.; Korchagin, S. Mathematics Model for 6-DOF Joints Manipulation Robots. Mathematics, 2021, 9, 2828. https://doi.org/10.3390/math9212828.

266 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
9.

Krakhmalev, O.; Gataullin, S.; Boltachev, E.; Korchagin, S.; Blagoveshchensky, I.; Liang, K.
Robotic Complex for Harvesting Apple Crops. Robotics, 2022, 11, 77.
https://doi.org/10.3390/robotics11040077.
10. Kang Liang, Zhang Xiukai, Oleg Krakhmalev. SLSL-QPSO: Quantum-behaved particle swarm
optimization with short-lived swarm layers. SoftwareX, 2023, 24, 101536,
https://doi.org/10.1016/j.softx.2023.101536.
УДК 519.876.5
С.А. Рылов, Е.Н. Каширская
Российский Технологический университет (МИРЭА)

ASSETADMINISTRATIONSHELL (AAS) – КАК УНИВЕРСАЛЬНЫЙ
КОНЦЕПТ ДЛЯ ЦИФРОВЫХ ДВОЙНИКОВ ПРОМЫШЛЕННОГО
ИНТЕРНЕТА ВЕЩЕЙ
С.А. Рылов, Е.Н. Каширская ASSETADMINISTRATIONSHELL (AAS) – КАК УНИВЕРСАЛЬНЫЙ КОНЦЕПТ ДЛЯ ЦИФРОВЫХ ДВОЙНИКОВ ПРОМЫШЛЕННОГО ИНТЕРНЕТА
ВЕЩЕЙ

Аннотация. В статье описан подход описания цифровых активов производственных
систем AssetAdministrationShell и возможные сферы применения в рамках систем промышленного интернета вещей.
Ключевые
слова:
Промышленный
интернет
вещей,
IIoT,
AAS,
AssetAdministrationShell, цифровой двойник

Интернет вещей (IoT) [1] по своей сути сложен из-за множества взаимосвязанных устройств, разнообразия коммуникационных протоколов и требований к бесперебойной интеграции в различных областях. Управление и поддержка этой сложной сети сопряжены с трудностями с точки зрения совместимости данных, безопасности и принятия решений в режиме реального времени
(см. рис 1).

Рис.1. Распределенная архитектура промышленного интернета вещей

Автоматизированные системы управления биотехнологическими процессами

267

268 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Цифровой двойник, создавая виртуальную копию физической среды Интернета вещей, предлагает решение, обеспечивающее всестороннее представление системы в режиме реального времени. Это позволяет проводить моделирование, анализ и оптимизацию, способствуя эффективному мониторингу,
управлению и профилактическому обслуживанию, что в конечном итоге устраняет сложности и повышает общую производительность экосистемы Интернета
вещей.
AssetAdministrationShell (AAS) - Оболочка управления активами — это не
просто мимолетный тренд, это мощная концепция, способная революционизировать производство и автоматизацию, подобно тому, как язык гипертекстовой
разметки (HTML) произвел революцию в Интернете в 1990-х годах. Консорциум всемирной паутины (W3C), основанный Тимом Бернерсом-Ли, сыграл важную роль в формировании Интернета таким, каким мы его знаем сегодня, а Ассоциация промышленных цифровых близнецов (IDTA) [2] будет играть аналогичную роль в будущем в области производства и автоматизации.
Концепция виртуальной копии физических активов или систем в контексте
индустрии 4.0 [3] известна как "цифровой двойник". Термин "AAS" расшифровывается как "Оболочка управления активами", которая представляет собой
стандартизированное описание поведения активов и возможностей для коммуникации и взаимодействия.
Цифровой двойник - это точная копия физического устройства, отражающая его характеристики, поведение и производительность. Он помогает моделировать и оптимизировать операции, отслеживать условия в режиме реального
времени, а также прогнозировать и предотвращать сбои.

бесперебойную совместимость и сотрудничество между предприятиями. Она
необходима для таких процессов, как управление запасами, уведомления о техническом обслуживании и соблюдение нормативных требований, таких как
паспорт цифрового продукта (DPP).
Во многих случаях для AAS более выгодно извлекать данные из системы
записей (такой как SAP S/4, MES [4], приложения для обслуживания или
управления активами) на разовой основе или по требованию. В этом случае
клиент использует API-интерфейсы AAS. AAS или его API-интерфейсы действуют как прокси-сервер для доступа к системе записей. В качестве альтернативы, можно сохранить определенные подмодели и/или свойства, в то время как
другие будут извлекаться по запросу. Эти механизмы могут быть использованы
для их синхронизации с соответствующей системой учета.
Идея AAS открывает широкий спектр возможностей, например, служит
катализатором бизнес-операций (например, генерирует оповещения о техническом обслуживании в рамках системы технического обслуживания оборудования).
Вы можете использовать XML-файл с семантическим определением структурированных элементов для представления ресурса. Это называется AAS типа
1. Однако существует также AAS типа 2, который использует нормализованный
API на основе сервис-ориентированного подхода (REST/JSON). Кроме того,
существует AAS типа 3, который представляет собой машинную коммуникацию, также использующую стандартизированный API. Подводя итог, можно
использовать комбинацию различных типов AAS. Если вы просто используете
XML-файлы или архивируете XML-файлы, это только начало. Рассматривайте
это как внешний выходной формат. После установки систем AAS вы можете
выбрать формат вывода, соответствующий вашим потребностям. Содержимое
остается прежним, но тип формата вывода может варьироваться в зависимости
от ваших требований. По возможности мы рекомендуется использовать AAS
Type 2.
Чем больше подмоделей стандартизирует Ассоциация промышленных
цифровых двойников, тем лучше. Однако стандартизированные подмодели являются лишь частью общей концепции. Метамодель AAS и API AAS не зависят
от стандартизированных или одобренных IDTA подмоделей.
Существует параллель между спецификацией OPC UA companion и подмоделью AAS IDTA. Как и спецификации OPC UA companion, подмодели AAS
IDTA не охватывают все данные, которые может предоставить машина. У производителя оборудования все еще есть возможность добавить дополнительную
информацию, особенно для того, чтобы подчеркнуть индивидуальные возможности или характеристики.
Вполне вероятно, что будут разработаны специальные подмодели для
взаимодействия с конкретными бизнес-системами, также известными как системы учета, или интеграции в них. Например, могут существовать подмодели,
предназначенные для плавной интеграции с такими системами, как ERP [5],

Рис.2. Стандартизированный цифровой двойник как ключ к интероперабельности

Платформа Asset Administration Shell (см. рис. 2) является стандартом для
интеграции данных из различных источников в цифровой двойник, обеспечивая

Автоматизированные системы управления биотехнологическими процессами

269

270 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

PLM или MES, или для конкретных процессов, клиентов и настройки кодов для
согласования с API устаревшей системы.
Цифровой двойник AAS служит связующим звеном между этими системами. Хотя некоторые автономные процессы, особенно с точки зрения ресурсов,
могут управляться логикой AAS (при условии, что для обработки необходимой
логики существует конечный автомат, механизм управления правилами, среда
выполнения и т.д.), важно отметить, что некоторые задачи, такие как определение приоритета запросов на обслуживание или ремонт среди наличие нескольких AAS может потребовать традиционной обработки списков и сложных кодированных процессов, используемых в таких системах, как ERP, PLM или
MES.
В перспективе корпоративные приложения, использующие концепции
AAS, могут создавать интерфейсы для обмена данными с цифровыми двойниками на основе AAS, сохраняя при этом свою бизнес-логику в рамках соответствующих приложений и доменов. Плавная интеграция AAS в такие приложения в значительной степени будет способствовать широкому внедрению принципов AAS.
Передача основных данных от производителя оператору или инженерному
партнеру - это фундаментальный вариант использования, необходимый для
реализации более сложных сценариев создания цифровых двойников. В некоторых отраслях этот аспект имеет решающее значение для устранения пробелов
и уменьшения количества систематических ошибок, ручного управления данными и повышения общего качества основных данных.
Взаимодействие с AAS, например получение контактных данных последнего специалиста, работавшего на станке, не менее важно, чем получение или
поддержание запланированного графика (технического обслуживания или производства) для станка на предстоящую неделю. AAS, наряду со связанными с
ним подмоделями, устанавливает соединения с информацией об активах через
такие протоколы, как Modbus, MQTT, OPC UA, что позволяет отображать самые последние значения, отражающие текущее состояние машины.
Основным преимуществом AAS является его способность предоставлять
целостный взгляд на объект, о чем свидетельствуют такие функции, как мгновенный доступ к контактным данным последнего специалиста по техническому
обслуживанию, "цифровому паспорту изделия", "инструкциям по демонтажу",
"документации по передаче оборудования" и "сертификату калибровки". Кроме
того, AAS выступает в качестве стандартизированной платформы обмена данными для инженерных приложений и приложений для моделирования. Эта
функциональность упрощает разработку комплексных решений в этих областях.
Выводы. Платформа AAS предназначена для определения конечной точки доступа к AAS или его подмоделям. Следовательно, AAS по самой своей
природе можно рассматривать как "распределенный документ". Более того,
AAS выступает в качестве стандартизированного формата обмена информацией
об активах, обеспечивая четкую семантику. Эта функция, помимо прочих

функций, расширяет возможности ее применения в децентрализованных условиях.
Список литературы:
1. Рылов С. А. Промышленный интернет. Современный подход и концепции: учебник / С. А.
Рылов. – Москва: РТУ МИРЭА, 2023. – 124 с. – ISBN 978-5-7339-1969-0.
2. Specification of the Asset Administration Shell Part 3a: Data Specification – IEC 61360 [Электронный
ресурс]
//
https://industrialdigitaltwin.org/en/wpcontent/uploads/sites/2/2024/07/IDTA-01003-a-3-02_SpecificationAssetAdministrationShell_Part3a_DataSpecification_IEC613601.pdf дата доступа: 10.02.2025.
3. Рылов С. А. Промышленная аппаратная архитектура современной IIOT автоматизированной линии / С. А. Рылов, В. Д. Федин // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам
для отраслей пищевой промышленности : сборник научных докладов V Международной
конференции, Москва, 30 апреля 2024 года. – Курск: ЗАО «Университетская книга», 2024.
– С. 301-306.
4. Гасанов, Э. Р. Комплексный подход в решении задач цифрового производства / Э. Р. Гасанов, Д. А. Смирнова, И. А. Шура // Автоматизация в промышленности. – 2024. – № 2. – С.
48-53. – DOI 10.25728/avtprom.2024.02.13.
5. Царевская, Е. 1С:ERP помогает снизить производственную себестоимость продукции / Е.
Царевская // Логистика. – 2024. – № 1(206). – С. 26-29.

УДК 004.057.8
С.А. Рылов, Е.Н. Каширская
Российский Технологический университет (МИРЭА)

AUTOMATION MARKUP LANGUAGE – УНИВЕРСАЛЬНЫЙ ЯЗЫК
ОПИСАНИЯ РАСПРЕДЕЛЕННЫХ ИНФОРМАЦИОННЫХ СИСТЕМ
ПРЕДПРИЯТИЯ И ЦИФРОВЫХ ДВОЙНИКОВ ПРОМЫШЛЕННОГО
ИНТЕРНЕТА ВЕЩЕЙ
С.А. Рылов, Е.Н. Каширская AUTOMATION MARKUP LANGUAGE – УНИВЕРСАЛЬНЫЙ ЯЗЫК ОПИСАНИЯ РАСПРЕДЕЛЕННЫХ ИНФОРМАЦИОННЫХ СИСТЕМ
ПРЕДПРИЯТИЯ И ЦИФРОВЫХ ДВОЙНИКОВ ПРОМЫШЛЕННОГО ИНТЕРНЕТА ВЕЩЕЙ

Аннотация. В наше время автоматизация производственных процессов является неотъемлемой частью развития промышленности. Одним из ключевых этапов автоматизации
является разработка цифровой модели производства. В процессе создания цифровой модели
участвуют эксперты различных областей, что может привести к определённым сложностям в
согласовании компонентов автоматизации. Однако эти трудности можно преодолеть, используя подходящие программные инструменты и форматы данных. В этом может помочь
язык разметки Automation Markup Language, который служит основой для создания цифрового двойника производства.
Ключевые слова: AutomationML, AML, цифровой двойник, IIoT, промышленный интернет вещей

Начало любого процесса автоматизации на производстве предполагает
анализ существующего оборудования и ресурсов. Затем необходимо интегрировать системы автоматизации, чтобы обеспечить обмен данными между ними
и инженерными инструментами. Это основополагающий принцип концепции
Industry 4.0 [1], который позволяет стандартизировать описание активов в электронном формате.

Автоматизированные системы управления биотехнологическими процессами

271

Создание цифрового двойника часто включает в себя использование различных инженерных методов и инструментов. В процессе работы над проектом
применяются разнообразные средства моделирования, которые позволяют получить представление об инженерных концепциях.
Для того чтобы инженерные системы работали эффективно и без ошибок,
необходимо интегрировать данные и идентифицировать устройства. Это помогает ускорить внедрение и перенастройку систем.
Построение модели является важным этапом в процессе оптимизации работы и понимания объекта. Поэтому для успешного проектирования необходимо использовать удобные и мощные инструменты разработки.
Одним из таких инструментов является AutomationML (AML) [2].
Automation Markup Language (AutomationML, AML) — это нейтральный
формат данных, основанный на XML, который используется для хранения и
обмена технической информацией о заводе. Он является открытым стандартом.
Основная задача AutomationML — объединить различные инструменты,
используемые в современных инженерных дисциплинах, таких как проектирование механических систем, электрическое проектирование, разработка человеко-машинных интерфейсов (HMI) [3], управление программируемыми логическими контроллерами (ПЛК) [4] и роботами (см. рис. 1).

Рис.1. Обзор формата обмена инженерными данными - языка AutomationML

В рамках объектно-ориентированного подхода AutomationML применяется для сохранения инженерной информации. Это позволяет моделировать физические и логические компоненты производственных объектов как отдельные
сущности, объединяющие различные аспекты.

272 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис.2. Представление аппаратной архитектуры промышленного
предприятия в редакторе AutomationML

Объекты, которые описываются, могут включать в себя подкомпоненты,
которые могут быть частью композиции или агрегации. Типичные объекты автоматизированных систем содержат информацию о геометрии, топологии, кинематике и логике. Логика учитывает последовательность и порядок, а также
аспекты поведения и управления.
Поэтому в инженерном секторе обмен объектами направлен на обмен
структурами данных, которые включают в себя информацию о топологии, геометрии, кинематике и логике.
Структура данных верхнего уровня CAEX [2] представляет собой основу,
на которой базируется язык AutomationML.
Аппаратные и программные компоненты на любом уровне промышленной системы предприятия можно описать в рамках единого подхода и стандартов в виде объектно ориентированного древовидного кластера. Основными
компонентами описания могут являться: классы, роли, атрибуты, внутренние и
внешние ссылки на объекты и файлы (см. рис. 2).
Файл формата .aml представляет из себя текстовое представление (см. рис.
3) в виде XML [5] -документа в формате CAEX верхнего уровня, соответствующую стандарту МЭК 62424.

Автоматизированные системы управления биотехнологическими процессами

273

274 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
УДК 004.057.4
С.А. Рылов, Д.С. Киселев, Е.В. Копытова
Российский Технологический университет (МИРЭА)

DATA DISTRIBUTION SERVICE – УНИВЕРСАЛЬНЫЙ ПРОТОКОЛ
ОБЩЕНИЯ В РЕАЛЬНОМ ВРЕМЕНИ СИСТЕМ ПРОМЫШЛЕННОГО
ИНТЕРНЕТА ВЕЩЕЙ
С.А. Рылов, Д.С. Киселев, Е.В. Копытова DATA DISTRIBUTION SERVICE – УНИВЕРСАЛЬНЫЙ ПРОТОКОЛ ОБЩЕНИЯ В РЕАЛЬНОМ ВРЕМЕНИ СИСТЕМ ПРОМЫШЛЕННОГО
ИНТЕРНЕТА ВЕЩЕЙ

Аннотация. В статье описан протокол Data Distribution Service (DDS). Приведены его
преимущества и описаны возможные сферы применения в рамках систем промышленного
интернета вещей.
Ключевые слова: Промышленный интернет вещей, IIoT, DDS, Data Distribution
Service, протокол, передача данных

Рис.3. Представление AutomationML в XML виде

Выводы. Описание систем автоматизации на разных уровнях и этапах
жизненного цикла в формате AutomationML (AML) станет основой для создания единого универсального инструмента. Это упростит интеграцию программного обеспечения и сервисов систем автоматизации с современными технологиями Индустрии 4.0 и промышленного интернета вещей.
Также это облегчит обслуживание и поддержку таких систем и перейти к
единому описанию цифровых двойников промышленного интернета вещей.
Список литературы
1. Рылов С. А. Промышленный интернет. Современный подход и концепции: учебник // Москва: РТУ МИРЭА. - 2023. – 95 с.
2. Описание системы автоматизации технологического процесса розлива воды с использованием стандарта automation Markup Language / Д. В. Шатунов, С. А. Рылов, В. А. Холопов,
В. Г. Благовещенский // Приборы. – 2024. – № 6(288). – С. 39-48.
3. Šverko, M. Automated HMI design as a custom feature in industrial SCADA systems / M.
Šverko, T. G. Grbac // Procedia Computer Science – 2024. – Vol. 232. – P. 1789-1798.
4. Пушков К. С. Использование открытых архитектур для создания ПЛК при помощи стандарта IEC 61499 / К. С. Пушков, Ф. Д. Бысов // Молодежная школа-семинар по проблемам
управления в технических системах имени А.А. Вавилова. – 2024. – Т. 1. – С. 65-67.
5. Iwashokun O. Parsing of Research Documents into XML Using Formal Grammars / O.
Iwashokun, A. Ade-Ibijola // Applied Computational Intelligence and Soft Computing. – 2024. –
Vol. 2024. – P. 6671359.

В современном мире промышленной автоматизации актуальной задачей
является передача данных между различными уровнями платформы информационной системы промышленного предприятия в рамках единого протокола
основанного на TCP/IP [1] стеке передачи данных.
Помимо этого - многие промышленные системы, а также системы, требующие быстрого отклика в реальном времени - имеют потребность в едином
подходе к передаче информации между друг другом.
Международные консорциумы и группы ведущих производителей аппаратных и программных средств автоматизации в области систем и решений
промышленного интернета вещей [2] предлагают определенное количество
протоколов передачи данных на различных уровнях модели OSI (рис.1 - 2).

Рис.1. Сетевой Стэк и протоколы передачи данных IIoT платформы

Автоматизированные системы управления биотехнологическими процессами

275

276 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
Табл.2. Сравнение IIoT протоколов передачи данных
Стандарт
1
2
3

5
6

Рис.2. OSI модель и протоколы передачи данных IIoT платформы

В таблицах 1-2 приводится сравнение основных протоколов промышленного интернета вещей с указанием основных важных критериев.
Основываясь на результатах анализа протоколов, можно сделать вывод,
что DDS — оптимальный вариант для обеспечения эффективного обмена данными между различными компонентами системы промышленного предприятия.
Табл.1. Сравнение IIoT протоколов передачи данных
№
1

Критерии
Безопасность

Низкая пропускная способность и
задержка
Передача данных
в режиме реального времени
Масштабируемость
Обеспечение совместимости
Протокол передачи
Модель взаимодействия

3
4
5
6
7
8
9

Качество обслуживания
Поддержка прокси

DDS [3]
TLS, DTLS, DDS Security
+

OPC UA [4]
TLS/SSL, OPC security

MQTT [5]
TLS

Частично

AMQP
TLS+SAS
L
+

Частично

—

Частично

—

UDP/IP (unicast + multicast)
Публикатор/Подписчик, запрос
ответа
+

TCP/IP

Клиент–Сервер или
Публикатор/Подписчик
Частично

ТочкаТочка

Публикатор/Подписчик
+

Частично

Ненадёжно
—

Частично

8
9
10

Обеспечивают синтаксическую
совместимость
Открытый стандарт с сильным
независимым международным
управлением
Горизонтальный и нейтральный в своей применимости во
всех отраслях промышленности
Стабильный и зарекомендовавший себя в различных вертикальных отраслях
Имеет стандартизированные
шлюзы на уровне ядра для других стандартов подключения
Соответствует функциональным требованиям уровня
framework OSI
Удовлетворяет нефункциональным требованиям производительности, масштабируемости, надежности, отказоустойчивости
Соответствие требованиям
безопасности
Независимость от производителя
Имеет коммерческие и
OpenSource SDK

DDS



Интеграция
программного
обеспечения и
автономность
Web Services,
OPC UA,
oneM2M


Web Services

OPC UA

oneM2M

Необходим
XML, JSON







Производство

Умный город

DDS, OPC
UA, oneM2M

Web Services,
DDS, oneM2M

Web Services,
DDS

Pub-Sub в разработке

Real-time в разработке

Real-time

Отчеты, еще не
опубликованы



DDS — это программный элемент системы промышленного интернета
вещей (IIoT). На его основе сообщество специалистов по промышленной автоматизации разработало стандарты RTPS, которые полностью соответствуют
требованиям DDS и определяют механизмы публикации и подписки.
На рис. 3 представлена спецификация протокола DDS. В ней описаны
форматы сообщений, их интерпретация и сценарии использования, которые
лежат в основе всех сообщений, передаваемых между приложениями.
Протокол RTPS представляет собой важный компонент стандарта IECPAS-62030, который регулирует работу промышленных сетей Ethernet в режиме
реального времени.

Автоматизированные системы управления биотехнологическими процессами

277

278 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Вышеуказанные функции делают RTPS отличным дополнением к протоколу DDS.
Выводы. Была разработана идея использования протокола DDS для передачи данных в режиме реального времени в рамках концепции IIoT. Это позволит создать единую систему мониторинга и управления информационными потоками информационной системы промышленного предприятия в режиме реального времени.

Рис.3. Спецификация протокола DDS

Основные функции протокола RTPS включают в себя:
 Характеристики производительности и качества обслуживания обеспечивают максимально эффективную и надежную связь между публикациями и
подпиской для приложений реального времени по стандартным IP-сетям.
 Отказоустойчивость, позволяющая создавать сети без отдельных точек
отказа.
 Расширяемость, позволяющая расширять и дополнять протокол новыми
сервисами без нарушения обратной совместимости и интероперабельности.
 Подключение по принципу "plug and play", позволяющее автоматически
обнаруживать новые приложения и службы и подключать приложения к сети.
 Возможность отключаться от сети в любое время без необходимости перенастройки.
 Конфигурируемость, позволяющая сбалансировать требования к надежности и своевременности для каждой доставки данных.
 Модульность, позволяющая простым устройствам реализовывать подмножество протокола и при этом оставаться участниками сети.
 Масштабируемость, позволяющая системам потенциально масштабироваться до очень больших сетей.
 Безопасность типов для предотвращения ошибок прикладного программирования, которые могут поставить под угрозу работу удаленных узлов
 Возможность подключения точка-точка (peer-to-peer)
 Совместимость с QoS (надежность, таймауты, приоритетность пакетов)
 Поддержка Multicast [15] передачи данных, если невозможно -то передача через UDP
 Устойчивый к обрывам связи (поддержка сеансов через UDP)
 Сериализация данных (binary XCDR)
 Устойчивая передача данных
 Historical cache
 Отказоустойчивость

Список литературы
1. Mantu, R. Framework for evaluating TCP/IP extensions in communication protocols / R. Mantu,
M. Chiroiu, N. Tăpuș // International Journal of Computers, Communications and Control. –
2024. – Vol. 19, No. 2.
2. С. А. Рылов. Промышленный интернет. Современный подход и концепции: учебник //
Москва: РТУ МИРЭА. - 2023. – 95 с.
3. Рылов С. А. IIoT передача данных с БПЛА в промышленную среду агрокомплексов в режиме реального времени // Электротехнологии и электрооборудование в АПК. – 2024. – Т.
71, № 2(55). – С. 83-92.
4. Ladegourdie M., Kua J. Performance Analysis of OPC UA for Industrial Interoperability towards
Industry 4.0 // IoT. 2022. N3-4. С.507-525.
5. Nemlaha E., Strelec P., Horak T., Kovac S. Suitability of MQTT and REST Communication Protocols for AIoT or IIoT Devices Based on ESP32 S3 // Software Engineering Application in Systems Design, Proceedings of 6th Computational Methods in Systems and Software 2022.
2023.Volume 1. С.225-233.

УДК 004.057.8
С.А. Рылов, Д.С. Киселев, Е.В. Копытова
Российский Технологический университет (МИРЭА)

ECLASS – УНИВЕРСАЛЬНАЯ КЛАССИФИКАЦИЯ КОМПОНЕНТОВ
РАСПРЕДЕЛЕННЫХ СИСТЕМ УПРАВЛЕНИЯ ПРОМЫШЛЕННОГО
ИНТЕРНЕТА ВЕЩЕЙ И ЦИФРОВЫХ ДВОЙНИКОВ
С.А. Рылов, Д.С. Киселев, Е.В. Копытова ECLASS – УНИВЕРСАЛЬНАЯ КЛАССИФИКАЦИЯ КОМПОНЕНТОВ РАСПРЕДЕЛЕННЫХ СИСТЕМ УПРАВЛЕНИЯ
ПРОМЫШЛЕННОГО ИНТЕРНЕТА ВЕЩЕЙ И ЦИФРОВЫХ ДВОЙНИКОВ

Аннотация. В наше время классификация аппаратных и программных компонентов
распределенных систем управления промышленными предприятиями является актуальной
задачей. Применение единого современного стандарта классификации позволит упростить и
сократить время операций на всех жизненных циклах предприятия. Применение подходов
классификации в рамках промышленного интернета вещей позволит производить бесшовную интеграцию всех компонентов системы на всех уровнях информационной системы
предприятия.
Ключевые слова: ECLASS, классификация, цифровой двойник, IIoT, промышленный
интернет вещей

Для описания классификации системных компонентов распределенных
систем управления технологическими процессами и производствами идеально
подходит стандарт ECLASS [1] основанный на ГОСТ Р МЭК 61360 [2].
Цель ECLASS - упростить электронный обмен межотраслевыми данными
путем стандартизации описаний продуктов. В настоящее время членами ассо-

Автоматизированные системы управления биотехнологическими процессами

279

циации ECLASS являются около 150 компаний из различных секторов, организаций и государственных учреждений.
Ключевой особенностью ECLASS является его способность предоставлять четкое, не зависящее от языка, машиночитаемое и независимое от отрасли
описание продуктов, услуг и их атрибутов. В настоящее время существует около 45 000 категорий продуктов, организованных по четырем уровням. На четвертом уровне присваивается набор атрибутов. Эти атрибуты получены из 19
000 четко определенных свойств в словаре ECLASS.
ECLASS охватывает значительную часть мировой торговли товарами и
услугами. Он широко используется тысячами компаний как внутри страны, так
и за рубежом для семантического описания систем в рамках концепции промышленного интернета вещей [3].
Изначально ECLASS Property descriptions использовался для систематизации товаров и комплектующих при закупках и продажах. Сейчас его применение расширяется и включает в себя такие сферы, как проектирование и интеллектуальное производство. В условиях цифровизации отрасли семантическая стандартизация приобретает ключевое значение. ECLASS представляет
собой семантический словарь с наиболее полным охватом по всему миру.
В ECLASS одним из ключевых элементов является система классификации товаров и услуг. Она представляет собой древовидную структуру, состоящую из четырёх уровней (см. рис. 1). На первом уровне находятся самые общие
категории, а на четвёртом — наиболее специфические. Это позволяет создавать
иерархию, основанную на технических, коммерческих или других критериях,
независимо от математических зависимостей.
Уровни иерархии, идущие сверху вниз, называются:
- Сегмент.
- Основная группа.
- Группа.
- Подгруппа или товарный класс.
Система классификации включает в себя иерархическую структуру, которая представлена в виде закодированного названия или кода класса.
Код класса состоит из восьми цифр, по две цифры на каждом уровне иерархии. Количество нулей в конце кода указывает на уровень иерархии.
Например, код «16-00-00-00» соответствует сегменту «Продукты питания, напитки, табачные изделия», код «16-04-00-00» — основной группе
«Фрукты», код «16-04-03-00» — группе «Ягоды», а код «16-04-03-01» — товарному классу «Ежевика».

280 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис.1. Классификация ECLASS и уровни иерархии

Таким образом, каждый продукт или классификационный класс можно
идентифицировать с помощью уникального кода.
Для более детального описания продукта или класса продуктов используются свойства и значения свойств на четвёртом уровне. Свойства и значения
формируют основу для описания продукта.
ECLASS — это формальный семантический словарь, который применяется для описания и систематизации товаров.
Если определённый набор товаров можно описать с помощью одного набора характеристик, то этот набор товаров представляет собой класс характеристик. Этот класс можно идентифицировать как класс приложений и классифицировать в классификационном классе.
На рис. 2 представлена концептуальная модель данных ECLASS.

Рис.2. Концептуальная модель данных ECLASS

Автоматизированные системы управления биотехнологическими процессами

281

282 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Список всех значений, которые могут быть присвоены свойству, представляет собой перечень значений элемента структуры.
Класс характеристик может содержать от нуля до множества шаблонов,
которые определяют формальное описание требований к данным в соответствии с ISO 22745-30 [4].
В некоторых случаях можно применить существующую концепцию
ECLASS к определённым элементам подмоделей, например, к часто используемым атрибутам. Для других элементов, таких как связи, уже есть готовые
решения, которые пока не применяются.
Для функций, операций и некоторых других элементов концептуальной
модели данных ECLASS потребуется внести изменения, чтобы обеспечить
стандартизированную семантику для создания полноценных цифровых двойников. Для каждого из этих изменений предлагается подробное описание того, как
адаптировать концептуальную модель данных ECLASS к архитектурной концепции Индустрии 4.0 [5].
Выводы. Уже сегодня ECLASS служит надёжным фундаментом для создания семантического описания данных в системе управления активами или в
цифровом двойнике.
Благодаря предлагаемым в ECLASS расширениям можно сделать значительный шаг вперёд в разработке чёткого и однозначного описания расширенной семантики.
ECLASS и Plattform Industrie 4.0 объединяют усилия, чтобы приблизить
создание стандартизированных цифровых аналогов и внести свой вклад в цифровизацию обрабатывающей промышленности.

УДК 681.5
С.А. Рылов, В.Д. Федин
Российский Технологический университет (МИРЭА)

Список литературы
1. Палаева И. В. Сравнительный анализ международных классификаторов товаров и услуг /
И. В. Палаева, С. А. Крайчинская // Заметки ученого. – 2023. – № 8. – С. 229-233.
2. Стандартны е типы элементов данных с ассоциированной схемой классификации электрических компонентов. Часть 2. Словарная схема EXPRESS. [Электронный ресурс] //
URL: https://files.stroyinf.ru/Data2/1/4293764/4293764773.pdf дата доступа: 10.02.2025
3. Рылов С. А. Промышленный интернет. Современный подход и концепции: учебник / С. А.
Рылов. – Москва: РТУ МИРЭА, 2023. – 124 с. – ISBN 978-5-7339-1969-0.
4. Открытые технические словари и их применение к основным данным. Часть 30. Представление
руководства
по
идентификации
[Электронный
ресурс]
//
https://files.stroyinf.ru/Data2/1/4293731/4293731408.pdf дата доступа: 10.02.2025.
5. Рылов С. А. Промышленная аппаратная архитектура современной IIOT автоматизированной линии / С. А. Рылов, В. Д. Федин // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам
для отраслей пищевой промышленности : сборник научных докладов V Международной
конференции, Москва, 30 апреля 2024 года. – Курск: ЗАО «Университетская книга», 2024.
– С. 301-306.

ПРОГРАММНАЯ КОНЦЕПЦИЯ СБОРОЧНОГО СТОЛА
В РАМКАХ АВТОМАТИЗИРОВАННОЙ ЛИНИИ IIOT
С.А. Рылов, В.Д. Федин ПРОГРАММНАЯ КОНЦЕПЦИЯ СБОРОЧНОГО СТОЛА В РАМКАХ АВТОМАТИЗИРОВАННОЙ ЛИНИИ IIOT

Аннотация. В данной статье обсуждается важная проблема унификации стандартов
передачи данных и проектирования систем для автоматизированных сборочных столов, используемых в производстве инструментальной оснастки. Авторы предлагают архитектуру
программного обеспечения, реализованную на уровне Граничного (Edge) Industrial Internet of
Things (IIoT), с использованием стандарта OPC-UA. Это решение направлено на обеспечение
совместимости и синхронизации данных между различными устройствами и системами, что
критически важно для эффективной работы современных производственных линий.
Ключевые слова: Промышленный интернет вещей, Industrial Internet Reference Architecture, автоматизация, металлообрабатывающее оборудование.

В данной статье рассматривается концепция программного обеспечения
для сборочных столов в автоматизированной линии, предназначенной для
сборки инструментальной оснастки. Основная задача этой линии заключается в
производстве высококачественной инструментальной оснастки, необходимой
для различных механических устройств. Ключевым аспектом является использование интеллектуальных датчиков, которые осуществляют мониторинг температуры и вибрации оборудования в режиме реального времени. Это позволяет оперативно выявлять и предотвращать потенциальные проблемы, что значительно повышает надежность и эффективность работы сборочных столов. [1]
Центральным элементом данного подхода является сбор, обработка и
анализ данных от термодатчиков и вибродатчиков, установленных на сборочном столе. Универсальная компоновка датчиков обеспечивает возможность интеграции различных устройств в единую систему, что упрощает управление
производственными процессами. Применение единой концепции IIoT-датчиков
для отслеживания состояния и мониторинга оборудования предоставляет ряд
преимуществ, включая универсальное подключение и возможность наблюдения за состоянием в реальном времени[3]. Это не только позволяет обнаруживать чрезвычайные ситуации, но и собирать данные для последующего анализа,
что критически важно для повышения общей эффективности производственного процесса.
Цель статьи заключается в исследовании концепции сбора и анализа данных с использованием IIoT-датчиков на сборочных столах. Для достижения
этой цели был проведен детальный анализ возможностей автоматизации процессов сборки инструментальной оснастки с применением интеллектуальных
датчиков, контролирующих состояние оборудования. Основное внимание уделяется выявлению методов повышения надежности и эффективности обслуживания сборочного оборудования.
Научная новизна данного исследования заключается в стандартизации
программного обеспечения для применения комплекса IIoT-датчиков на приме-

Автоматизированные системы управления биотехнологическими процессами

283

284 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ре сборочного стола в автоматизированной линии по сборке инструментальной
оснастки. Эта концепция направлена на решение актуальных задач в области
сбора и анализа данных, а также на развертывание систем мониторинга, что позволяет значительно улучшить управление производственными процессами.
В результате работы был разработан концепт программной архитектуры
IIoT-датчиков, предназначенных для эффективного сбора данных со сборочного стола. Эта концепция включает в себя применение метода Low-code, что
предполагает наличие единого протокола на всей архитектуре, упрощая взаимодействие между компонентами системы. Это особенно актуально в условиях
традиционной автоматизации, где часто возникают сложности с интеграцией
различных устройств и систем.
Таким образом, внедрение технологий IIoT в процессы сборки инструментальной оснастки не только улучшает мониторинг и управление оборудованием, но и создает возможности для более глубокого анализа данных. Это позволяет предприятиям не только повысить свою конкурентоспособность, но и
быстро адаптироваться к изменениям на рынке, обеспечивая устойчивый рост и
развитие в долгосрочной перспективе.

 Несовместимость протоколов: Разные протоколы для обмена данными
между устройствами и системами создают дополнительные сложности в интеграции компонентов, что затрудняет взаимодействие между различными элементами сборочной линии.
 Отсутствие своевременной информации: Традиционные системы часто
не предоставляют актуальные данные о состоянии оборудования, что может
привести к задержкам в принятии решений и снижению общей эффективности
производственных процессов.
Современные требования к архитектуре IIoT требуют более гибкой и интегрированной модели, которая обеспечивает бесшовную интеграцию от датчиков на сборочном столе до облачных сервисов. В этой архитектуре необходимо,
чтобы датчики передавали данные на любой уровень информационной системы, включая облачные решения, через такие протоколы связи, как OPC-UA и
MQTT [2]. Это упрощает мониторинг и управление системами, обеспечивая
высокий уровень автоматизации и оптимизации процессов. Использование существующих сетей позволяет снизить затраты на инфраструктуру и делает системы IIoT более доступными для внедрения.
Программная архитектура сборочного стола
В данной статье акцентируется внимание на сборочном столе, который является ключевым элементом в архитектуре системы Industrial Internet of Things
(IIoT). Рассматривается Граничный архитектурный уровень концепции IIRA,
где размещаются программные компоненты, предназначенные для автоматизации процессов на сборочной линии инструментальной оснастки.
Интеллектуальные датчики, установленные на сборочном столе, играют
важную роль в обеспечении эффективного взаимодействия с системой сбора и
обработки данных. Эти датчики позволяют осуществлять прямую передачу информации с рабочих частей оборудования в IIoT-шлюз, что значительно улучшает мониторинг и управление процессами.
Использование протокола OPC UA в качестве основного средства обмена
данными между устройствами обеспечивает надежную и безопасную передачу
информации. Этот протокол поддерживает множество типов данных и позволяет создавать гибкие архитектуры, что особенно актуально в условиях динамично меняющейся производственной среды. Данные от термодатчиков, вибродатчиков и других устройств могут собираться и обрабатываться в реальном времени, что повышает эффективность мониторинга состояния оборудования и позволяет оперативно принимать решения на основе актуальной информации[5].
Интеграция всех компонентов системы через IIoT-шлюз способствует централизованному управлению и анализу данных. Шлюз выполняет роль основного узла для сбора информации от интеллектуальных датчиков на сборочном
столе и ее передачи в облачные сервисы или локальные серверы [6]. Это упрощает процесс мониторинга и управления производственными процессами, а
также позволяет быстро реагировать на изменения состояния оборудования, что
критически важно для повышения производительности и эффективности работы сборочной линии.

Рис.1. Классическая пирамида автоматизации

Традиционный подход к автоматизации, представленный в виде классической пирамиды (ANSI/ISA 95), сталкивается с несколькими значительными
проблемами.
 Сложности внедрения и масштабирования: Процесс внедрения и расширения таких систем часто сопряжен с трудностями, что затрудняет адаптацию к изменяющимся требованиям на сборочном столе.

Автоматизированные системы управления биотехнологическими процессами

285

286 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Архитектура внедрения технологий Industrial Internet of Things
(IIoT) способствует значительному повышению эффективности производственных операций. Это достигается за счет минимизации ошибок, связанных с ручным вводом данных, а также оптимизации процессов инвентаризации. Использование IIoT позволяет установить более тесное взаимодействие между устройствами, что, в свою очередь, улучшает мониторинг и управление на токарном
станке. [4]
Выводы. Таким образом, реализация такой архитектуры не только улучшает автоматизацию процессов, но и создает условия для более глубокой аналитики и предсказуемости в управлении производственными линиями. Это открывает новые возможности для увеличения производительности и снижения
затрат на обслуживание оборудования, что является важным аспектом в условиях современного конкурентного рынка. В итоге применение технологий IIoT
способствует созданию более устойчивых и адаптивных производственных
систем, что становится ключом к успешному развитию предприятий в эпоху
цифровизации.

Рис.2. Программная схема токарного станка

Ключевые компоненты архитектуры:
 IIoT шлюз: Центральный узел для сбора и обработки данных, обеспечивающий высокую скорость и надежность обмена информацией через оптоволокно или двухпроводной Ethernet (SPE)[8].
Умные датчики:
 Датчик присутствия: определяет наличие объектов в зоне, автоматизируя процессы контроля и безопасности.
 IIoT камера: обеспечивает визуальный мониторинг процессов, позволяя
отслеживать выполнение задач в реальном времени[3].
 ПЛК (Программируемый логический контроллер): управляет производственными процессами и интегрирует различные устройства в единую автоматизированную среду [7].
 IIoT RFID-считыватель и принтер/сканер: используются для идентификации и отслеживания объектов, что улучшает управление запасами и логистику.

Список литературы
1. Рылов С.А. IIoT аппаратная архитектура распределенных систем управления непрерывными промышленными производствами и агрокомплексами // Электротехнологии и электрооборудование в АПК. 2023. Т. 70. № 1(50). С. 105-113.
2. Корсунов, И. В. Применение стандартов 10BASE-T1L, OPC UA и подходов промышленного интернета вещей для локальных установок промышленного производства / И. В.
Корсунов, С. А. Рылов // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей
пищевой промышленности : сборник научных докладов V Международной конференции,
Москва, 30 апреля 2024 года. – Курск: ЗАО «Университетская книга», 2024. – С. 233-238.
3. Смыслов С.М. Операционные системы реального времени и bare-metal программирование
// Интернаука. 2023. № 16-4(286). С. 28-29.
4. Сторожук М., Мониторинг сетевого трафика в магистральных сетях для обеспечения работы сетей TSN // Первая миля. 2022. № 3(103). С. 30-33.
5. Рылов С.А., Благовещенский И.Г., Кучумов А.В., Благовещенский В.Г., Чистяков О.В.,
Веселов М.В. Архитектурная концепция разработки современных цифровых двойников на
базе промышленного интернета вещей. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным
системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 284-293.
6. Селезнев С.П. Архитектура промышленных приложений IoT и протоколы AMQP, MQTT,
JMS, REST, CoAP, XMPP, DDS // International Journal of Open Information Technologies.
2019. Т. 7. № 5. С. 17-28.
7. Сухов, А. Д. Ис мониторинга и сервисного обслуживания технологического оборудования
автоматизированной линии с использованием технологий промышленного интернета вещей / А. Д. Сухов, С. А. Рылов // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности : сборник научных докладов V Международной конференции, Москва, 30 апреля 2024 года. – Курск: ЗАО «Университетская книга», 2024. – С. 323328.

Автоматизированные системы управления биотехнологическими процессами

287

288 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

8. Рылов, С. А. Аппаратная архитектура современной промышленной автоматизированной
линии / С. А. Рылов, В. Д. Федин, В. А. Холопов // Приборы. – 2024. – № 7(289). – С. 4753. – EDN RQITFR.

интеллектуальных датчиков, которые контролируют состояние оборудования.
Основное внимание уделяется выявлению методов повышения надежности и
эффективности обслуживания металлообрабатывающего оборудования.
Научная новизна данного исследования заключается в стандартизации
программного обеспечения для применения комплекса IIoT-датчиков на примере фрезерного станка в автоматизированной линии по сборке инструментальной оснастки [6]. Эта концепция направлена на решение актуальных задач в области сбора и анализа данных, а также на развертывание систем мониторинга,
что позволяет значительно улучшить управление производственными процессами.
В результате работы был разработан концепт программной архитектуры
IIoT-датчиков, необходимых для корректного сбора данных с фрезерного станка. Также стоит отметить, что данная концепция включает применение метода
Low-code, который предполагает наличие единого протокола по всей архитектуре, что упрощает взаимодействие между компонентами системы. Это особенно важно в условиях традиционной автоматизации, где часто наблюдаются
проблемы с интеграцией различных систем и устройств.
Таким образом, внедрение IIoT-технологий в производство инструментальной оснастки не только улучшает процессы мониторинга и управления
оборудованием, но и создает условия для более глубокого анализа данных [5].
Это позволяет предприятиям не только повысить свою конкурентоспособность,
но и адаптироваться к быстро меняющимся условиям рынка, обеспечивая устойчивый рост и развитие в долгосрочной перспективе.

УДК 681.5
С.А. Рылов, В.Д. Федин
Российский Технологический университет (МИРЭА)

ПРОГРАММНАЯ КОНЦЕПЦИЯ ТОКАРНОГО СТАНКА
В РАМКАХ АВТОМАТИЗИРОВАННОЙ ЛИНИИ IIOT
С.А. Рылов, В.Д. Федин ПРОГРАММНАЯ КОНЦЕПЦИЯ ТОКАРНОГО СТАНКА В РАМКАХ АВТОМАТИЗИРОВАННОЙ ЛИНИИ IIOT

Аннотация. В данной статье рассматривается актуальная проблема унификации стандартов передачи данных и проектирования систем для автоматизированных линий, предназначенных для производства инструментальной оснастки. Авторы предлагают инновационную программную архитектуру, реализованную на Граничном (Edge) уровне Industrial
Internet of Things (IIoT), которая использует стандарт OPC-UA. Это решение направлено на
обеспечение совместимости и синхронизации данных между различными устройствами и
системами, что является критически важным в условиях современного производства.
Ключевые слова: Промышленный интернет вещей, Industrial Internet Reference Architecture, автоматизация, металлообрабатывающее оборудование.

В данной статье рассматривается концепция программного обеспечения
для токарных станков в автоматизированной линии, предназначенной для сборки инструментальной оснастки. Основная задача этой линии заключается в
производстве высококачественной инструментальной оснастки, необходимой
для различных механических устройств. Важным аспектом является использование интеллектуальных датчиков, которые осуществляют мониторинг температуры и вибрации оборудования в режиме реального времени. Это позволяет
оперативно выявлять и предотвращать возможные проблемы, что существенно
повышает надежность и эффективность работы станков.
Ключевым элементом данного подхода является сбор, обработка и анализ
данных, поступающих от термодатчиков и вибродатчиков, установленных на
металлообрабатывающем оборудовании, в данном случае на токарном станке.
Универсальная компоновка датчиков обеспечивает возможность интеграции
различных устройств в единую систему, что значительно упрощает управление
производственными процессами. Применение единой концепции IIoT-датчиков
для отслеживания состояния и мониторинга оборудования предоставляет ряд
преимуществ, включая универсальное подключение и возможность наблюдения за состоянием оборудования в реальном времени. Это позволяет не только
детектировать чрезвычайные ситуации, но и собирать данные для последующего анализа, что критически важно для повышения общей эффективности производственного процесса.
Цель статьи заключается в исследовании концепции сбора и анализа данных с использованием IIoT-датчиков в металлообрабатывающем оборудовании
[1]. Для достижения этой цели был проведен детальный анализ возможностей
автоматизации процессов сборки инструментальной оснастки с применением

Рис.1. Классическая пирамида автоматизации

Традиционный подход к автоматизации, представленный в виде классической пирамиды (ANSI/ISA 95), сталкивается с несколькими значительными недостатками.

Автоматизированные системы управления биотехнологическими процессами

289

 Во-первых, внедрение и масштабирование таких систем часто сопряжены
с трудностями, что затрудняет адаптацию к изменяющимся требованиям производства.
 Во-вторых, несовместимость протоколов для обмена данными между различными устройствами и системами создает дополнительные сложности в интеграции и взаимодействии компонентов.
 Наконец, традиционные системы часто не обеспечивают своевременную
информацию о состоянии оборудования, что может привести к задержкам в
принятии решений и снижению общей эффективности производственных процессов.
Современные требования к архитектуре IIoT требуют более гибкой и интегрированной модели, что позволяет обеспечить бесшовную интеграцию от
датчиков к облаку. В современной архитектуре IIoT, необходимо, чтобы датчики передавали данные на любой уровень информационной системы, включая
облачные сервисы, через протоколы связи, такие как OPC-UA [2] и MQTT. Это
упрощает мониторинг и управление системами, обеспечивая высокую степень
автоматизации и оптимизации процессов. Использование существующих сетей
снижает затраты на инфраструктуру и делает системы IIoT более доступными.
Программная архитектура токарного станка
В данной статье рассматривается Граничный архитектурный уровень концепции Industrial Internet Reference Architecture (IIRA), на котором размещаются
программные компоненты, предназначенные для автоматизации сборочной линии инструментальной оснастки, с особым акцентом на фрезерный станок.
Предложенная архитектура системы IIoT включает в себя интеллектуальные
датчики, которые взаимодействуют с системой сбора и обработки данных,
обеспечивая прямую передачу информации с рабочих частей оборудования в
IIoT-шлюз.
Применение протокола OPC UA в качестве основного средства обмена
данными между устройствами обеспечивает надежную и безопасную передачу
информации [2]. Этот протокол поддерживает разнообразные типы данных и
позволяет создавать гибкие архитектуры, что особенно актуально в условиях
динамично меняющейся производственной среды. Благодаря этому данные, поступающие от термодатчиков, вибродатчиков и других устройств, могут собираться и обрабатываться в реальном времени. Это значительно повышает эффективность мониторинга состояния оборудования и позволяет оперативно
принимать решения на основе актуальной информации.
Интеграция всех компонентов системы через IIoT-шлюз способствует централизованному управлению и анализу данных. Шлюз выполняет роль основного узла для сбора информации от умных датчиков и ее передачи в облачные
сервисы или локальные серверы. Это упрощает процесс мониторинга и управления производственными процессами, а также позволяет быстро реагировать
на изменения состояния оборудования.

290 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис.2. Программная схема токарного станка

Ключевые компоненты архитектуры:
 IIoT шлюз: Центральный узел для сбора и обработки данных, обеспечивающий высокую скорость и надежность обмена информацией через оптоволокно или двухпроводной Ethernet (SPE).
Умные датчики:
 Термодатчик: измеряет температуру на производственной линии, предотвращая перегрев оборудования.
 Вибродатчик: мониторит вибрации, позволяя своевременно выявлять
проблемы и предотвращать аварии.
 Датчик присутствия: определяет наличие объектов в зоне, автоматизируя
процессы контроля и безопасности.
 IIoT камера: обеспечивает визуальный мониторинг процессов, позволяя
отслеживать выполнение задач в реальном времени [3].
 ПЛК (Программируемый логический контроллер): управляет производственными процессами и интегрирует различные устройства в единую автоматизированную среду.
 IIoT RFID-считыватель и принтер/сканер: используются для идентификации и отслеживания объектов, что улучшает управление запасами и логистику.
 IIoT генератор: Устанавливается на подвижные части металлообрабатывающего оборудования и преобразует механическую энергию в электрическую

291

292 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

для резервного использования в случае выхода из строя источников питания
датчиков
Данная архитектура способствует повышению эффективности производственных операций за счет минимизации ошибок, связанных с ручным вводом
данных, и оптимизации процессов инвентаризации. Внедрение технологий IIoT
позволяет обеспечить более глубокую связь между устройствами, что улучшает
мониторинг и управление на токарном станке [4].
Выводы. Таким образом, внедрение такой архитектуры не только оптимизирует процессы автоматизации, но и создает условия для более глубокой аналитики и предсказуемости в управлении производственными линиями. Это открывает новые горизонты для повышения производительности и снижения затрат на обслуживание оборудования, что является важным фактором в условиях современного конкурентного рынка. В итоге использование IIoT-технологий
способствует созданию более устойчивых и адаптивных производственных
систем, что является ключом к успешному развитию предприятий в эпоху цифровизации.

УДК 681.5
С.А. Рылов, В.Д. Федин
Российский Технологический университет (МИРЭА)

Автоматизированные системы управления биотехнологическими процессами

Список литературы:
1. Рылов С.А. IIoT аппаратная архитектура распределенных систем управления непрерывными промышленными производствами и агрокомплексами // Электротехнологии и электрооборудование в АПК. 2023. Т. 70. № 1(50). С. 105-113.
2. Корсунов, И. В. Применение стандартов 10BASE-T1L, OPC UA и подходов промышленного интернета вещей для локальных установок промышленного производства / И. В.
Корсунов, С. А. Рылов // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей
пищевой промышленности : сборник научных докладов V Международной конференции,
Москва, 30 апреля 2024 года. – Курск: ЗАО «Университетская книга», 2024. – С. 233-238.
3. Смыслов С.М. Операционные системы реального времени и bare-metal программирование
// Интернаука. 2023. № 16-4(286). С. 28-29.
4. Сторожук М., Мониторинг сетевого трафика в магистральных сетях для обеспечения работы сетей TSN // Первая миля. 2022. № 3(103). С. 30-33.
5. Рылов С.А., Благовещенский И.Г., Кучумов А.В., Благовещенский В.Г., Чистяков О.В.,
Веселов М.В. Архитектурная концепция разработки современных цифровых двойников на
базе промышленного интернета вещей. В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным
системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 284-293.
6. Селезнев С.П. Архитектура промышленных приложений IoT и протоколы AMQP, MQTT,
JMS, REST, CoAP, XMPP, DDS // International Journal of Open Information Technologies.
2019. Т. 7. № 5. С. 17-28.

ПРОГРАММНАЯ КОНЦЕПЦИЯ ФРЕЗЕРНОГО СТАНКА
В РАМКАХ АВТОМАТИЗИРОВАННОЙ ЛИНИИ IIOT
С.А. Рылов, В.Д. Федин ПРОГРАММНАЯ КОНЦЕПЦИЯ ФРЕЗЕРНОГО СТАНКА В РАМКАХ АВТОМАТИЗИРОВАННОЙ ЛИНИИ IIOT

Аннотация. В статье рассматривается проблема унификации стандартов передачи
данных и проектирования систем в компонентах и устройствах автоматизированной линии
для производства инструментальной оснастки. Авторы предлагают программную архитектуру на Граничном (Edge) уровне IIoT, использующую стандарт OPC-UA для обеспечения совместимости и синхронизации данных между различными устройствами и системами.
Ключевые слова: Промышленный интернет вещей, Industrial Internet Reference Architecture, автоматизация, металлообрабатывающее оборудование.

Темой данной статьи является программная концепция фрезерного станка
в линии по сборке инструментальной остатки. Основная задача линии заключается в производстве инструментальной оснастки для механических устройств.
Она оборудована интеллектуальными датчиками, которые осуществляют мониторинг температуры и вибрации оборудования в режиме реального времени,
что помогает обнаруживать и предотвращать возможные проблемы.
Основу данного метода составляет сбор, обработка и последующий анализ данных, поступающих с тепло и вибродатчиков, установленных в различных в металлообрабатывающем оборудовании, а также универсальная компоновка датчиками оборудования.
Применение на производстве единой концепции IIoT датчиков для отслеживания состояния и мониторинга оборудования имеет ряд преимуществ,
таких как универсальное подключение, а также возможность вести наблюдение
в реальном времени за оборудованием для детектирования чрезвычайных ситуаций, а также возможность сбора данных для последующего анализа [1].
Цель этой статьи заключается в исследовании концепции сбора и анализа
данных с использованием IIoT-датчиков в металлообрабатывающем оборудовании. Для достижения этой цели был проведен анализ возможностей автоматизации процессов сборки инструментальной оснастки с применением интеллектуальных датчиков, которые контролируют состояние оборудования, и которые сосредоточены на выявлении методов повышения надежности и эффективности обслуживания металлообрабатывающего оборудования.
Научная новизна данного исследования заключается в программной
стандартизации применения комплекса IIoT датчиков на примере фрезерного
станка в автоматизированной линии для сборки инструментальной оснастки.
Данная концепция направлена на решение актуальных задач в области сбора и
анализа данных, а также на развертывание систем мониторинга [5].
В результате был разработан концепт программной архитектуры IIot датчиков необходимых для корректного и сбора данных с фрезерного станка. Также стоит отметить, что, данная концепция сочетает себе применение метода

Автоматизированные системы управления биотехнологическими процессами

293

Low-code, который предполагает наличие единого протокола по всей архитектуре, что упрощает взаимодействие компонентов.
Проблемы традиционной автоматизации
Традиционный подход к автоматизации, основанный на классической пирамиде (ANSI/ISA 95), имеет ряд недостатков:
 Трудности с внедрением и масштабированием, а также
 Несовместимость протоколов для обмена данными.
 Отсутствие своевременной информации о состоянии оборудования
Современные требования к архитектуре IIoT требуют более гибкой и интегрированной модели, что позволяет обеспечить бесшовную интеграцию от
датчиков к облаку. В современной архитектуре IIoT, необходимо, чтобы датчики передавали данные на любой уровень информационной системы, включая
облачные сервисы, через протоколы связи, такие как OPC-UA [2] и MQTT. Это
упрощает мониторинг и управление системами, обеспечивая высокую степень
автоматизации и оптимизации процессов. Использование существующих сетей
снижает затраты на инфраструктуру и делает системы IIoT более доступными.
Программная архитектура фрезерного станка
В статье рассматривается Граничный архитектурный уровень концепции
IIRA, на котором размещаются программные компоненты для автоматизации
сборочной линии инструментальной оснастки, с акцентом на фрезерный станок.
Предложенная архитектура системы IIoT включает в себя умные датчики, которые взаимодействуют с системой сбора и обработки данных, обеспечивая прямую передачу информации с рабочих частей оборудования в IIoT шлюз.
Во-первых, использование OPC UA как основного протокола обмена данными между устройствами обеспечивает надежную и безопасную передачу информации. Протокол поддерживает различные типы данных и позволяет создавать гибкие архитектуры, что особенно важно в условиях быстро меняющейся
производственной среды. Благодаря этому данные от термодатчиков, вибродатчиков и других устройств могут быть собраны и обработаны в реальном времени [3], что способствует более эффективному мониторингу состояния оборудования.
Во-вторых, интеграция всех компонентов системы через IIoT шлюз позволяет централизовать управление и анализ данных. Шлюз выступает в роли
основного узла для сбора информации от умных датчиков и передачи ее в облачные сервисы или локальные серверы. Это упрощает процесс мониторинга и
управления производственными процессами, а также позволяет оперативно
реагировать на изменения в состоянии оборудования.

294 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис.1. Программная схема фрезерного станка

Ключевые компоненты архитектуры:

IIoT шлюз: Центральный узел для сбора и обработки данных, обеспечивающий высокую скорость и надежность обмена информацией через оптоволокно или двухпроводной Ethernet (SPE).
Умные датчики:

Термодатчик: измеряет температуру на производственной линии,
предотвращая перегрев оборудования.

Вибродатчик: мониторит вибрации, позволяя своевременно выявлять проблемы и предотвращать аварии.

Датчик присутствия: определяет наличие объектов в зоне, автоматизируя процессы контроля и безопасности.
IIoT камера: обеспечивает визуальный мониторинг процессов, по
зволяя отслеживать выполнение задач в реальном времени.

ПЛК (Программируемый логический контроллер): управляет производственными процессами и интегрирует различные устройства в единую автоматизированную среду.

IIoT RFID-считыватель и принтер/сканер: используются для идентификации и отслеживания объектов, что улучшает управление запасами и логистику.

IIoT генератор: Устанавливается на подвижные части металлообрабатывающего оборудования и преобразует механическую энергию в электриче-

Автоматизированные системы управления биотехнологическими процессами

295

296 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

скую для резервного использования в случае выхода из строя источников питания датчиков
Данная архитектура способствует повышению эффективности производственных операций за счет минимизации ошибок, связанных с ручным вводом
данных, и оптимизации процессов инвентаризации. Внедрение технологий IIoT
позволяет обеспечить более глубокую связь между устройствами, что улучшает
мониторинг и управление на фрезерном станке [4].
Выводы. Таким образом, предложенная программная концепция использования IIoT-датчиков является высокоэффективной и отвечает требованиям
современного производства. Она не только улучшает мониторинг и управление,
но и создает условия для гибкости и адаптивности предприятий к быстро меняющимся условиям рынка. В условиях цифровизации экономики использование IIoT становится не просто желательным, а необходимым для достижения
конкурентных преимуществ. Это особенно актуально в условиях современного
производства, где предприятия должны адаптироваться к быстро меняющимся
условиям рынка.

УДК 62-91
И.И. Слатов, Н.Д. Коробов
Финансовый университет при Правительстве РФ.

МОДЕЛИРОВАНИЕ ИМПЕЛЛЕРА ДЛЯ ВИДЕОСЪЕМКИ С
БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА САМОЛЕТНОГО ТИПА
И.И. Слатов, Н.Д. Коробов МОДЕЛИРОВАНИЕ ИМПЕЛЛЕРА ДЛЯ ВИДЕОСЪЕМКИ С БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА САМОЛЕТНОГО ТИПА

Аннотация: в работе рассматривается разработка модели импеллера для беспилотного
воздушного судна самолетного типа. Учитываются ключевые аэродинамические, конструктивные и эксплуатационные характеристики, которые были определены на основе анализа
технического задания и расчетов. В ходе работы был проведен выбор и тестирование нескольких вариантов модели импеллера, с учетом оптимизации тяги, прочностных характеристик и массы. Моделирование и тестирование проводились с использованием CAD-системы
и специализированных программ для проверки аэродинамических свойств.
Ключевые слова: беспилотное воздушное судно, импеллер, аэродинамика, моделирование, CAD-система, прочность, эксплуатационные характеристики.

Беспилотные воздушные суда, в том числе различные летательные аппараты самолетного типа, занимают важное место в современных технологиях.
Эти устройства находят применение в широком спектре отраслей: от военной
авиации и исследований до гражданского использования и коммерческих услуг.
Одним из ключевых элементов в конструкции БВС является пропульсивная
система, которая включает в себя двигатели и импеллеры, ответственные за
подъем и маневренность устройства.
Импеллеры для БВС - это компоненты, преобразующие энергию, получаемую от двигателя, в тягу, необходимую для подъема и перемещения БПЛА.
В отличие от традиционных самолетных двигателей, импеллеры для БВС
должны обладать высокой эффективностью, компактностью и возможностью
работы в различных условиях.
Разработка и моделирование импеллера БВС самолётного типа представляет собой сложную инженерную задачу, требующую учета множества факторов, включая аэродинамические, конструктивные и эксплуатационные характеристики. В последние десятилетия особое внимание уделяется созданию многофункциональных воздушных судов самолетного типа, что делает импеллеры
перспективными для различных сфер применения.
Сложность проектирования импеллеров заключается в необходимости
сочетания нескольких противоположных характеристик. С одной стороны, импеллер должен быть легким для уменьшения нагрузки на БВС, с другой стороны - достаточно прочным, чтобы выдерживать внешние воздействия, такие как
механические вибрации, высокие скорости вращения и атмосферные условия.
Важным моментом является также аэродинамическая эффективность, так как
форма лопастей и их угол наклона должны обеспечивать максимальную тягу
при минимальных затратах энергии.
Проанализировав подробно технические и эксплуатационные характеристики разных импеллеров была разработана модель, в которой были учтены все
оптимизированные аэродинамические параметры, а также технологические

Автоматизированные системы управления биотехнологическими процессами

297

особенности, включая упрощение конструкции для сокращения веса и повышения прочности (рисунок 1).

Рис. 1. Основная модель кожуха, крыльчатки и корпуса

Представленная модель обладает рядом преимуществ: компактная, оптимизированная аэродинамика, легкая в модификации.
Крыльчатка является основным компонентом системы пропульсии БВС,
который оказывает значительное влияние на тягу, маневренность, безопасность
и долговечность устройства.
Крыльчатку импеллера протестировали на аэродинамические свойства в
программе APM FEM для КОМПАС-3D v23.0.0.8 (рисунок 2).

Рис. 2. Испытания крыльчатки на напряжение

Результаты моделирования представлены в таблице 1.

298 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
Табл.1. Инерционные характеристики модели
Наименование
Значение
Масса модели [кг]
0.052057
Центр тяжести модели [мм]
( -0.000046 ; -0.000048 ; 9.247315 )
Моменты инерции модели относительно цен- ( 23.774926 ; 23.774788 ; 44.25216 )
тра масс [кг*мм^2]
Реактивный момент относительно центра
( -0.93876 ; 0.489208 ; 0.131185 )
масс [Н*мм]
Суммарная реакция опор [Н]
( 0 ; 0 ; -0.309974 )
Абсолютнoе значение реакции [Н]
0.309974
Абсолютнoе значение момента [Н*мм]
1.066679

В результате работы была успешно разработана и протестирована модель
импеллера, соответствующая всем необходимым аэродинамическим и конструктивным требованиям. Использование различных вариантов моделей и их
тестирование позволили выбрать оптимальное решение. При выполнении исследовательских работ были использованы источники [1–11].
Список литературы
Грачев, С.П., Семёнов, И.В. Аэродинамика и проектирование летательных аппаратов
[Текст] / Грачев, С.П., Семёнов, И.В. - Москва: Наука, 2012 — 250 c.
2. Основы аэродинамики беспилотных воздушных судов: Учебное пособие. Булат П.В.,
Дудников С.Ю., Кузнецов П.Н. –М.: Издательство «Спутник +», 2021.– 273 с.
3. Смирнов, В.И. Моделирование и расчет аэродинамических характеристик пропеллеров и
импеллеров. М.: Энергия, 2010. – 280 с.
4. Крахмалев, О. Н. Моделирование манипуляционных систем роботов : учебное пособие /
О. Н. Крахмалев. – 2-е изд. – Москва : Ай Пи Ар Медиа, 2024. – 198 c. – ISBN 978-54497-3377-1. – Текст : электронный // Цифровой образовательный ресурс IPR SMART :
[сайт]. – URL: https://www.iprbookshop.ru/141848.html (дата обращения: 29.08.2024).
5. Крахмалев, О. Н. Объектное моделирование в кинематике манипуляционных роботов /
О.Н. Крахмалев // Нейрокомпьютеры: разработка, применение, 2022. – №5. – С. 55–66.
https://doi.org/10.18127/j19998554-202205-06.
6. Каргин, В.А. Интеллектуальная автоматизированная система мониторинга засорения земель борщевиком Сосновского / В.А. Каргин, И.В. Кротов, Н.И. Гданский, С.А. Мокрушин, О.Н. Крахмалев // Научно-технический вестник Поволжья. – 2024. – №10. – С. 114118.
7. Нгонганг Р.Д., Благовещенская М.М., Благовещенский В.Г., Зеленова Е.Н., Зуева Ю.В.
КОБОТЫ: новые технологии для автоматизации технологических процессов производства различной продуктов. В сборнике: РОГОВСКИЕ ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 292-300.
8. Krakhmalev, O.; Korchagin, S.; Pleshakova, E.; Nikitin, P.; Tsibizova, O.; Sycheva, I.; Liang,
K.; Serdechnyy, D.; Gataullin, S.; Krakhmalev, N. Parallel Computational Algorithm for Object-Oriented Modeling of Manipulation Robots. Mathematics, 2021, 9, 2886.
https://doi.org/10.3390/math9222886.
9. Krakhmalev, O.; Krakhmalev, N.; Gataullin, S.; Makarenko, I.; Nikitin, P.; Serdechnyy, D.;
Kang, L.; Korchagin, S. Mathematics Model for 6-DOF Joints Manipulation Robots. Mathematics, 2021, 9, 2828. https://doi.org/10.3390/math9212828.
10. Krakhmalev, O.; Gataullin, S.; Boltachev, E.; Korchagin, S.; Blagoveshchensky, I.; Liang, K.
Robotic Complex for Harvesting Apple Crops. Robotics, 2022, 11, 77.
https://doi.org/10.3390/robotics11040077.

Автоматизированные системы управления биотехнологическими процессами

299

300 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

11. Kang Liang, Zhang Xiukai, Oleg Krakhmalev. SLSL-QPSO: Quantum-behaved particle swarm
optimization with short-lived swarm layers. SoftwareX, 2023, 24, 101536,
https://doi.org/10.1016/j.softx.2023.101536.

бинарных подходов, где плод либо принимается, либо отбраковывается, нечёткая логика предоставляет возможность учитывать промежуточные состояния и
принимать более гибкие решения.
Алгоритм работы системы включает несколько этапов. На первом этапе
камера фиксирует изображения яблок, которые затем передаются на сервер для
обработки. Нейронная сеть анализирует полученные данные и выделяет области, содержащие дефекты. На втором этапе алгоритмы нечёткой логики определяют степень поражения плодов. Если процент повреждений превышает установленный порог (в данном случае 50%), плод отбраковывается, однако если
процент повреждения варьируется в диапазоне 20-30%, то такие яблоки отбраковываются в другой контейнер, например, на корма животным [7, 8]. Такой
подход позволяет более точно оценивать пригодность яблок для дальнейшей
переработки и исключать плоды, которые могут негативно повлиять на качество конечного продукта.

УДК 004.5
Д.Ю. Сохинов
ФГБОУ ВО “Российский биотехнологический университет” (РОСБИОТЕХ)

НЕЙРО-НЕЧЕТКИЙ ПОДХОД К КЛАССИФИКАЦИИ ЯБЛОК С
УЧЕТОМ ВНЕШНИХ ДЕФЕКТОВ
Д.Ю. Сохинов НЕЙРО-НЕЧЕТКИЙ ПОДХОД К КЛАССИФИКАЦИИ ЯБЛОК С УЧЕТОМ ВНЕШНИХ ДЕФЕКТОВ

Аннотация. В статье рассматривается использование нейронных сетей и алгоритмов
нечёткой логики для повышения эффективности процесса сортировки яблок. Технология позволяет учитывать внешние дефекты плода и анализировать внутренние повреждения, что
способствует исключению непригодного сырья из переработки. Описаны этапы работы системы, включая обучение нейронной сети и интеграцию алгоритмов нечёткой логики. Приведены экспериментальные результаты, подтвердившие эффективность предложенного подхода. Система обеспечивает высокую точность анализа и снижает производственные потери,
что актуально для пищевой промышленности и агропромышленного комплекса.
Ключевые слова: нейронные сети, нечёткая логика, сортировка яблок, автоматизация,
анализ изображений, дефекты плодов, агропромышленный комплекс.

Современные технологии обработки и сортировки плодов играют ключевую роль в пищевой промышленности и агропромышленном комплексе. С ростом объемов производства и повышением требований к качеству продукции автоматизация процессов становится важнейшим фактором конкурентоспособности предприятий [1, 2]. Одним из перспективных направлений является применение нейронных сетей и алгоритмов нечёткой логики для анализа и классификации фруктов по степени их повреждений. В данной работе рассмотрено использование этих технологий для улучшения процесса сортировки яблок, что
позволяет минимизировать производственные потери и повысить качество конечной продукции [3, 4].
Традиционные методы сортировки плодов зачастую ориентированы на
визуальную оценку внешнего состояния яблок, что не всегда даёт объективные
результаты. Внешние дефекты могут быть не связаны с внутренними повреждениями, такими как гниль, которая распространяется внутри плода сферически
и может оставаться практически невидимой на поверхности [5]. Это приводит к
ошибкам при определении пригодности плодов для дальнейшей переработки.
Применение нейронных сетей и нечёткой логики позволяет значительно повысить точность анализа и принимать более обоснованные решения.
В основе предложенной технологии лежит использование самообучающейся нейронной сети (рис 1.), которая анализирует изображения яблок, полученные с помощью системы технического зрения. Нейронная сеть адаптируется
к различным условиям и сортам яблок, что позволяет повысить универсальность и точность системы. Для обеспечения гибкости принятия решений в алгоритм интегрированы элементы нечёткой логики, которые позволяют оценивать степень повреждений плодов в процентах [6]. В отличие от классических

Рис.1. Структура нейронной сети с использованием алгоритма нечеткой логики

Особое внимание уделяется обучению нейронной сети. Для этого используется выборка изображений яблок с различными степенями повреждений,
включая плоды с видимой и скрытой гнилью с незначительным повреждением
на поверхности. В процессе обучения сеть оптимизирует свои параметры для
достижения минимальной ошибки классификации. График точности (рис. 2),
полученный в ходе обучения, показывают стабильное достижение точности более 90%, что свидетельствует о высокой эффективности модели [9, 10].
Экспериментальные исследования подтвердили преимущества использования нейронных сетей и нечёткой логики для сортировки яблок. В качестве
тестовой выборки были использованы 44 яблока, из которых 9 имели внутренние повреждения. Система успешно выявила все дефектные плоды, продемонстрировав высокую точность классификации. В сравнении с ручной сортиров-

Автоматизированные системы управления биотехнологическими процессами

301

302 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

кой, где точность сильно варьируется из-за человеческого фактора, автоматизированный подход показал явное преимущество [11, 12]. Это позволяет значительно сократить количество некачественного сырья и снизить производственные затраты.
Применение нечёткой логики особенно актуально для случаев, когда повреждения яблок имеют частичный характер. Например, плод с поражением
30% поверхности может быть условно пригодным для переработки, тогда как
яблоки с повреждениями более 50% подлежат обязательной отбраковке. Такой
подход позволяет снизить количество ложных срабатываний и более эффективно использовать сырьё. Кроме того, система учитывает вариативность данных и
погрешности, что делает её более устойчивой к внешним факторам [13].

спроса на натуральные и качественные продукты это становится важным конкурентным преимуществом.
Таким образом, применение нейронных сетей и алгоритмов нечёткой логики для сортировки яблок открывает новые возможности для автоматизации
процессов в пищевой промышленности и агропромышленном комплексе. Высокая точность анализа, гибкость принятия решений и устойчивость к внешним
факторам делают эту технологию перспективным инструментом для повышения эффективности производства и улучшения качества продукции. Дальнейшее развитие технологии может включать оптимизацию архитектуры нейронной сети, расширение обучающей выборки и интеграцию дополнительных возможностей для анализа состояния плодов.
1.
2.

4.
5.

Рис. 2. Кривая точности нейронной сети на этапах обучения и валидации

Одним из важных аспектов разработки системы является её интеграция с
существующими производственными линиями. Для этого используются стандартные протоколы передачи данных и интерфейсы управления, что обеспечивает совместимость и возможность масштабирования технологии [14]. Программное обеспечение системы построено таким образом, чтобы поддерживать
возможность обновления и настройки алгоритмов в зависимости от изменяющихся условий производства.
Экономический эффект от внедрения автоматизированной системы сортировки также заслуживает внимания. Повышение точности классификации
плодов и снижение производственных потерь позволяют сократить затраты на
переработку и улучшить качество конечного продукта. В условиях растущего

Список литературы
Каргин, В. А., Сохинов, Д. Ю., Усанов, К. М. [и др.] Интеллектуальная автоматизированная система управления сортировкой фруктов // Электротехнологии и электрооборудование в АПК. – 2024. – Т. 71, № 2. – С. 100-106.
Борисевский, А. М., Каргин, В. А., Мокрушин, С. А., Сохинов, Д. Ю. Перспективы использования роботизированной системы для сортировки фруктов // Роговские чтения:
сборник докладов научно-практической конференции с международным участием, Москва, 16 декабря 2022 года. – Курск: Закрытое акционерное общество "Университетская
книга", 2023. – С. 133-138.
Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Каверзин, И. В. Разработка и оценка нейронной сети для оценки качества яблок // Современные проблемы автоматизации технологических процессов и производств: сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова, Москва, 11 октября 2023 года. – Курск: ЗАО «Университетская книга», 2023. – С. 205-211.
Яблоков, А. Е., Потапов, С. А. Разработка устройства сортировки яблок по сортам с использованием технологий сверточных нейронных сетей // Изв. СПбГЭТУ «ЛЭТИ». 2024.
Т. 17, № 6. С. 49 55. doi: 10.32603/2071-8985-2024-17-6-49-55.
Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое
обеспечение агропромышленного комплекса: Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 308-313.
Талмазова, Д. В., Семенов, А. С., Сохинов, Д. Ю. Реализация нейронной сети для определения качества карамели // Актуальные проблемы энергетики АПК: Материалы II Национальной научно-практической конференции с международным участием имени Г.П.
Ерошенко, Саратов, 25 апреля 2024 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и инженерии им. Н.И. Вавилова, 2024. – С. 269-276.
Кравченко, Р. А., Кучер, Ф. В., Сохинов, Д. Ю., Кротов, И. В. Автоматизация процессов
производства колбасных изделий использованием программируемых техничских средств
// Роговские чтения: сборник докладов научно-практической конференции с международным участием, Москва, 16 декабря 2022 года. – Курск: Закрытое акционерное общество "Университетская книга", 2023. – С. 192-200.
Кравченко, Р. А., Кротов, И. В., Сохинов, Д. Ю. Автоматизированная система мониторинга зрелости плодов томата // Повышение эффективной эксплуатации электрооборудования в сельском хозяйстве: Материалы I Национальной научно-практической конфе-

Автоматизированные системы управления биотехнологическими процессами

10.

11.

12.

13.

14.

303

304 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

ренции с международным участием имени Г.П. Ерошенко, Саратов, 22 декабря 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 205-210.
Кравченко, Р. А., Бею, В. В., Сохинов, Д. Ю., Сармаев, А. В. Выбор программируемых
управляющих устройств для автоматизации процессов пищевого производства // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным
технологиям, роботизированным системам для отраслей пищевой промышленности:
Сборник научных докладов IV Международной специализированной конференциивыставки, Москва, 26 апреля 2023 года. – Москва: Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский биотехнологический университет (РОСБИОТЕХ)", 2023. – С. 238-243.
Сохинов, Д. Ю., Кравченко, Р. А., Кишко, В. В. Анализ роботизированных систем для
сортировки плодов на пищевом производстве // Актуальные проблемы энергетики АПК:
Материалы XIV Национальной научно-практической конференции с международным
участием, Саратов, 28 апреля 2023 года / Под общей редакцией С. М. Бакирова. – Саратов: Саратовский государственный аграрный университет им. Н. И. Вавилова, 2023. – С.
271-277.
Сохинов, Д. Ю., Кишко, В. В., Каверзин, И. В., Сармаев, А. В. Анализ и выбор нейронной сети для оценки качества яблок // Современные проблемы автоматизации технологических процессов и производств: сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова, Москва, 11 октября 2023 года. – Курск: ЗАО «Университетская книга», 2023. – С. 297-301.
Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое
обеспечение агропромышленного комплекса: Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 308-313.
Сохинов, Д. Ю., Кравченко, Р. А., Кротов, И. В. Роботизированные системы для сортировки фруктов в пищевой промышленности // Повышение эффективной эксплуатации
электрооборудования в сельском хозяйстве: Материалы I Национальной научнопрактической конференции с международным участием имени Г.П. Ерошенко, Саратов,
22 декабря 2023 года. – Саратов: Саратовский государственный университет генетики,
биотехнологии и инженерии имени Н.И. Вавилова, 2023. – С. 339-343.
Каргин, В. А., Кишко, В. В., Усанов, К. М., Сохинов, Д. Ю. Результаты создания интеллектуальной системы с использованием нейросетевых технологий для оценки качества
яблок при сортировке // Вавиловские чтения - 2022: Сборник статей Международной научно-практической конференции, посвященной 135-й годовщине со дня рождения академика Н. И. Вавилова, Саратов, 22–25 ноября 2022 года. – Саратов: Общество с ограниченной ответственностью "Амирит", 2022. – С. 710-715.

УДК 004.5
Д.Ю. Сохинов
ФГБОУ ВО “Российский биотехнологический университет” (РОСБИОТЕХ)

ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ СОРТИРОВКИ
ЯБЛОК НА ОСНОВЕ ФИЗИЧЕСКОЙ МОДЕЛИ СТЕНДА
Д.Ю. Сохинов ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ СОРТИРОВКИ ЯБЛОК НА ОСНОВЕ ФИЗИЧЕСКОЙ МОДЕЛИ СТЕНДА

Аннотация. В статье представлена разработка инновационного стенда для автоматизированной сортировки яблок, предназначенного для использования в пищевой промышленности и агропромышленном комплексе. Основной целью разработки является повышение
эффективности и точности сортировки плодов, что особенно важно для производства качественной продукции, такой как яблочный сок. Автоматизированная система, основанная на использовании технического зрения, позволяет выявлять внешние и анализировать внутренние
дефекты яблок, что значительно снижает производственные потери и улучшает качество конечного продукта.
Ключевые слова: интеллектуальная система сортировки, техническое зрение, автоматизация, дефекты плодов, классификация фруктов.

Современное производство продуктов питания и переработка сельскохозяйственного сырья сталкиваются с необходимостью повышения эффективности технологических процессов. Одной из ключевых задач является сортировка
плодов, в частности яблок, которые широко используются для производства соков и другой продукции [1]. Сортировка вручную остаётся распространённым
методом, однако этот подход характеризуется высокой трудоёмкостью, низкой
точностью и зависимостью от человеческого фактора. В условиях растущего
спроса на качественную продукцию актуально внедрение автоматизированных
систем сортировки [2]. Такие системы позволяют анализировать состояние
плодов и исключать из технологического процесса дефектные экземпляры, что
способствует улучшению качества конечного продукта и снижению производственных потерь. В данной статье описывается разработка стенда для автоматизированной сортировки яблок, который учитывает внешние состояние плода и
анализирует внутренний объем повреждения гнилью [3, 4].
Разработанный стенд представляет собой комплексную систему, которая
включает транспортировочную ленту, систему технического зрения (СТЗ), модуль обработки данных и исполнительные механизмы для сортировки плодов
(рис. 1). Стенд оснащён транспортировочной лентой с обратным движением
полотна относительно направления падения яблок. Угол наклона стенда составляет 10 градусов, что позволяет плодам скатываться под действием силы
тяжести и одновременно прокручиваться вокруг своей оси. Такая конфигурация
обеспечивает возможность камер фиксировать поверхность яблок со всех сторон, что особенно важно для выявления дефектов [5, 6].
Ключевые компоненты установки включают транспортировочную ленту,
которая обеспечивает транспортировку плодов, камеру системы технического
зрения, фиксирующую изображение яблок для последующего анализа, программируемый логический контроллер (ПЛК), управляющий работой системы

Автоматизированные системы управления биотехнологическими процессами

305

306 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

заслонок для отбора плодов, перенаправляющие дефектные яблоки в отдельный
поток [7, 8]. Яблоки поступают на транспортную ленту, которая движется в направлении, противоположном естественному скатыванию плодов. Это создаёт
условия для их вращения и позволяет камере фиксировать изображение со всех
сторон. Видеопоток передаётся на сервер для обработки с использованием алгоритмов анализа изображений.
Камера установлена на подвижной платформе, которая позволяет изменять её высоту относительно полотна. Это обеспечивает гибкость настройки
системы и возможность адаптации к различным размерам и сортам яблок. Заслонки, управляемые ПЛК через протокол Profibus, оперативно реагируют на
сигналы о наличии дефектов и перенаправляют такие плоды в отдельный контейнер.

жение снижает производительность системы. Оптимальная скорость, определённая в ходе экспериментов, составила 0.20 м/с.
Угол наклона транспортёра определяет интенсивность вращения яблок.
Эксперименты показали, что угол в 10 градусов обеспечивает наилучшие условия для сканирования поверхности плодов. Высота установки камеры влияет на
качество изображения и угол обзора. Оптимальная высота была определена как
41 см от поверхности конвейера, что обеспечивает достаточную детализацию
изображения для анализа. В рамках исследования была проведена серия экспериментов для оценки эффективности работы стенда. В качестве тестовой выборки использовались яблоки с различными степенями повреждений гнилью
[11, 12].
Табл.1. Экспериментальные данные с расчетными
показателями степени поражения яблок гнилью

Рис. 1 Экспериментальная установка для системы сортировки яблок: 1 – трехфазный частотный регулятор; 2 – электродвигатель на 0.12кВт; 3 – приводная цепь; 4 – направляющие
транспортера; 5 – камера; 6 – заслонки, 7 – транспортировочная лента; 8 – крепление платформы камеры к направляющим; 9 – направляющие для движения платформы по оси z; 10 –
линейка; 11 - программируемый логический контроллер; 12 – ноутбук с нейросетью.

Для обеспечения максимальной эффективности работы системы проводились эксперименты по подбору оптимальных параметров, таких как скорость
транспортёра, угол наклона конвейера и высота установки камеры [9, 10].
Слишком высокая скорость может привести к пропуску дефектов из-за недостаточного времени на захват изображения. Напротив, слишком медленное дви-

Каждое яблоко сначала взвешивалось, затем фиксировалось изображение
его поверхности, после чего поражённые участки вырезались и яблоко снова
взвешивалось (табл.1). Разница в массе использовалась для расчёта объёма повреждений [13]. Полученные данные сопоставлялись с результатами анализа
изображений, проведённого системой технического зрения. Эксперименты подтвердили высокую точность работы системы. Стенд успешно выявлял дефектные яблоки с внутренними повреждениями более чем на 50%, что является критическим порогом для исключения плодов из переработки в проведенном эксперименте. В сравнении с ручной сортировкой автоматизированная система показала повышение точности и сокращение времени на сортировку [14].

307

308 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Разработанный стенд для автоматизированной сортировки яблок продемонстрировал высокую эффективность и практическую значимость для применения в пищевой промышленности и агропромышленном комплексе. Оптимизация параметров работы системы позволила достичь высокой точности обнаружения дефектов и снизить производственные потери.
Использование данного стенда способствует улучшению качества сырья
для производства яблочного сока и других продуктов, а также повышению экономической эффективности переработки фруктов за счет автоматизированной
сортировки. Полученные результаты открывают перспективы для дальнейшего
развития и масштабирования технологии, что актуально в условиях растущего
спроса на качественную продукцию.

дования в сельском хозяйстве: Материалы I Национальной научно-практической конференции с международным участием имени Г.П. Ерошенко, Саратов, 22 декабря 2023
года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 205-210.
Кравченко, Р. А., Бею, В. В., Сохинов, Д. Ю., Сармаев, А. В. Выбор программируемых
управляющих устройств для автоматизации процессов пищевого производства // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным
технологиям, роботизированным системам для отраслей пищевой промышленности:
Сборник научных докладов IV Международной специализированной конференциивыставки, Москва, 26 апреля 2023 года. – Москва: Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский биотехнологический университет (РОСБИОТЕХ)", 2023. – С. 238-243.
Сохинов, Д. Ю., Кравченко, Р. А., Кишко, В. В. Анализ роботизированных систем для
сортировки плодов на пищевом производстве // Актуальные проблемы энергетики
АПК: Материалы XIV Национальной научно-практической конференции с международным участием, Саратов, 28 апреля 2023 года / Под общей редакцией С. М. Бакирова.
– Саратов: Саратовский государственный аграрный университет им. Н. И. Вавилова,
2023. – С. 271-277.
Сохинов, Д. Ю., Кишко, В. В., Каверзин, И. В., Сармаев, А. В. Анализ и выбор нейронной сети для оценки качества яблок // Современные проблемы автоматизации технологических процессов и производств: сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова, Москва, 11 октября 2023 года. – Курск: ЗАО «Университетская книга», 2023. – С. 297-301.
Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое обеспечение агропромышленного комплекса: Материалы научно-технической
конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября
2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И. Вавилова, 2023. – С. 308-313.
Сохинов, Д. Ю., Кравченко, Р. А., Кротов, И. В. Роботизированные системы для сортировки фруктов в пищевой промышленности // Повышение эффективной эксплуатации
электрооборудования в сельском хозяйстве: Материалы I Национальной научнопрактической конференции с международным участием имени Г.П. Ерошенко, Саратов, 22 декабря 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И. Вавилова, 2023. – С. 339-343.
Каргин, В. А., Кишко, В. В., Усанов, К. М., Сохинов, Д. Ю. Результаты создания интеллектуальной системы с использованием нейросетевых технологий для оценки качества
яблок при сортировке // Вавиловские чтения - 2022: Сборник статей Международной
научно-практической конференции, посвященной 135-й годовщине со дня рождения
академика Н. И. Вавилова, Саратов, 22–25 ноября 2022 года. – Саратов: Общество с ограниченной ответственностью "Амирит", 2022. – С. 710-715.

Автоматизированные системы управления биотехнологическими процессами

1.
2.

4.
5.

10.

11.

12.

13.

14.

Автоматизированные системы управления биотехнологическими процессами

309

310 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

УДК 004.5
Д.Ю. Сохинов, Т.В. Зудина, А.А. Тарола, Е.В. Пестова
ФГБОУ ВО “Российский биотехнологический университет” (РОСБИОТЕХ)

Для оценки качества яблок на основе нечёткой логики используются два
ключевых параметра:
 Диаметр пятна гнили на поверхности яблока.
 Процентное соотношение объёма гнили к общему объёму яблока.
Эти параметры формализуются через функции принадлежности, которые
определяют степень соответствия значения параметра определённым категориям [8, 9]. В коде используются треугольные функции принадлежности для классификации диаметра пятна гнили на три категории: "малый", "средний" и
"большой". Например, для диаметра пятна:
 "Малый" диаметр определяется в диапазоне от 0 до 20 мм.
 "Средний" — от 15 до 35 мм.
 "Большой" — от 30 до 50 мм.

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПРОЦЕССА СОРТИРОВКИ
ПЛОДОВ ПРИМЕНЕНИЕМ АЛГОРИТМОВ НЕЧЕТКОЙ ЛОГИКИ
Д.Ю. Сохинов, Т.В. Зудина, А.А. Тарола, Е.В. Пестова ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПРОЦЕССА СОРТИРОВКИ ПЛОДОВ ПРИМЕНЕНИЕМ АЛГОРИТМОВ НЕЧЕТКОЙ
ЛОГИКИ

Аннотация. В статье рассматривается использование нечёткой логики для улучшения
процесса сортировки плодов, что позволяет повысить точность оценки качества продукции.
Особое внимание уделено решению задачи определения степени повреждения гнилью.
Представлены основные принципы работы с нечёткой логикой, которые помогают учитывать неопределённости и вариации в данных. Рассматриваются параметры, на основе которых строятся правила для оценки состояния плодов, а также методы, позволяющие принять
решение о пригодности продукции. Предлагаемая методика является перспективной для повышения качества и снижения потерь на производстве.
Ключевые слова: нечёткая логика, автоматизированная сортировка, повреждения яблок.

Автоматизация процессов сортировки фруктов играет важную роль в повышении эффективности производства в пищевой промышленности и агропромышленном комплексе. Сортировка яблок является сложным этапом технологического процесса, поскольку требует оценки состояния плодов для выявления
дефектов, таких как повреждения и поражения гнилью. Традиционные методы
зачастую ограничиваются визуальной оценкой, которая может быть субъективной и малоточной [1, 2].
Основной проблемой при сортировке яблок является необходимость определения степени повреждения плода и объёма внутренней гнили, что критически важно для обеспечения качества продукции. В таких условиях интеллектуальные подходы становятся перспективным решением [3]. Среди них особое
внимание привлекают алгоритмы нечёткой логики, которые позволяют учитывать неопределённости и погрешности в процессе анализа данных.
Нечёткая логика представляет собой обобщение классической бинарной
логики, позволяя оперировать не только чёткими значениями "истина" и
"ложь", но и промежуточными состояниями. Это особенно полезно при решении задач, где данные имеют неопределённости или варьируются в широком
диапазоне [4, 5]. В отличие от классических методов, нечёткая логика позволяет формировать правила принятия решений в форме "если — то" на основе
функций принадлежности. Это делает её эффективным инструментом для моделирования сложных систем [6].
Примеры успешного применения нечёткой логики встречаются в таких областях, как управление климатическими системами, медицинская диагностика
и агропромышленность. В сельском хозяйстве нечёткая логика может использоваться для управления поливом, анализа состояния почвы и сортировки продукции [7]. В контексте сортировки яблок система на основе нечёткой логики
позволяет создавать гибкие правила для оценки степени поражения плодов, что
значительно повышает точность и надёжность процесса.

Рис. 1. Реализация алгоритма нечёткой логики для определения
пригодности яблок с учётом диаметра и объёма гнили

Аналогично, процентное соотношение объёма гнили классифицируется на
три категории: "низкий", "средний" и "высокий" [10]. Например:
 "Низкий" уровень гнили соответствует значениям от 0% до 30%.
 "Средний" — от 20% до 60%.
 "Высокий" — от 50% до 100%.
На основе этих параметров формируются правила принятия решений, которые реализованы в коде с использованием нечёткой логики (рис. 1). Примеры
правил:

Автоматизированные системы управления биотехнологическими процессами

311

 Если диаметр пятна гнили мал и процентное соотношение объёма гнили низкое, то яблоко считается пригодным.
 Если диаметр пятна гнили средний и процентное соотношение объёма
гнили среднее, то яблоко отбраковывается, но попадает в контейнер для корма животным.
 Если диаметр пятна гнили большой или процентное соотношение объёма
гнили высокое, то яблоко также отбраковывается и утилизируется.
Важным этапом настройки системы является выбор параметров функций
принадлежности и пороговых значений [11, 12]. Эти параметры могут быть оптимизированы на основе экспериментальных данных, что позволяет повысить
точность и надёжность системы. В коде это реализовано через создание системы управления с использованием библиотеки skfuzzy, которая позволяет моделировать нечёткую логику и принимать решения на основе заданных правил
[13, 14].
Для проверки работоспособности системы проводились эксперименты, в
ходе которых яблоки классифицировались на основе заданных параметров. В
рамках экспериментов яблоки взвешивались до и после удаления поражённых
участков, что позволило оценить степень распространения гнили внутри плода.
Анализ показал, что гниль распространяется сферически, а использование алгоритмов нечёткой логики позволяет эффективно оценивать состояние плодов и
корректно классифицировать их с высокой точностью, принимая обоснованные
решения о пригодности продукции.
Применение алгоритмов нечёткой логики для сортировки яблок продемонстрировало высокую эффективность и значимость метода для повышения качества продукции и снижения производственных потерь. Это открывает новые
возможности для автоматизации процессов сортировки в пищевой промышленности и агропромышленном комплексе, что особенно актуально в условиях
возрастающих требований к качеству продукции.

1.
2.

312 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
4.

Яблоков, А. Е., Потапов, С. А. Разработка устройства сортировки яблок по сортам с использованием технологий сверточных нейронных сетей // Изв. СПбГЭТУ «ЛЭТИ». 2024.
Т. 17, № 6. С. 49 55. doi: 10.32603/2071-8985-2024-17-6-49-55.
5. Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое
обеспечение агропромышленного комплекса: Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 308-313.
6. Талмазова, Д. В., Семенов, А. С., Сохинов, Д. Ю. Реализация нейронной сети для определения качества карамели // Актуальные проблемы энергетики АПК: Материалы II Национальной научно-практической конференции с международным участием имени Г.П.
Ерошенко, Саратов, 25 апреля 2024 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и инженерии им. Н.И. Вавилова, 2024. – С. 269-276.
7. Кравченко, Р. А., Кучер, Ф. В., Сохинов, Д. Ю., Кротов, И. В. Автоматизация процессов
производства колбасных изделий использованием программируемых техничских средств
// Роговские чтения: сборник докладов научно-практической конференции с международным участием, Москва, 16 декабря 2022 года. – Курск: Закрытое акционерное общество "Университетская книга", 2023. – С. 192-200.
8. Кравченко, Р. А., Кротов, И. В., Сохинов, Д. Ю. Автоматизированная система мониторинга зрелости плодов томата // Повышение эффективной эксплуатации электрооборудования в сельском хозяйстве: Материалы I Национальной научно-практической конференции с международным участием имени Г.П. Ерошенко, Саратов, 22 декабря 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 205-210.
9. Кравченко, Р. А., Бею, В. В., Сохинов, Д. Ю., Сармаев, А. В. Выбор программируемых
управляющих устройств для автоматизации процессов пищевого производства // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным
технологиям, роботизированным системам для отраслей пищевой промышленности:
Сборник научных докладов IV Международной специализированной конференциивыставки, Москва, 26 апреля 2023 года. – Москва: Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский биотехнологический университет (РОСБИОТЕХ)", 2023. – С. 238-243.
10. Сохинов, Д. Ю., Кравченко, Р. А., Кишко, В. В. Анализ роботизированных систем для
сортировки плодов на пищевом производстве // Актуальные проблемы энергетики АПК:
Материалы XIV Национальной научно-практической конференции с международным
участием, Саратов, 28 апреля 2023 года / Под общей редакцией С. М. Бакирова. – Саратов: Саратовский государственный аграрный университет им. Н. И. Вавилова, 2023. – С.
271-277.
11. Сохинов, Д. Ю., Кишко, В. В., Каверзин, И. В., Сармаев, А. В. Анализ и выбор нейронной сети для оценки качества яблок // Современные проблемы автоматизации технологических процессов и производств: сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова, Москва, 11 октября 2023 года. – Курск: ЗАО «Университетская книга», 2023. – С. 297-301.
12. Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое
обеспечение агропромышленного комплекса: Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 308-313.

Автоматизированные системы управления биотехнологическими процессами

313

314 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

13. Сохинов, Д. Ю., Кравченко, Р. А., Кротов, И. В. Роботизированные системы для сортировки фруктов в пищевой промышленности // Повышение эффективной эксплуатации
электрооборудования в сельском хозяйстве: Материалы I Национальной научнопрактической конференции с международным участием имени Г.П. Ерошенко, Саратов,
22 декабря 2023 года. – Саратов: Саратовский государственный университет генетики,
биотехнологии и инженерии имени Н.И. Вавилова, 2023. – С. 339-343.
14. Каргин, В. А., Кишко, В. В., Усанов, К. М., Сохинов, Д. Ю. Результаты создания интеллектуальной системы с использованием нейросетевых технологий для оценки качества
яблок при сортировке // Вавиловские чтения - 2022: Сборник статей Международной научно-практической конференции, посвященной 135-й годовщине со дня рождения академика Н. И. Вавилова, Саратов, 22–25 ноября 2022 года. – Саратов: Общество с ограниченной ответственностью "Амирит", 2022. – С. 710-715.

Серая гниль (Botrytis cinerea). Характеризуется появлением серого пушистого налёта на поверхности яблока. Этот вид гнили быстро распространяется и может привести к полной порче плода. При попадании в сок продукты распада серой гнили значительно ухудшают его органолептические свойства.
Чёрная гниль (Colletotrichum spp.). Проявляется в виде чёрных пятен на
поверхности плода, которые со временем увеличиваются и проникают глубоко
внутрь. Такой дефект плодов опасен тем, что внешние повреждения могут быть
минимальными, а внутренние ткани полностью поражены. Токсины, выработанные черной гнилью, ухудшают органолептические свойства конечного продукта и снижают его качетсво.
Мокрая гниль (Penicillium expansum). Плоды становятся мягкими и водянистыми, появляется неприятный запах. Опасность этого вида гнили заключается в выработке патулина — токсина, который сохраняется даже после термической обработки и крайне вреден для организма человека.
Бурая гниль (Monilinia fructigena). Образует характерные коричневые
пятна, которые постепенно увеличиваются и покрываются налётом спор. При
попадании таких яблок в сок образуется осадок, ухудшающий его качество и
товарный вид.
Горькая гниль (Glomerella cingulata). Этот вид поражает яблоки преимущественно после сбора урожая и развивается при неправильном хранении.
Плоды приобретают горький вкус, который передаётся продуктам переработки
(рис. 1).

УДК 004.5
Д.Ю. Сохинов, Е.В. Пестова, А.А. Тарола, Т.В. Зудина
ФГБОУ ВО “Российский биотехнологический университет” (РОСБИОТЕХ)

АВТОМАТИЗИРОВАННАЯ ИДЕНТИФИКАЦИЯ ГНИЛИ ЯБЛОК
НА ОСНОВЕ ТЕХНИЧЕСКОГО ЗРЕНИЯ И ГЛУБОКОГО ОБУЧЕНИЯ
Д.Ю. Сохинов, Е.В. Пестова, А.А. Тарола, Т.В. Зудина АВТОМАТИЗИРОВАННАЯ ИДЕНТИФИКАЦИЯ ГНИЛИ ЯБЛОК НА ОСНОВЕ ТЕХНИЧЕСКОГО ЗРЕНИЯ И ГЛУБОКОГО
ОБУЧЕНИЯ

Аннотация. В статье рассматривается проблема наличия гнили на яблоках, её классификация, потенциальная угроза для здоровья человека и качества производимой продукции,
в частности соков. Приводится анализ различных типов гнили, их особенностей и влияния на
организм. Подчёркивается актуальность автоматизации сортировки яблок с использованием
технологий технического зрения и нейросетевых алгоритмов, которые способны выявлять
внутренние дефекты плодов. Предложен подход к созданию системы сортировки, способной
значительно повысить качество продукции и снизить производственные риски.
Ключевые слова: гниль на фруктах, дефекты яблок, техническое зрение, автоматизация процесса сортировки, пищевая промышленность, агропромышленный комплекс

Яблоки по праву считаются одним из самых популярных и полезных
фруктов. Они богаты витаминами, клетчаткой и антиоксидантами, которые
способствуют укреплению иммунитета, нормализации работы сердечнососудистой системы и поддержанию здоровья пищеварительного тракта. Регулярное употребление яблок рекомендовано диетологами как часть здорового
рациона питания [1]. Однако наряду с полезными свойствами яблок существуют и риски, связанные с возможным наличием внутренних и внешних дефектов. Одним из самых серьезных факторов, снижающих качество яблок, является
гниль, которая может остаться незамеченной при поверхностном осмотре [2].
Гниль представляет опасность не только для потребителя, но и для производителей соков и других продуктов переработки. Даже небольшое количество
поражённых гнилью яблок может испортить всю партию сока, ухудшая его
вкус и снижая качество. Более того, некоторые виды гнили способны вырабатывать токсичные вещества, которые вредны для человеческого организма [3,
4]. Это делает задачу выявления и удаления поражённых плодов актуальной.
Гниль на яблоках может иметь различное происхождение и характеризуется различными типами поражений. Основными видами являются:

Рис. 1. Горькая гниль

Каждый из этих видов гнили представляет угрозу не только для качества
готового продукта, но и для здоровья потребителей. Некоторые патогенные
микроорганизмы, вызывающие гниль, могут выделять микотоксины, которые

315

316 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

способны вызывать пищевые отравления и даже хронические заболевания при
регулярном употреблении заражённых продуктов.
На сегодняшний день сортировка яблок по степени повреждений и наличию дефектов, включая гниль, осуществляется преимущественно вручную [5,
6]. Рабочие визуально оценивают состояние плодов и отбирают качественные
экземпляры для дальнейшей переработки. Однако этот процесс трудоёмкий,
длительный и не всегда эффективный. Визуальная оценка не позволяет выявить
внутренние повреждения плодов, которые могут остаться незамеченными [7, 8].
Кроме того, человеческий фактор приводит к ошибкам и снижению точности сортировки. Плоды с малозаметными внешними признаками гнили могут
попасть в переработку, что приводит к порче продуктов и увеличению производственных потерь. Для решения этой проблемы необходима автоматизация
процесса сортировки с применением современных технологий.
Одним из перспективных направлений является использование методов
технического зрения и нейронных сетей [9, 10]. Эти технологии позволяют анализировать состояние плодов на основе изображений, полученных с помощью
камер высокого разрешения. Нейронные сети способны обучаться на больших
массивах данных и распознавать даже минимальные признаки гнили как на поверхности яблок, так и внутри них. Это делает процесс сортировки более точным и эффективным [11, 12].
Для достижения максимальной точности анализа целесообразно интегрировать элементы нечёткой логики, которые позволяют учитывать погрешности
и неопределённости в данных. Такой подход обеспечивает гибкость системы и
позволяет принимать обоснованные решения о пригодности плодов для переработки [13]. Например, плоды с повреждениями менее 50% могут быть условно пригодными для использования, тогда как яблоки с поражением более 50%
подлежат обязательной отбраковке.
Гниль на яблоках представляет серьёзную угрозу как для здоровья человека, так и для качества продукции переработки. Попадание даже небольшого
количества поражённых плодов в сок может привести к ухудшению его вкуса и
выделению опасных токсинов. В условиях ручной сортировки невозможно
обеспечить должную точность и надёжность процесса отбора плодов [14].
Автоматизация сортировки с использованием технологий нейронных сетей и технического зрения является перспективным решением, позволяющим
минимизировать производственные потери и повысить качество продукции.
Такой подход позволяет не только улучшить экономические показатели производства, но и обеспечить безопасность продуктов для потребителей. Разработка
и внедрение систем интеллектуальной сортировки яблок — это шаг вперёд в
развитии агропромышленного комплекса и пищевой промышленности.

сборник докладов научно-практической конференции с международным участием, Москва, 16 декабря 2022 года. – Курск: Закрытое акционерное общество "Университетская
книга", 2023. – С. 133-138.
3. Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Каверзин, И. В. Разработка и оценка нейронной сети для оценки качества яблок // Современные проблемы автоматизации технологических процессов и производств: сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова, Москва, 11 октября 2023 года. – Курск: ЗАО «Университетская книга», 2023. – С. 205-211.
4. Яблоков, А. Е., Потапов, С. А. Разработка устройства сортировки яблок по сортам с использованием технологий сверточных нейронных сетей // Изв. СПбГЭТУ «ЛЭТИ». 2024.
Т. 17, № 6. С. 49 55. doi: 10.32603/2071-8985-2024-17-6-49-55.
5. Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое
обеспечение агропромышленного комплекса: Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 308-313.
6. Талмазова, Д. В., Семенов, А. С., Сохинов, Д. Ю. Реализация нейронной сети для определения качества карамели // Актуальные проблемы энергетики АПК: Материалы II Национальной научно-практической конференции с международным участием имени Г.П.
Ерошенко, Саратов, 25 апреля 2024 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и инженерии им. Н.И. Вавилова, 2024. – С. 269-276.
7. Кравченко, Р. А., Кучер, Ф. В., Сохинов, Д. Ю., Кротов, И. В. Автоматизация процессов
производства колбасных изделий использованием программируемых техничских средств
// Роговские чтения: сборник докладов научно-практической конференции с международным участием, Москва, 16 декабря 2022 года. – Курск: Закрытое акционерное общество "Университетская книга", 2023. – С. 192-200.
8. Кравченко, Р. А., Кротов, И. В., Сохинов, Д. Ю. Автоматизированная система мониторинга зрелости плодов томата // Повышение эффективной эксплуатации электрооборудования в сельском хозяйстве: Материалы I Национальной научно-практической конференции с международным участием имени Г.П. Ерошенко, Саратов, 22 декабря 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 205-210.
9. Кравченко, Р. А., Бею, В. В., Сохинов, Д. Ю., Сармаев, А. В. Выбор программируемых
управляющих устройств для автоматизации процессов пищевого производства // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным
технологиям, роботизированным системам для отраслей пищевой промышленности:
Сборник научных докладов IV Международной специализированной конференциивыставки, Москва, 26 апреля 2023 года. – Москва: Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский биотехнологический университет (РОСБИОТЕХ)", 2023. – С. 238-243.
10. Сохинов, Д. Ю., Кравченко, Р. А., Кишко, В. В. Анализ роботизированных систем для
сортировки плодов на пищевом производстве // Актуальные проблемы энергетики АПК:
Материалы XIV Национальной научно-практической конференции с международным
участием, Саратов, 28 апреля 2023 года / Под общей редакцией С. М. Бакирова. – Саратов: Саратовский государственный аграрный университет им. Н. И. Вавилова, 2023. – С.
271-277.
11. Сохинов, Д. Ю., Кишко, В. В., Каверзин, И. В., Сармаев, А. В. Анализ и выбор нейронной сети для оценки качества яблок // Современные проблемы автоматизации технологических процессов и производств: сборник научных докладов научно-практической

Автоматизированные системы управления биотехнологическими процессами

1.
2.

Автоматизированные системы управления биотехнологическими процессами

317

318 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова, Москва, 11 октября 2023 года. – Курск: ЗАО «Университетская книга», 2023. – С. 297-301.
12. Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое
обеспечение агропромышленного комплекса: Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 308-313.
13. Сохинов, Д. Ю., Кравченко, Р. А., Кротов, И. В. Роботизированные системы для сортировки фруктов в пищевой промышленности // Повышение эффективной эксплуатации
электрооборудования в сельском хозяйстве: Материалы I Национальной научнопрактической конференции с международным участием имени Г.П. Ерошенко, Саратов,
22 декабря 2023 года. – Саратов: Саратовский государственный университет генетики,
биотехнологии и инженерии имени Н.И. Вавилова, 2023. – С. 339-343.
14. Каргин, В. А., Кишко, В. В., Усанов, К. М., Сохинов, Д. Ю. Результаты создания интеллектуальной системы с использованием нейросетевых технологий для оценки качества
яблок при сортировке // Вавиловские чтения - 2022: Сборник статей Международной научно-практической конференции, посвященной 135-й годовщине со дня рождения академика Н. И. Вавилова, Саратов, 22–25 ноября 2022 года. – Саратов: Общество с ограниченной ответственностью "Амирит", 2022. – С. 710-715.

методы и технические средства для оценки качества яблок, которые позволяют
частично решить задачу идентификации дефектных плодов [3, 4].
На текущий момент можно выделить несколько основных методов и технических средств, используемых для оценки качества яблок. Одним из таких
методов, является способ оценки на основе цветных телевизионных датчиков.
Этот подход позволяет выявлять дефекты по изменению цветовых характеристик плодов, таких как пятна, потемнения и механические повреждения. Камеры фиксируют изображение яблок, а программное обеспечение анализирует
полученные данные для классификации плодов по их пригодности [5, 6]. Преимущество этого метода заключается в его простоте и доступности, а также
возможности работать в реальном времени на конвейерных линиях. Однако основной недостаток заключается в ограниченности анализа, метод эффективен
только для обнаружения внешних дефектов и не даёт информации о внутреннем состоянии плодов.
Гиперспектральный анализ представляет собой более продвинутый подход к оценке качества яблок (рис. 1). В отличие от обычных камер, которые
фиксируют изображение только в трёх спектральных диапазонах (красный, зелёный, синий), гиперспектральные камеры фиксируют отражение света в сотнях спектральных диапазонов [7]. Это позволяет получить детализированную
информацию о микроструктуре поверхности яблок и выявить дефекты, невидимые для обычных систем технического зрения. Программное обеспечение
для гиперспектрального анализа использует методы многомерного анализа
данных, такие как метод главных компонент (PCA), для выделения ключевых
признаков, связанных с дефектами плодов. Несмотря на высокую точность, гиперспектральный анализ имеет серьёзные ограничения, связанные с его стоимостью и требованием значительных вычислительных ресурсов [8]. Кроме того, обработка данных занимает значительное время, что затрудняет его применение в условиях быстрого конвейерного производства.

УДК 004.5
Д.Ю. Сохинов, А.А. Тарола, Т.В. Зудина, Е.В. Пестова
ФГБОУ ВО “Российский биотехнологический университет” (РОСБИОТЕХ)

АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ И ТЕХНИЧЕСКИХ СРЕДСТВ
ДЛЯ АВТОМАТИЗИРОВАННОЙ ОЦЕНКИ КАЧЕСТВА ПЛОДОВ
Д.Ю. Сохинов, А.А. Тарола, Т.В. Зудина, Е.В. Пестова АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ И ТЕХНИЧЕСКИХ СРЕДСТВ ДЛЯ АВТОМАТИЗИРОВАННОЙ ОЦЕНКИ КАЧЕСТВА
ПЛОДОВ

Аннотация. В статье приведены существующие методы и технические средства оценки качества яблок для их сортировки в пищевой промышленности и агропромышленном
комплексе. Рассматриваются их функциональные возможности, области применения и эффективность в выявлении дефектов плодов. Особое внимание уделено потенциалу современных технологий и автоматизации процессов сортировки фруктов.
Ключевые слова: оценка качества фруктов, автоматизация сортировки, дефекты яблок,
внутренние повреждения плодов, интеллектуальные технологии, технические средства.

Традиционные ручные методы сортировки яблок в пищевой промышленности и агропромышленном комплексе имеют ряд значительных недостатков,
включая высокую трудоёмкость, зависимость от человеческого фактора и невозможность обнаружения внутренних дефектов плодов [1, 2]. Автоматизация
этого процесса необходима для повышения точности сортировки и снижения
производственных потерь, что особенно актуально для производства яблочного
сока, где даже небольшое количество дефектных плодов может негативно повлиять на качество продукции. В условиях растущего спроса на натуральные и
экологически чистые продукты автоматизация процессов сортировки становится важным элементом повышения эффективности производства и конкурентоспособности предприятий. Современные технологии предоставляют различные

Рис. 1. Функциональная схема работы гиперспектрального анализа: 1-дватчик скорости; 2система гиперспектрального сканирования; 3-камера; 4-ПЛК; 5-персональный компьютер; 6частотный преобразователь; 7- привод конвейера (мотор-редуктор); 8-ленточное полотно; 9плоды; 10-ролики для ленточного полотна.

Автоматизированные системы управления биотехнологическими процессами

319

320 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Электрические и оптические методы также находят своё применение при
сортировке яблок. Эти методы основаны на измерении электрического сопротивления тканей плодов и анализе их оптических характеристик. Измерение сопротивления позволяет оценить состояние клеточных мембран и концентрацию
ионов в клеточной жидкости [9, 10]. Оптические методы включают измерение
коэффициента отражения света и интенсивности флуоресценции хлорофилла.
Преимуществом этих методов является их неразрушающий характер и высокая
чувствительность к изменениям состояния тканей яблок. Например, сочетание
изменений в электрическом сопротивлении и показателях флуоресценции может указывать на наличие физиологических нарушений или гнили внутри плодов. Однако данные методы невозможно применять при конвейерной транспортировке большого количества плодов в реальном времени [11].
Особое внимание следует уделить системам технического зрения, которые активно применяются для автоматизации сортировки яблок. Эти системы
включают камеры высокого разрешения, установленные над транспортной лентой, и программное обеспечение для анализа изображений. Техническое зрение
позволяет оценивать форму, размеры и цветовые характеристики плодов, а
также выявлять видимые дефекты, такие как пятна и проколы [12, 13]. Одним
из ключевых преимуществ этого метода является возможность обработки
большого количества плодов в реальном времени. Однако, как и в случае метода цветных телевизионных датчиков, основной недостаток заключается в ориентации на внешние характеристики плодов и неспособности выявлять внутренние повреждения.
Несмотря на значительные успехи в разработке методов оценки качества
яблок, все существующие технологии имеют определённые ограничения. Вопервых, большинство методов ориентированы на анализ поверхности плодов и
не учитывают внутренние дефекты, такие как гниль, которая может распространяться сферически внутри яблока и оставаться практически невидимой на
его поверхности. Во-вторых, методы, требующие сложного оборудования, такие как гиперспектральный анализ, имеют высокую стоимость и ограниченную
применимость на производственных линиях. Электрические и оптические методы, хотя и предоставляют ценную информацию о состоянии тканей плодов,
но их невозможно применить для анализа большого количества плодов в реальном времени [14].
Выводы из анализа существующих методов оценки качества яблок свидетельствуют о необходимости разработки нового подхода, который бы учитывал
как внешние, так и внутренние характеристики плодов. Существующие технологии не способны надёжно решить задачу выявления внутренней гнили, что
критично для обеспечения высокого качества конечного продукта. В этой связи
требуется разработка комплексного метода обнаружения гнили, который мог
бы использовать современные алгоритмы анализа изображений и элементов
нечёткой логики. Такой подход позволит не только повысить точность сортировки яблок, но и сократить производственные потери, что актуально для предприятий пищевой промышленности и агропромышленного комплекса.

Список литературы
Каргин, В. А., Сохинов, Д. Ю., Усанов, К. М. [и др.] Интеллектуальная автоматизированная система управления сортировкой фруктов // Электротехнологии и электрооборудование в АПК. – 2024. – Т. 71, № 2. – С. 100-106.
2. Борисевский, А. М., Каргин, В. А., Мокрушин, С. А., Сохинов, Д. Ю. Перспективы использования роботизированной системы для сортировки фруктов // Роговские чтения:
сборник докладов научно-практической конференции с международным участием, Москва, 16 декабря 2022 года. – Курск: Закрытое акционерное общество "Университетская
книга", 2023. – С. 133-138.
3. Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Каверзин, И. В. Разработка и оценка нейронной сети для оценки качества яблок // Современные проблемы автоматизации технологических процессов и производств: сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова, Москва, 11 октября 2023 года. – Курск: ЗАО «Университетская книга», 2023. – С. 205-211.
4. Яблоков, А. Е., Потапов, С. А. Разработка устройства сортировки яблок по сортам с использованием технологий сверточных нейронных сетей // Изв. СПбГЭТУ «ЛЭТИ». 2024.
Т. 17, № 6. С. 49 55. doi: 10.32603/2071-8985-2024-17-6-49-55.
5. Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое
обеспечение агропромышленного комплекса: Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 308-313.
6. Талмазова, Д. В., Семенов, А. С., Сохинов, Д. Ю. Реализация нейронной сети для определения качества карамели // Актуальные проблемы энергетики АПК: Материалы II Национальной научно-практической конференции с международным участием имени Г.П.
Ерошенко, Саратов, 25 апреля 2024 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и инженерии им. Н.И. Вавилова, 2024. – С. 269-276.
7. Кравченко, Р. А., Кучер, Ф. В., Сохинов, Д. Ю., Кротов, И. В. Автоматизация процессов
производства колбасных изделий использованием программируемых техничских средств
// Роговские чтения: сборник докладов научно-практической конференции с международным участием, Москва, 16 декабря 2022 года. – Курск: Закрытое акционерное общество "Университетская книга", 2023. – С. 192-200.
8. Кравченко, Р. А., Кротов, И. В., Сохинов, Д. Ю. Автоматизированная система мониторинга зрелости плодов томата // Повышение эффективной эксплуатации электрооборудования в сельском хозяйстве: Материалы I Национальной научно-практической конференции с международным участием имени Г.П. Ерошенко, Саратов, 22 декабря 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 205-210.
9. Кравченко, Р. А., Бею, В. В., Сохинов, Д. Ю., Сармаев, А. В. Выбор программируемых
управляющих устройств для автоматизации процессов пищевого производства // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным
технологиям, роботизированным системам для отраслей пищевой промышленности:
Сборник научных докладов IV Международной специализированной конференциивыставки, Москва, 26 апреля 2023 года. – Москва: Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский биотехнологический университет (РОСБИОТЕХ)", 2023. – С. 238-243.
10. Сохинов, Д. Ю., Кравченко, Р. А., Кишко, В. В. Анализ роботизированных систем для
сортировки плодов на пищевом производстве // Актуальные проблемы энергетики АПК:
Материалы XIV Национальной научно-практической конференции с международным

Автоматизированные системы управления биотехнологическими процессами

11.

12.

13.

14.

321

322 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

участием, Саратов, 28 апреля 2023 года / Под общей редакцией С. М. Бакирова. – Саратов: Саратовский государственный аграрный университет им. Н. И. Вавилова, 2023. – С.
271-277.
Сохинов, Д. Ю., Кишко, В. В., Каверзин, И. В., Сармаев, А. В. Анализ и выбор нейронной сети для оценки качества яблок // Современные проблемы автоматизации технологических процессов и производств: сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова, Москва, 11 октября 2023 года. – Курск: ЗАО «Университетская книга», 2023. – С. 297-301.
Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое
обеспечение агропромышленного комплекса: Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 308-313.
Сохинов, Д. Ю., Кравченко, Р. А., Кротов, И. В. Роботизированные системы для сортировки фруктов в пищевой промышленности // Повышение эффективной эксплуатации
электрооборудования в сельском хозяйстве: Материалы I Национальной научнопрактической конференции с международным участием имени Г.П. Ерошенко, Саратов,
22 декабря 2023 года. – Саратов: Саратовский государственный университет генетики,
биотехнологии и инженерии имени Н.И. Вавилова, 2023. – С. 339-343.
Каргин, В. А., Кишко, В. В., Усанов, К. М., Сохинов, Д. Ю. Результаты создания интеллектуальной системы с использованием нейросетевых технологий для оценки качества
яблок при сортировке // Вавиловские чтения - 2022: Сборник статей Международной научно-практической конференции, посвященной 135-й годовщине со дня рождения академика Н. И. Вавилова, Саратов, 22–25 ноября 2022 года. – Саратов: Общество с ограниченной ответственностью "Амирит", 2022. – С. 710-715.

процессов сортировки фруктов играет ключевую роль в пищевой промышленности и агропромышленном комплексе [4]. Качество яблок напрямую влияет на
конечный продукт, а традиционные методы сортировки, основанные на ручном
отборе, являются неэффективными из-за субъективности, высокой трудоёмкости и невысокой скорости обработки. Интеллектуальная сортировка с применением компьютерного зрения и алгоритмов искусственного интеллекта позволяет значительно повысить точность определения дефектов и автоматизировать
процесс оценки качества плодов [5]. В данной работе представлена разработка
программного обеспечения, интегрированного в автоматизированную систему
сортировки яблок, использующего нейросетевые алгоритмы и нечёткую логику
для анализа состояния плодов и принятия решений о их пригодности.
Разрабатываемая система представляет собой многоуровневую архитектуру, включающую несколько основных модулей: модуль обработки изображений, модуль анализа дефектов, модуль принятия решений и интерфейс пользователя [6, 7]. Изображения с камеры поступают в систему и проходят несколько
этапов предобработки, включая фильтрацию шумов и сегментацию объектов.
Далее происходит анализ изображения с помощью методов компьютерного
зрения и машинного обучения, после чего результаты передаются в модуль нечёткой логики, который принимает окончательное решение о качестве плода.
Взаимодействие всех модулей происходит в реальном времени, что позволяет
интегрировать систему в существующие автоматизированные линии сортировки [8, 9].
Первым этапом работы системы является обработка изображения с камеры. Для этого используется библиотека OpenCV, обеспечивающая предобработку кадров, конвертацию их в цветовые пространства HSV и RGB, а также
сегментацию дефектных областей (рис. 1). Визуальный анализ яблок требует
выявления пятен гнили и других повреждений на кожуре плода [10, 11]. Алгоритм обработки изображений включает в себя несколько шагов: загрузку изображения, выделение объекта на фоне, анализ его цвета и формы.

ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМА УПРАВЛЕНИЯ
ПРОЦЕССОМ СОРТИРОВКИ ЯБЛОК
Д.Ю. Сохинов, А.А. Тарола, Т.В. Зудина, Е.В. Пестова ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМА УПРАВЛЕНИЯ ПРОЦЕССОМ СОРТИРОВКИ ЯБЛОК

Аннотация. В статье рассматривается разработка программного обеспечения для автоматизированной сортировки яблок с использованием компьютерного зрения, нейросетевых
алгоритмов и нечёткой логики. Программный комплекс анализирует изображения плодов,
выявляет дефекты, определяет их степень повреждения и принимает решения о пригодности
яблок к реализации. Разработанная система включает модули обработки изображений, машинного обучения и интеллектуального принятия решений, что позволяет значительно повысить точность сортировки и снизить влияние человеческого фактора. Предложенный подход демонстрирует высокую эффективность и перспективы интеграции в промышленную
линию сортировки сельскохозяйственной продукции.
Ключевые слова: интеллектуальная сортировка, компьютерное зрение, нечёткая логика, машинное обучение, автоматизация, обработка изображений, анализ дефектов, нейросетевые алгоритмы, сортировка яблок, агропромышленный комплекс.

Повышение эффективности сельскохозяйственного и пищевого производства неразрывно связано с совершенствованием существующих и разработкой новых технологий и технических средств [1-3]. В частности, автоматизация

Рис. 1. Подготовка к реализации обработки изображений

После предобработки изображения выполняется анализ пятен гнили (рис. 2).
Используются методы пороговой обработки и выделения контуров, позволяющие оценить площадь и форму дефектных областей.

Автоматизированные системы управления биотехнологическими процессами

323

324 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис. 2. Выявление дефектных областей на яблоке

Для повышения точности оценки состояния яблок используется нейросетевая модель классификации дефектов. Алгоритм машинного обучения анализирует изображения плодов, определяет степень поражения и классифицирует
их по категориям (рис. 3). Используется сверточная нейросеть (CNN), обученная на базе изображений яблок с разными дефектами [12].

Рис. 4. Использование нечёткой логики для принятия решений

Рис. 3. Применение алгоритмов искусственного интеллекта

Модель анализирует изображение, оценивает степень повреждения и передаёт
данные в модуль нечёткой логики.
Для окончательной классификации яблок используется система нечёткой
логики, которая позволяет учесть степень повреждений и гибко настроить пороговые значения для принятия решений (рис. 4).

Этот алгоритм позволяет определить, является ли яблоко пригодным для реализации или подлежит отбраковке.
Разработанное программное обеспечение может быть интегрировано в
промышленную систему сортировки, работающую на конвейерной линии. ПО
взаимодействует с исполнительными механизмами, управляя механическими
сортировщиками на основе полученных данных. Передача информации между
модулями осуществляется с использованием протокола передачи данных, что
позволяет системе работать в режиме реального времени [13, 14].
Разработанная система интеллектуальной сортировки яблок позволяет
повысить точность классификации плодов, снизить затраты на ручной отбор и
улучшить качество продукции. Использование компьютерного зрения, нейросетевых алгоритмов и нечёткой логики обеспечивает надёжность и адаптивность системы. Будущие исследования могут быть направлены на улучшение
архитектуры модели, интеграцию дополнительных методов машинного обучения и расширение функциональности системы для сортировки других видов
сельскохозяйственной продукции.
1.
2.

Список литературы
Четвериков, Е. А., Моисеев, А. П., Каргин, В. А. Совершенствование установки сушки
расторопши за счет автоматизации процесса измерения влажности // Аграрный научный
журнал. – 2015. – № 7. – С. 52-54.
Usanov, K. M., Volgin, A. V., Kargin, V. A., Moiseev A.P., Chetverikov E.A. Electric converters of electromagnetic strike machine with battery power // IOP Conference Series: Materials Science and Engineering, Tomsk, 04–06 декабря 2017 года. – Vol. 327. – Tomsk: Institute
of Physics Publishing, 2018. – P. 052031. – DOI 10.1088/1757-899X/327/5/052031.

325

326 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Каргин, В. А., Моисеев, А. П., Волгин, А. В., Лягина Л.А., Четвериков Е.А. Автоматизация систем управления технологическими процессами. – Саратов: Общество с ограниченной ответственностью "Амирит", 2018. – 177 с. – ISBN 978-5-907035-34-8.
Каргин, В. А., Сохинов, Д. Ю., Усанов, К. М. [и др.] Интеллектуальная автоматизированная система управления сортировкой фруктов // Электротехнологии и электрооборудование в АПК. – 2024. – Т. 71, № 2. – С. 100-106.
Борисевский, А. М., Каргин, В. А., Мокрушин, С. А., Сохинов, Д. Ю. Перспективы использования роботизированной системы для сортировки фруктов // Роговские чтения:
сборник докладов научно-практической конференции с международным участием, Москва, 16 декабря 2022 года. – Курск: Закрытое акционерное общество "Университетская
книга", 2023. – С. 133-138.
Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Каверзин, И. В. Разработка и оценка нейронной сети для оценки качества яблок // Современные проблемы автоматизации технологических процессов и производств: сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова, Москва, 11 октября 2023 года. – Курск: ЗАО «Университетская книга», 2023. – С. 205-211.
Яблоков, А. Е., Потапов, С. А. Разработка устройства сортировки яблок по сортам с использованием технологий сверточных нейронных сетей // Изв. СПбГЭТУ «ЛЭТИ». 2024.
Т. 17, № 6. С. 49 55. doi: 10.32603/2071-8985-2024-17-6-49-55.
Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое
обеспечение агропромышленного комплекса: Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 308-313.
Талмазова, Д. В., Семенов, А. С., Сохинов, Д. Ю. Реализация нейронной сети для определения качества карамели // Актуальные проблемы энергетики АПК: Материалы II Национальной научно-практической конференции с международным участием имени Г.П.
Ерошенко, Саратов, 25 апреля 2024 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и инженерии им. Н.И. Вавилова, 2024. – С. 269-276.
Кравченко, Р. А., Кучер, Ф. В., Сохинов, Д. Ю., Кротов, И. В. Автоматизация процессов
производства колбасных изделий использованием программируемых техничских средств
// Роговские чтения: сборник докладов научно-практической конференции с международным участием, Москва, 16 декабря 2022 года. – Курск: Закрытое акционерное общество "Университетская книга", 2023. – С. 192-200.
Сохинов, Д. Ю., Кишко, В. В., Каверзин, И. В., Сармаев, А. В. Анализ и выбор нейронной сети для оценки качества яблок // Современные проблемы автоматизации технологических процессов и производств: сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения
Игоря Константиновича Петрова, Москва, 11 октября 2023 года. – Курск: ЗАО «Университетская книга», 2023. – С. 297-301.
Каргин, В. А., Сохинов, Д. Ю., Кишко, В. В., Сыч, С. А. Оценка перспектив использования роботизированных систем для сортировки фруктов // Инновационное техническое
обеспечение агропромышленного комплекса: Материалы научно-технической конференции с международным участием имени А.Ф. Ульянова, Саратов, 03 октября 2023 года. – Саратов: Саратовский государственный университет генетики, биотехнологии и
инженерии имени Н.И. Вавилова, 2023. – С. 308-313.
Сохинов, Д. Ю., Кравченко, Р. А., Кротов, И. В. Роботизированные системы для сортировки фруктов в пищевой промышленности // Повышение эффективной эксплуатации
электрооборудования в сельском хозяйстве: Материалы I Национальной научно-

практической конференции с международным участием имени Г.П. Ерошенко, Саратов,
22 декабря 2023 года. – Саратов: Саратовский государственный университет генетики,
биотехнологии и инженерии имени Н.И. Вавилова, 2023. – С. 339-343.
14. Каргин, В. А., Кишко, В. В., Усанов, К. М., Сохинов, Д. Ю. Результаты создания интеллектуальной системы с использованием нейросетевых технологий для оценки качества
яблок при сортировке // Вавиловские чтения - 2022: Сборник статей Международной научно-практической конференции, посвященной 135-й годовщине со дня рождения академика Н. И. Вавилова, Саратов, 22–25 ноября 2022 года. – Саратов: Общество с ограниченной ответственностью "Амирит", 2022. – С. 710-715.

Автоматизированные системы управления биотехнологическими процессами
3.
4.
5.

7.
8.

10.

11.

12.

13.

УДК 62-529
В.М. Тарасенко1, С.А. Мокрушин1, С.И. Охапкин2
1
ФГБОУ ВО «Российский биотехнологический университет» (РОСБИОТЕХ)
2
ФГБОУ ВО «Вятский государственный университет»

ПЕРСПЕКТИВЫ ВНЕДРЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ДЛЯ
ОЦЕНКИ КЛЕЕВОГО СЛОЯ ПРИ ПРОИЗВОДСТВЕ КЛЕЕНОГО БРУСА
В.М. Тарасенко, С.А. Мокрушин, С.И. Охапкин ПЕРСПЕКТИВЫ ВНЕДРЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ДЛЯ ОЦЕНКИ КЛЕЕВОГО СЛОЯ ПРИ ПРОИЗВОДСТВЕ
КЛЕЕНОГО БРУСА

Аннотация: в статье рассматриваются перспективы применения интеллектуальных систем для оценки качества клеевого слоя в процессе производства клееного бруса. Анализируются современные методы контроля, включая использование машинного обучения, компьютерного зрения и нейронных сетей. Предложены подходы к автоматизации процесса оценки,
что позволяет повысить точность и снизить затраты на производство.
Ключевые слова: клееный брус, интеллектуальные системы, машинное обучение, компьютерное зрение, контроль качества, клеевой слой.

Значительный спрос на клееный брус обоснован его высокими эксплуатационными характеристиками, экологичностью и эстетической привлекательностью. При этом, развитие отрасли представляется в нескольких ключевых направлениях: расширение ассортимента выпускаемой продукции, например,
сложных форм и больших пролетов, что позволит применять этот материал в
более масштабных и инновационных проектах; развитие технологий склеивания, направленных на повышение прочности и долговечности соединений, а
также на снижение токсичности используемых клеевых составов; автоматизация и роботизация производственных процессов и др. [1-3]
Несмотря на преимущества клееного бруса как строительного материала,
его производство сопряжено с рядом проблем, в том числе, высокая себестоимость, обусловленная затратами на сырье, клеевые составы и энергоемкие технологические процессы; обеспечение стабильности качества продукции; безопасность клеевых составов; недостаточная квалификация кадров и дефицит
специалистов [4].
В частности, несоблюдение технологических режимов сушки, склеивания
и прессования может приводить к расслоению, деформации и снижению прочности клееного бруса. Поэтому повышение контроля качества на всех этапах
производства, использование современных методов неразрушающего контроля
и внедрение систем управления качеством представляются важными [5].

Автоматизированные системы управления биотехнологическими процессами

327

328 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

В настоящей статье рассматриваются возможности повышения качества
клееного бруса за счет внедрения интеллектуальных систем для автоматизированной оценки качества клеевого слоя.
Надежность и долговечность конструкций из клееного бруса напрямую зависят от качества клеевого соединения, которое обеспечивает необходимую
прочность и устойчивость к внешним воздействиям.
В настоящее время для оценки качества клеевого слоя используются различные методы, которые можно разделить на традиционные и современные. К
традиционным методам относятся визуальный и ультразвуковой контроль, механические испытания и др. Визуальный контроль является наиболее распространенным методом, однако его эффективность зависит от опыта и внимательности контролера и представляется субъективным.
Механические испытания, как разрушающие, так и неразрушающие, позволяют оценить прочность клеевого соединения, но требуют времени и материальных затрат. Ультразвуковой контроль основан на принципе распространения ультразвуковых волн в материале и позволяет выявлять внутренние дефекты, но его применение ограничено сложной геометрией и неоднородностью
структуры клееного бруса [6].
Среди современных методов выделяются инфракрасная термография,
рентгеновский контроль и томография, обладающих ограниченной чувствительностью; требующих дорогостоящего оборудования и специализированного
персонала и т.д.
Таким образом, разработка информационно-управляющей системы, позволяющая проводить автоматизированную оценку качества нанесения клея на ламель, представляет собой актуальную задачу в современной деревообрабатывающей промышленности, поскольку напрямую влияет на прочность, долговечность и эксплуатационные характеристики конечного продукта.
В связи с этим, внедрение интеллектуальных систем автоматизированной
оценки качества становится перспективным направлением, позволяющим существенно повысить эффективность и точность контроля, минимизировать количество брака и оптимизировать расход клеевых составов.
Такие системы, как правило, основаны на комбинации передовых технологий, включая техническое зрение, анализ данных и алгоритмы машинного обучения (МО) [7-10]. Использование оптических сенсоров и датчиков в техническом зрении, в частности, позволяет получать высококачественные изображения поверхности ламели, на которых с помощью сверточных нейронных сетей
детектируются дефекты нанесения клея, такие как пропуски, излишки, неравномерное распределение и наличие посторонних включений.
Алгоритмы МО, обученные на больших массивах данных, позволяют классифицировать дефекты, прогнозировать их влияние на прочность соединения и
оптимизировать параметры процесса нанесения клея в режиме реального времени. Сегментация изображения позволяет отделить области, соответствующие
клею, от древесины, а анализ текстуры и геометрических параметров клеевого
слоя обеспечивает возможность количественной оценки его характеристик.

Разработка и внедрение системы технического зрения позволит повысить
точность и объективность контроля, увеличить производительность, обнаружить микродефекты и автоматизировать технологический процесс, что приведет к снижению трудозатрат и повышению эффективности производства [1113]. Интеграция этих систем в существующие производственные линии даст
возможность собирать и анализировать данные о процессе нанесения клея, выявлять причины возникновения дефектов и разрабатывать предиктивные модели для предотвращения брака.
Предварительный расчет экономической эффективности от внедрения интеллектуальной системы оценки клеевого слоя показал, что, несмотря на первоначальные затраты на оборудование и программное обеспечение, система позволяет значительно снизить количество брака и рекламаций, повысить производительность и снизить трудозатраты. Для минимизации рисков необходимо
проводить тщательную оценку состояния оборудования и процессов, обеспечивать обучение персонала и проводить тестирование и отладку системы.
Перспективными направлениями исследований в данной области являются
разработка алгоритмов машинного обучения для автоматической классификации дефектов, интеграция мультисенсорных систем для получения более полной информации о клеевом соединении, разработка алгоритмов трехмерной реконструкции клеевого слоя для более точной оценки его толщины и равномерности распределения, а также использование спектрального анализа для определения состава и свойств клея.
Таким образом, автоматизированная оценка качества нанесения клея с использованием интеллектуальных систем открывает широкие перспективы для
повышения эффективности производства, снижения издержек и улучшения качества конечной продукции, способствуя развитию инновационных технологий
в деревообрабатывающей промышленности и повышению конкурентоспособности предприятий.
1.
2.
3.
4.
5.
6.
7.

Список литературы
ГОСТ 33122-2014 "Брус клееный. Технические условия".
ГОСТ 20850-2014 "Конструкции деревянные клееные несущие. Общие технические условия".
Иванов А.А., Петров В.В. Применение искусственного интеллекта в деревообрабатывающей промышленности // Деревообработка, 2022.
Сидоров С.С. "Автоматизация контроля качества в производстве клееного бруса". Материалы конференции "Инновации в строительстве", 2023.
Smith J., Brown R. "Machine Learning for Defect Detection in Adhesive Bonds". International
Journal of Advanced Manufacturing Technology, 2021.
ГОСТ Р 55062-2012 "Контроль неразрушающий. Методы ультразвуковые".
Каргин В.А., Кравченко Р.А., Кротов И.В., Резенов Е.Р. Рекомендации по реализации интеллектуальной системы определения качества колбасных изделий // В сборнике: Актуальные проблемы энергетики АПК. Материалы XIV Национальной научно-практической
конференции с международным участием. Под общей редакцией С.М. Бакирова. Саратов, 2023. С. 119-127.

Автоматизированные системы управления биотехнологическими процессами
8.
9.

10.

11.

12.

13.

329

330 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Каргин В.А., Сохинов Д.Ю., Усанов К.М., Мокрушин С.А., Кротов И.В. Интеллектуальная автоматизированная система управления сортировкой фруктов // Электротехнологии
и электрооборудование в АПК. 2024. Т. 71. № 2 (55). С. 100-106.
Борисевский А.М., Каргин В.А., Мокрушин С.А., Сохинов Д.Ю. Перспективы использования роботизированной системы для сортировки фруктов // В сборнике: РОГОВСКИЕ
ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 133-138.
Каргин В.А., Сохинов Д.Ю., Кишко В.В., Каверзин И.В. Разработка и оценка нейронной
сети для оценки качества яблок // В сборнике: Современные проблемы автоматизации
технологических процессов и производств. сборник научных докладов научнопрактической конференции с международным участием, посвященной 100-летию со дня
рождения Игоря Константиновича Петрова. Курск, 2023. С. 205-211.
Каргин В.А., Щербаков А.В. Перспективы внедрения систем компьютерного зрения для
оценки качества нанесения маркировки // В сборнике: Современные проблемы автоматизации технологических процессов и производств. сборник научных докладов научнопрактической конференции с международным участием, посвященной 100-летию со дня
рождения Игоря Константиновича Петрова. Курск, 2023. С. 212-216.
Исса А., Каргин В.А. Повышение эффективности оценки качества мяса применением
систем технического зрения и сверточных нейронных сетей // В сборнике: Современные
проблемы автоматизации технологических процессов и производств. сборник научных
докладов научно-практической конференции с международным участием, посвященной
100-летию со дня рождения Игоря Константиновича Петрова. Курск, 2023. С. 201-204.
Каргин В.А., Мокрушин С.А., Бикетов А.Р., Бею В.В. Рекомендации по разработке архитектуры нейронной сети для контроля уровня ликера в бутылке на этапе розлива // В
сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов IV Международной специализированной
конференции-выставки. Москва, 2023. С. 225-229.

открывает новые возможности для точного земледелия и виноградарства [3-5].
Например, интеллектуальные системы [6,7], способные обрабатывать большие
объемы данных о климате, почве, характеристиках виноградников и производственных процессах, могут предоставлять ценную информацию для принятия
оптимальных решений, а прогнозирование качества винограда на основе анализа данных позволяет оптимизировать агротехнические мероприятия (полив,
удобрение, обрезка) и планировать производство вина, обеспечивая стабильность и предсказуемость результатов.
Однако в настоящее время при производстве вина многие процессы оценки качества винограда остаются ручными и субъективными. Поэтому интеграция интеллектуальных систем в производственный цикл позволит осуществлять непрерывный мониторинг и контроль качества винограда на всех этапах,
от выращивания до сбора урожая. Таким образом улучшение качества винограда приводит к уменьшению отходов и брака в процессе производства вина, способствуя более эффективному использованию ресурсов.
Процесс производства вина представляет собой сложный технологический процесс, включающий множество взаимосвязанных этапов, каждый из которых играет важную роль в обеспечении требуемого уровня качества конечного продукта. Проведение детализированного анализа этих этапов и определяющих их параметров позволяет выявить ключевые факторы, оказывающие влияние на итоговые характеристики продукции, а также сформировать стратегии
для их оптимизации с целью достижения повышенных стандартов производства.
Одним из наиболее значимых этапов является выбор оптимальной территории для выращивания сельскохозяйственного сырья. Качество исходного сырья находится в прямой зависимости от природных условий и особенностей
конкретной местности, поэтому процесс отбора участка требует тщательной
оценки множества переменных, таких как климатические условия, состав и
структура почвы, а также доступность транспортной инфраструктуры. Данный
процесс сопряжён с высокими временными и финансовыми затратами, что делает его одним из наиболее сложных частей агропромышленной деятельности.
Для оптимизации процесса выбора местности и минимизации связанных
затрат необходимо внедрение интеллектуальной автоматизированной системы,
которая обеспечивает возможность проведения комплексного анализа территории, использования пространственных данных и их интерпретации для принятия решений. Такая система способна существенно повысить точность прогнозов, предоставляя исчерпывающую информацию для оценки потенциала участка.
Важной частью разработки такой системы является учёт многофакторного анализа исходных данных, охватывающего широкий список параметров. Эти
параметры варьируются от климатических и почвенных характеристик региона
до влияния человеческой деятельности и состояния инфраструктуры. Таким
образом, полноценная автоматизация требует учёта не только количественных

УДК 681.5
В.М. Фетисов
Российский биотехнологический университет (РОСБИОТЕХ)

ОБОСНОВАНИЕ ДАННЫХ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО
ПРОГНОЗИРОВАНИЯ КАЧЕСТВА СЫРЬЯ
В.М. Фетисов ОБОСНОВАНИЕ ДАННЫХ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО ПРОГНОЗИРОВАНИЯ КАЧЕСТВА СЫРЬЯ

Аннотация. Процесс производства алкогольных напитков включает множество технологических этапов, каждый из которых влияет на качество конечного продукта. Одним из
ключевых факторов является выбор оптимальной территории для выращивания сельскохозяйственного сырья. Внедрение интеллектуальной автоматизированной системы позволяет
проводить детализированный анализ климатических, почвенных и антропогенных факторов,
обеспечивая высокую точность прогнозирования качества сырья. В статье рассматриваются
основные факторы, влияющие на качество сырья.
Ключевые слова: автоматизированные системы, прогнозирование качества, климатические факторы, почвенные характеристики, агротехнологии.

Мировой рынок алкогольных напитков, особенно вина, характеризуется
высокой конкуренцией. Улучшение качества продукции и оптимизация производственных процессов являются ключевыми факторами для успешного бизнеса [1,2]. Развитие технологий машинного обучения и анализа больших данных

331

332 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

данных, но и качественных показателей, что существенно увеличивает сложность построения системы.
Для достижения максимально высокого уровня прогностической точности важно выделить критические параметры, формирующие качественные характеристики сырья [8]. Их можно классифицировать на три ключевые группы:
климатические, почвенные и антропогенные факторы. Каждая из этих категорий представляет собой совокупность определяющих характеристик, которые
требуют глубокого анализа для эффективного управления процессом выращивания и обработки сырья.

Интенсивность солнечной активности, в свою очередь, стимулирует фотосинтетическую активность растений, способствуя синтезу биологически активных веществ, которые непосредственно влияют на вкусовые и органолептические свойства сырья. Однако чрезмерное солнечное излучение может привести к фотоповреждениям, влияющим на биохимическую активность.
Дополнительные климатические переменные, такие как относительная
влажность, ветер и атмосферное давление, играют вспомогательную, но не
менее значимую роль. Например, оптимальная влажность поддерживает здоровье растений, поддерживая активность ферментных систем и клеточный тургор,
в то время как её избыток создаёт условия для возникновения грибковых инфекций и снижения фотосинтетической активности. Умеренный ветер способствует улучшению вентиляции и опыления, что положительно сказывается на
урожайности. В то же время сильные ветры увеличивают потерю влаги через
испарение, повреждают листву и стебли растений, что приводит к снижению их
способности к восстановлению. Атмосферное давление, хотя и редко упоминается, также влияет на метаболизм растений, особенно в условиях высокогорья,
где низкое давление может ограничивать доступность углекислого газа.
Таким образом, учёт климатических факторов необходим для создания
условий, обеспечивающих стабильное и высококачественное сырьё. Эти факторы требуют комплексного подхода, включающего использование данных метеорологических наблюдений, моделирование климатических изменений и
применение современных методов агроклиматического зонирования.
Почва представляет собой не только физическую основу сельскохозяйственного производства, но и сложную биогеохимическую систему, параметры
которой - кислотность, содержание макро- и микроэлементов, механический
состав, структура и биологическая активность - определяют уровень качества
получаемого сырья. Например, показатель pH, варьирующий в пределах 6–7,5,
обеспечивает оптимальные условия для поглощения растениями основных элементов питания. Отклонение от указанных значений приводит к изменениям в
доступности питательных веществ, что, в свою очередь, снижает устойчивость
растений к патогенам и стрессовым условиям.
Плодородие почвы, выраженное её способностью удерживать влагу, питательные вещества и обеспечивать благоприятную среду для роста растений, является ключевым фактором её продуктивности. Его можно поддерживать и повышать с помощью органических удобрений, компоста, зелёных удобрений и
минералов, которые стимулируют развитие почвенной микрофлоры. Например,
органические вещества улучшают структуру почвы, увеличивая её влагоудерживающую способность и аэрацию. Различные типы почв требуют индивидуального подхода. Так, песчаные почвы, характеризующиеся хорошей аэрацией,
нуждаются в добавлении органики для повышения влагоудержания, в то время
как глинистые почвы, напротив, требуют мероприятий по улучшению их проницаемости для воды и воздуха.
Структура почвы, включая её пористость, водопроницаемость и плотность, оказывает существенное влияние на рост корневой системы растений.

Автоматизированные системы управления биотехнологическими процессами

Рис.1. Внешние факторы влияния на виноград

Климатические факторы играют ключевую роль в определении качества
сельскохозяйственного сырья, так как они оказывают непосредственное воздействие на биохимические и физические свойства растений [9,10].
Температура, как один из важнейших климатических параметров, регулирует процессы метаболизма, накопления сахаров, синтеза ароматических веществ, а также общую скорость физиологических процессов. Умеренные температуры создают благоприятные условия для гармоничного созревания, тогда
как экстремально высокие температуры могут провоцировать стрессовые реакции, ухудшая качественные показатели сырья. Более того, экстремальные температуры, наблюдаемые в условиях изменения климата, могут вызывать изменения в структуре клеточных мембран растений и снижать устойчивость к заболеваниям.
Количество осадков является определяющим фактором водоснабжения
растений. Баланс между достаточным уровнем осадков и их избытком критически важен, так как дефицит влаги приводит к снижению транспирации и нарушению обмена веществ, тогда как её переизбыток способствует вымыванию
питательных веществ из почвы, что может отрицательно сказаться на продуктивности. Избыточное количество осадков также связано с риском возникновения эрозии почвы и распространения фитопатогенов, что представляет собой
серьёзную проблему для сельского хозяйства.

Автоматизированные системы управления биотехнологическими процессами

333

334 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Высокая пористость способствует активному проникновению корней и газообмену, что критически важно для корневого дыхания. Биологическая активность
почвы, поддерживаемая микроорганизмами, способствует трансформации органического вещества и образованию гумуса, что не только улучшает её структуру, но и способствует обогащению почвы доступными элементами питания.
Долговременное плодородие невозможно без учёта влияния климатических факторов. Например, в условиях высокой температуры и низкой влажности ускоряются процессы минерализации органического вещества, что может
временно увеличивать доступность азота, но снижать содержание углерода в
почве. Избыточные осадки могут вымывать питательные вещества из корневой
зоны, снижая их доступность для растений. Эти явления требуют комплексного
подхода к управлению почвенными ресурсами.
Человеческие факторы представляют собой сложную совокупность условий и процессов, влияющих на эффективность сельскохозяйственного производства, начиная от доступности ресурсов и организации логистики до обеспечения стабильного качества конечной продукции. Географическое расположение сельскохозяйственных угодий играет ключевую роль в формировании цепочек поставок и распределении сырья. Например, близость к транспортной
инфраструктуре и перерабатывающим предприятиям сокращает затраты на логистику и улучшает оперативность доставки, обеспечивая минимальные потери
сырья. В то же время, близость промышленных объектов может создавать риски экологического характера, такие как загрязнение почвы и водных ресурсов,
что требует тщательного мониторинга и внедрения систем экологического контроля.
Интенсивная урбанизация оказывает значительное воздействие на микроклимат региона, что в свою очередь влияет на продуктивность сельскохозяйственных угодий. Например, рост плотности населения и объёмов промышленных выбросов приводит к увеличению температуры воздуха в населённых
пунктах («городские тепловые острова»), что изменяет климатические условия
выращивания растений. Кроме того, нарушение гидрологического цикла в урбанизированных зонах может вызывать как дефицит, так и избыток воды, усложняя управление ирригационными системами и повышая риск деградации
почвы.
Проведённый анализ подтвердил, что системный подход к изучению
взаимодействия природных и антропогенных факторов является необходимым
условием для обеспечения устойчивости сельскохозяйственного производства,
повышения его эффективности и соответствия продукции высоким стандартам
качества. Природные факторы, такие как климатические и почвенные условия,
задают фундаментальные ограничения и возможности для развития агропромышленного комплекса. Они определяют физико-химические свойства сырья,
включая содержание питательных веществ, органолептические характеристики
и его технологическую пригодность. Например, колебания температуры, уровня осадков и доступности микроэлементов в почве напрямую влияют на продуктивность растений и стабильность урожая.

Антропогенные факторы, в свою очередь, оказывают косвенное, но не
менее значимое влияние на процесс производства. Такие факторы, как развитие
логистической инфраструктуры, доступность инновационных технологий и
управление ресурсами, формируют основу для эффективного использования
природных условий.
Комплексный учёт природных и антропогенных факторов открывает возможности для разработки адаптивных стратегий управления. Например, использование методов больших данных и алгоритмов машинного обучения позволяет прогнозировать изменения в климатических условиях и оптимизировать параметры выращивания, снижая негативное воздействие экстремальных
погодных явлений. Внедрение таких подходов способствует не только снижению издержек производства, но и повышению экологической устойчивости агропромышленных систем.
Таким образом, выбор такого подхода для реализации интеллектуальных
систем прогнозирования качества сырья подтверждается как с научной, так и с
практической точек зрения.
Список литературы

1. Лягина Л.А., Каргин В.А., Моисеев А.П. Система автоматического управления процессом сушки растительного сырья // Аграрный научный журнал. 2017. № 7. С. 78-82.

2. Моисеев А.П., Волгин А.В., Каргин В.А., Лягина Л.А. Электротехнологическое оборудование в сельскохозяйственном производстве : учебное пособие. – Издательство: Саратов
ООО "Амирит", 2018. – 103 с.

3. Каргин В.А., Кишко В.В., Усанов К.М., Сохинов Д.Ю. Результаты создания интеллектуальной системы с использованием нейросетевых технологий для оценки
качества яблок при сортировке // В сборнике: Вавиловские чтения - 2022. Сборник статей Международной научно-практической конференции, посвященной
135-й годовщине со дня рождения академика Н.И. Вавилова. Саратов, 2022. С.
710-715.
4. Каргин В.А., Кишко В.В., Борисевский А.М. Перспективы использования алгоритмов
искусственного интеллекта для раннего обнаружения заболеваний сырья растительного
происхождения // В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов III Международной специализированной конференции - выставки. Курск, 2022. С. 142-148.
5. Борисевский А.М., Каргин В.А., Мокрушин С.А., Сохинов Д.Ю. Перспективы использования роботизированной системы для сортировки фруктов // В сборнике: РОГОВСКИЕ
ЧТЕНИЯ. сборник докладов научно-практической конференции с международным участием. Курск, 2023. С. 133-138.
6. Каргин В.А., Мокрушин С.А., Бикетов А.Р., Бею В.В. Рекомендации по разработке архитектуры нейронной сети для контроля уровня ликера в бутылке на этапе розлива // В
сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам для отраслей пищевой промышленности. Сборник научных докладов IV Международной специализированной
конференции-выставки. Москва, 2023. С. 225-229.
7. Каргин В.А., Сохинов Д.Ю., Кишко В.В., Каверзин И.В. Разработка и оценка нейронной
сети для оценки качества яблок // В сборнике: Современные проблемы автоматизации
технологических процессов и производств. сборник научных докладов научно-

Автоматизированные системы управления биотехнологическими процессами

335

336 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

практической конференции с международным участием, посвященной 100-летию со дня
рождения Игоря Константиновича Петрова. Курск, 2023. С. 205-211.
8. Лукьянов А.А., Антоненко М.В. Формирование качественных показателей вина в зависимости от почвенно-климатических условий // Виноградарство и виноделие. Сборник
научных трудов. Том XLV. - Ялта, 2015
9. Драгавцева, И.А. Ресурсный потенциал земель Кабардино-Балкарии для возделывания
плодовых культур / И.А. Драгавцева, И.Ю. Савин, Т.Х. Эркенов и др.. Краснодар; Нальчик : СКЗНИИСиВ, 2011.-127 с.
10. Петров В.С., Алейникова Г. Ю. Агроэкологическое зонирование территории Краснодарского Края для культуры винограда // Виноделие и виноградарство. 2018.

ния этой проблемы предлагается использовать коллинеарную антенную решётку, состоящую из ряда переизлучающих вибраторов, расположенных вдоль
провода поверхностного волновода.
При возбуждении провода поверхностного волновода возникает поверхностная волна Е-типа. Для создания равномерного электромагнитного поля по
длине облучаемого объекта необходимо поместить в поле поверхностной волны группу вибраторов. Вибраторы могут иметь различную конфигурацию, например, спиральную или цилиндрическую. В качестве вибраторов могут использоваться металлические проводники различной природы, размещённые в
электромагнитном поле. Для переизлучения энергии поля был выбран вибратор
цилиндрической формы [5-7].
Переизлучающий вибратор состоит из система матричных автоэмиссионных катодов 1 и ускоряющего электрода 2, в качестве устройства связи с внешней нагрузкой использовалась дюралюминиевая трубка диаметром 4 мм, а в качестве вибратора использовался отрезок коаксиального кабеля РК-160-9-111
длиной L1, L2, L3.

УДК 315.322.365
Е.А. Четвериков, Е.А. Шабаев, В.Н. Беленов
Российский государственный аграрный университет – МСХА имени К.А. Тимирязева

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ НАГРЕВА В УСТАНОВКАХ
МИКРОВОЛНОВОЙ СУШКИ
Е.А. Четвериков, Е.А. Шабаев, В.Н. Беленов ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ НАГРЕВА В УСТАНОВКАХ МИКРОВОЛНОВОЙ СУШКИ

Аннотация. Применение средств микроволнового нагрева для различных технологических процессов зачастую ограничено геометрией рабочих камер. В связи с этим изрезанность
поля внутри может иметь высокую неоднородность – до 40 дБ и выше, что существенно
влияет на качество нагрева. В настоящей статье рассмотрена возможность более эффективного использования микроволнового излучения для сушки зерновой продукции, осуществляемой на установка комбинированного типа - типовых шахтных и барабанных зерносушилках, где микроволновый нагрев реализован в виде модуля размещаемого на пути следования
зерновой массы в сушильную конвективную камеру.
Ключевые слова: Изрезанность поля, рабочая камера СВЧ, антенная решетка, микроволновое излучение, магнетронный генератор.

В ходе анализа развития технологий сушки зерна было выявлено, что современные промышленные методы сушки зерна по-прежнему основаны на конвективном способе. Однако одним из перспективных методов обезвоживания
растительного сырья является сушка с использованием электромагнитного излучения сверхвысокой частоты (сушка микроволновым полем).
Микроволновая сушка имеет ряд преимуществ перед традиционными методами. В отличие от конвективной сушки, при которой необходимо нагревать
воздух с помощью специальных устройств и передавать тепло от нагретого
воздуха продукту, в микроволновой сушке тепло передаётся напрямую от источника излучения. Это позволяет избежать потерь тепла на каждом этапе процесса и повысить эффективность установки до 85-90%.
Однако, несмотря на преимущества, микроволновая сушка имеет и недостатки. Среди них — неравномерный нагрев зернового слоя, высокая стоимость
сверхвысокочастотных генераторов и неудобство транспортировки сушильных
камер [1-4].
В настоящее время на зерноперерабатывающих предприятиях используются установки для сверхвысокочастотной сушки зерна, которые не всегда
обеспечивают равномерное распределение электромагнитного поля. Для реше-

Рис.1. Общий вид переизлучающего вибратора. 1 - система матричных автоэмиссионных катодов, 2 - ускоряющий электрод, 3 - отверстия для пролета первичного электронного потока,
4 - первый сеточный электрод, 5 - объемный резонатор, 6 - устройство связи с внешней нагрузкой на основной частоте, 7 - внутренний проводник, 8 - второй сеточный электрод, 9 отражатель, 10 - вторично-эмиссионное покрытие, 11 - блокировочная емкость, 12 - третий
источник питания, 13 - емкостной элемент настройки, 14 - второй источник питания, 15 первый источник питания, 16 - устройство связи с внешней нагрузкой на второй гармонике.

Система, состоящая из вибраторов, которые переизлучают сигнал, находится вдоль провода волновода и создаёт антенную решётку, которая также
способна переизлучать сигнал. На рисунке 2 показан провод, на котором установлены вибраторы в виде трубчатых отрезков. Эти вибраторы соосны с проводом и имеют размеры, которые соответствуют длине волны [8-11].

Автоматизированные системы управления биотехнологическими процессами

337

338 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис.2. Схема размещения переизлучающих вибраторов на проводе волновода/

Для того чтобы антенная решётка равномерно переизлучала мощность
магнетронного генератора, необходимо, чтобы каждый элемент решётки излучал мощность, которая определяется законом амплитудно-фазового распределения поля.
При разработке антенной решётки, которая переизлучает энергию, на основе свойств поверхностного волновода, нужно учитывать следующее: энергия
электромагнитного поля, которое возбуждается в волноводе, преобразуется в
энергию, излучаемую каждым вибратором [12-15].
Таким образом, если на первый вибратор, который переизлучает энергию,
подаётся мощность W, то на второй вибратор, который также переизлучает
энергию, будет подаваться мощность, которая определяется формулой (1).
W2 = W - W1,
(1)
где W – мощность, подаваемая на первый переизлучающий источник, W1 –
мощность переизлучаемая первым источником, W2 – мощность, подаваемая на
второй излучатель. Этот процесс будет повторяться для всех элементов антенной решётки, то есть каждый следующий элемент получает меньше энергии,
чем предыдущий.
Чтобы обеспечить равномерное распространение электромагнитного поля
по всей длине решётки, необходимо настроить связь между каждым элементом
и проводом с определёнными коэффициентами. Эти коэффициенты можно регулировать, изменяя параметры элементов. Для оценки способности цилиндрического элемента переизлучать энергию электромагнитного поля было использовано два метода.
В первом методе на проводе волновода был размещён одиночный цилиндрический элемент. На фиксированном расстоянии от провода волновода была
установлена рупорная антенна. Изменяя длину элемента мультивибратора,
можно было оценить мощность, которую принимает рупорная антенна, подключенная к эмиттеру и коллектору. Схема установки показана на рисунке 3.
Второй метод заключается в передаче сигнала от источника ИОН через
однопроводную линию к компоратору. При этом регистрируется мощность, которую получает приёмник в зависимости от длины элемента. Схема установки
показана на рисунке 3.

Рис.3. Функциональная схема для проведения эксперимента

В ходе экспериментов были получены аналогичные результаты. Это позволяет сделать вывод, что, измеряя мощность, которую излучают вибраторы,
можно оценить, насколько сильно антенна искажает сигнал. На графике, представленном на рисунке 4, показаны результаты экспериментов.

Рис.4. Результаты экспериментов

В ходе экспериментов было установлено, что чем короче излучатель и
больше его радиус, тем ниже эффективность передачи сигнала по проводу.
Наиболее удобным способом для достижения необходимых показателей эффективности является изменение длины переизлучающего вибратора.
В результате экспериментов было выявлено, что вибратор максимальной
длины должен располагаться в конце антенной решётки, а минимальной — в её
начале. Для проведения исследований была создана переизлучающая антенная
решётка, состоящая из восемнадцати цилиндрических вибраторов, расположенных на базе поверхностного волновода с рабочей частотой 0,915 ГГц.
Фрагмент антенной решётки представлен на рисунке 5.

Автоматизированные системы управления биотехнологическими процессами

339

Рис.5. Фрагмент мультивибратора антенной решетки

Исследование проводилось в несколько этапов. На линии передачи был
установлен цилиндрический излучатель длиной L1. Затем длина излучателя постепенно уменьшалась до тех пор, пока он не начал переизлучать 7% мощности, подаваемой на линию. Это значение было выбрано с учётом определённых
требований. Оно должно было обеспечить равномерное распределение энергии
поля вдоль антенной решётки, состоящей из N излучателей. При этом N-й излучатель должен был переизлучать в окружающее пространство наибольшую
часть оставшейся мощности в поверхностном волноводе. Оставшаяся мощность
Wost должна была поглощаться согласующей нагрузкой. Мощность, поглощаемая нагрузкой, составляла примерно 7% от общей мощности, подаваемой от
микроволнового генератора.
Для расчёта мощности, переизлучаемой каждым излучателем δ, использовалась формула (2).
W

δ=
,
(2)
где δ – переизлучаемая мощности каждым вибратором; Wost – остаточная мощность; W – мощность, поступающая от генератора; N – количество вибраторов
в антенной решетки.
Далее определялась длина второго переизлучающего вибратора, при которой он бы переизлучал в открытое пространство 7% от общей мощности W,
поступающей от СВЧ генератора в линию передачи. При выполнении данного
эксперимента были проделаны оценки для всех элементов антенной решетки.
Результаты эксперимента указаны в таблице 1.
1

Длина переизлучающего элемента L1

0,28λ

0,282λ

0,286λ

0,289λ

0,29λ

0,294λ

0,299λ

0,302λ

0,305λ

0,308λ

0,311λ

0,315λ

0,318λ

0,391λ

0,396λ

0,402λ

0,409λ

Таблица 1 – Значение длины Ɩ, при которой переизлучаемые мощности равны
№ излучателя

Помимо варианта выполнения переизлучающего вибратора в виде цилиндра, существуют и другие конфигурации, например, спиральная форма, намотанная на провод. В этом случае коэффициент связи вибратора с проводом регулируется количеством витков.
Также существует несколько вариантов конструкций переизлучающих
антенных решёток. Например, вибраторы могут быть расположены не соосно с

340 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

проводом, а рядом с ним. В этом случае коэффициент связи зависит не только
от параметров вибратора, но и от его расстояния до провода.
Исследования показали, что для обоих вариантов расположения вибраторов (соосно с проводом и рядом с ним) степень фокусировки излучения одинакова. Эксперименты с восемнадцатиэлементной антенной решёткой, где вибраторы расположены соосно с проводом, показали, что в H-плоскости на уровне 14 дБ ширина диаграммы направленности составляет 31 градус.
Таким образом, способ равномерного распределения мощности от СВЧгенератора по всей антенной решётке понятен. Суть метода заключается в равномерном переизлучении энергии электромагнитного поля каждым вибратором, входящим в состав общей конструкции антенной решётки. Совокупность
полей, переизлучаемых каждым вибратором, формирует цилиндрическую волну, распространяющуюся во всех направлениях. Это позволяет более равномерно распределить энергию электромагнитного поля на зерновой материал,
расположенный на конвейерной ленте.
Список литературы
1. Четвериков Е.А., Шестаев А.Е. Обоснование параметров сушки зерна микроволновым полем // Актуальные проблемы энергетики АПК: Материалы IX Международной научнопрактической конференции. – Саратов, 2018. С. – 29-30
2. Бородин И.Ф., Шарков Г.А., Андреев С.А. Установка для свч-обработки // Авторское свидетельство SU 1232157 A1, 23.05.1986. Заявка № 3828665 от 05.11.1984.
3. Volgin A.V., Kargin V.A., Chetverikov E.A., Moiseev A.P., Lagina L.A. Improving the efficiency of convective grain drying by using low-intensity RF radiation IOP Conference Series: Earth
and Environmental Science 954 (1), 2022, 012017
4. Usanov K M, Volgin A V, Chetverikov E A, Kargin V A, Moiseev A P, Ivanova Z I 2017 Power
electromagnetic strike machine for engineering geological surveys IOP Conf. Series: Earth and
Environmental Science 87 032049. EDN: XPPVRS.
5. Лягина, Л.А. Интенсификация сушки растительного материала за счет использования инфракрасного излучения / Л.А. Лягина, А.В. Волгин, Е.А. Четвериков, Н.Н. Белова, Моисеев А.П. // Известия Международной академии аграрного образования, 2019. -№ 44.
EDN: YZEUWL
6. Четвериков, Е.А. Микроволновое и инфракрасное излучение в технологиях сушки продукции растительного происхождения: монография / Е.А. Четвериков, Л.А. Лягина, А.П.
Моисеев. ФГБОУ ВО "Саратовский ГАУ". - Саратов: Амирит, 2016.- 186с. EDN:
XCUZDV.
7. Математическая модель процесса комбинированной сушки товарного зерна в установках
конвейерного типа / Е.А. Четвериков, К.М. Усанов, А.В. Волгин и др. // Аграрный научный журнал. 2023. № 12. С. 171-176. EDN: RGOBMX
8. Четвериков Е.А., Моисеев А.П., Каргин В.А. Совершенствование установки сушки расторопши за счет автоматизации процесса измерения влажности. - Аграрный научный журнал. 2015. № 7. С. 52-54. EDN: UBOTRN
9. Четвериков, Е. А. Методика выбора конструкции рабочих камер установок СВЧ сушки
сельскохозяйственной продукции / Е. А. Четвериков, А. А. Полудин // Актуальные проблемы энергетики АПК : Материалы X национальной научно-практической конференции с международным участием, Саратов, 22 апреля 2019 года / Под общ. ред. Трушкина
В.А. – Саратов: ООО "Центр социальных агроинноваций СГАУ", 2019. – С. 253-256. –
EDN WIWOWS.

Автоматизированные системы управления биотехнологическими процессами

341

342 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

10. Лягина, Л.А. Повышение экологичности и эффективности сушки растительного сырья
электронагревателем / Л.А Лягина, А.В. Волгин, Е.А. Четвериков, В.В. Белов, А.П. Моисеев // Известия Международной академии аграрного образования, 2018. - № 38. EDN:
YPJTDB
11.Четвериков Е.А. Физические основы технологий комбинированной сушки/ Лягина Л.А.,
Волгин А.В., Селезнев Г.Н. Актуальные проблемы энергетики АПК Материалы XI национальной научно-практической конференции с международным участием //ФГБОУ
ВО Саратовский ГАУ, 2020.
12.Четвериков, Е. А. Расчет электрофизических параметров плодов со сложной структурой /
Е. А. Четвериков, Р. А. Анисимов // Актуальные проблемы энергетики АПК : Материалы
IV Международной научно-практической конференции, Саратов, 01–30 апреля 2013 года
/ Под редакцией А.В. Павлова. – Саратов: ООО ПКФ "Буква", 2013. – С. 353-355. – EDN
SCMDMH.
13.Четвериков, Е. А. Использование СВЧ энергии для повышение эффективности процесса
измерения влажности товарного зерна / Е. А. Четвериков, Д. В. Кузин // Агрофорсайт. –
2018. – № 5(17). – С. 1. – EDN LZQBDC.
14.Четвериков, Е. А. Обоснование параметров СВЧ нагревательных установок стационарного типа при различных способах инжекции излучения в рабочей камере / Е. А. Четвериков, А. П. Моисеев, Д. З. Мухамбетов // Актуальные проблемы энергетики АПК : Материалы XIII Национальной научно-практической конференции с международным участием, Саратов, 29–30 апреля 2022 года. – Саратов: Амирит, 2022. – С. 175-177. – EDN
UMMQGF.
15.Исаев А.В., Бастрон А.В,. Яхонтова B.С Исследование влияния степени неравномерности
нагрева семян рапса в ЭМП СВЧ на их энергию прорастания и всхожесть // Вестник
Красноярского ГАУ. – 2016. – № 4. – С. 131-137.

следствие высокой энергоемкостью процесса сушки из-за пересыхания внешних слоев [1-3].
Значительно повысить равномерность нагрева и снизить энергоемкость
возможно использованием малых доз – на уровне 2-5% от уровня конвективной
мощности – энергии микроволнового поля [4-7]. Если произвести приблизительную оценку уровня требуемой СВЧ мощности для установки средней производительности 12 т/ч, снижения влажности с 20 до 12 % и взяв энергоемкость
процесса сушки 8,5 кВт×ч/кг по испаренной влаги, то получим следующее: с
одной тонны зерна требуется испарять 80 кг влаги и затратить 80×8,5=680
кВт×ч, следовательно для 12 т – 8160 кВт×ч. Если взять уровень 2 % от этой
мощности, то получим 160 кВт.
Для обеспечения необходимого уровня микроволновой мощности в процессе сушки с помощью одного источника микроволнового излучения, следует
рассмотреть возможность создания микроволнового модуля, встраиваемого в
процесс перемещения зерновой массы перед конвективной сушильной камерой.
Подача СВЧ энергии непосредственно в камеру затруднена из-за большого количества металлических конструкций внутри.
Микроволновый модуль может содержать несколько унифицированных
магнетронных источников, аналогичных тем, что используются в бытовых СВЧ
печах. Мощность каждого источника составляет 1000 Вт, и количество источников может варьироваться в зависимости от производительности установки
(рис. 1).

ПРИНЦИП РЕГУЛИРОВАНИЯ МОЩНОСТИ МАГНЕТРОННЫХ
ГЕНЕРАТОРОВ В УСТАНОВКАХ КОМБИНИРОВАННОЙ
СУШКИ ТОВАРНОГО ЗЕРНА
Е.А. Четвериков, Е.А. Шабаев, В.Н. Беленов ПРИНЦИП РЕГУЛИРОВАНИЯ МОЩНОСТИ МАГНЕТРОННЫХ ГЕНЕРАТОРОВ В УСТАНОВКАХ КОМБИНИРОВАННОЙ СУШКИ
ТОВАРНОГО ЗЕРНА

Аннотация. Развитие средств автоматизации для различных сельскохозяйственных
процессов, таких как переработка зерновой продукции, значительно повышает качество продукции и снижает энергозатраты. Однако по-прежнему имеется значительный потенциал для
повышения качества продукта и энергоэффективности процессов сушки путем внедрения
средств объемного разогрева – энергии микроволнового поля. В настоящей статье рассматриваются принципы управления соотношением конвективной и микроволновой в установках
промышленной сушки товарного зерна.
Ключевые слова: СВЧ нагрев, автоматизированные зерносушилки, ПЛК, магнетронные
генераторы.

Конвективные установки сушки зерна шахтного и барабанного типов в настоящее время являются наиболее распространенными для доведения влажности до требуемых для хранения параметров. Однако они обладают рядом существенных недостатков – неравномерностью нагрева по сечению зерна и как

Рис.1. Встраиваемый микроволновый модуль.

Автоматизированные системы управления биотехнологическими процессами

343

344 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Для обеспечения равномерного распределения мощности и минимизации потерь при передаче энергии, необходимо разработать эффективную систему управления и распределения энергии. Это может включать в себя использование программируемых логических контроллеров (ПЛК) для управления работой магнетронных источников и контроля параметров процесса сушки.
Также стоит учесть необходимость обеспечения безопасности при работе с микроволновым излучением. Это может потребовать использования защитных экранов и других мер предосторожности для предотвращения воздействия излучения на персонал и окружающую среду. Управление работой установки в целом осуществляется с помощью промышленного логического контроллера (ПЛК) и сенсорной панели ввода команд и отображения данных о
процессе обработки продуктов [1].
Самый распространенный блок питания магнетрона средней мощности
представляет собой повышающий трансформатор со схемой удвоения напряжения. Схема питания магнетрона приведена на рис. 2. При такой схеме питания магнетрон генерирует только в полупериоде питающего напряжения 50 Гц.
В первый полупериод заряжается конденсатор, во второй полупериод напряжение на конденсаторе складывается с напряжением вторичной обмотки, что вызывает генерацию микроволновых колебаний. Для стабилизации рабочей точки
магнетрона, повышающий трансформатор работает в режиме насыщения [1215]. В целом схема работает в нелинейном режиме.

сигнал для регулируемого трансформатора сопротивлений или сигнал для отключения магнетрона.

Рис.3. Изменение формы анодного напряжения при разных коэффициентах стоячей волны.

Все данные по высокоскоростному каналу Ethernet передаются в программируемый логический контроллер (ПЛК) или персональный компьютер
для обработки, хранения и визуализации информации.

Рис.4. Спектральный состав управляющего сигнала.

Рис.2. Система управления подачей СВЧ мощности.

Чтобы оценить, насколько эффективно работают компоненты системы и
как изменился ток, необходимо проанализировать его частотные составляющие. Цифровой сигнальный процессор (см. рисунок 4) разделяет исходный сигнал на отдельные компоненты. Он преобразует аналоговый сигнал в цифровой,
измеряет мощность, потребляемую магнетроном, и генерирует управляющий

Чтобы определить, как изменился ток и, следовательно, насколько хорошо согласованы компоненты системы, нужно проанализировать его гармонический состав. Цифровой сигнальный процессор (см. рис. 4) разделяет исходный
сигнал на составляющие. Этот процессор оцифровывает анодный ток, измеряет
мощность, потребляемую магнетроном, и генерирует управляющий сигнал для
регулируемого трансформатора сопротивлений или сигнал для отключения
магнетрона. Вся информация по высокоскоростному каналу Ethernet передаётся
в ПЛК или персональный компьютер для обработки, хранения и отображения
данных.
В свете вышеизложенного, созданная система контроля включает в себя:
магнетрон, модуль питания, контроллер управления с высокопроизводительным микроконтроллером и управляющее программное обеспечение для ПК или
ПЛК, включающее алгоритмы выявления изменений согласования магнетрона.
Интерфейс разработанной программы демонстрируется на рисунке 5. ПКпрограмма получает данные от контроллера, формирует временную зависи-

Автоматизированные системы управления биотехнологическими процессами

345

346 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

мость формы тока, анализирует спектральный состав сигнала и выполняет вычисления значений тока за каждый период.
Спектральный анализ выходных колебаний возможен при использовании
генераторного зонда OSCAPROBE в схеме автогенератора. Генераторный зонд
представляет собой источник колебаний с регулируемой частотой и выходной
мощностью [6]. Подключение зонда осуществляется к затвору или истоку транзистора, что приводит к появлению спектральных линий на выходе ГУН в процессе моделирования, когда частота и амплитуда колебаний в ГУН совпадают с
параметрами генераторного зонда. Спектр колебаний на выходах представлен
на рисунке 4. Мощность основной частоты идентична на обоих выходах, при
этом мощность второй гармоники на 23дБ ниже мощности основной частоты.

3. Volgin A.V., Kargin V.A., Chetverikov E.A., Moiseev A.P., Lagina L.A. Improving the efficiency of convective grain drying by using low-intensity RF radiation IOP Conference Series: Earth
and Environmental Science 954 (1), 2022, 012017
4. Usanov K M, Volgin A V, Chetverikov E A, Kargin V A, Moiseev A P, Ivanova Z I 2017 Power
electromagnetic strike machine for engineering geological surveys IOP Conf. Series: Earth and
Environmental Science 87 032049. EDN: XPPVRS.
5. Лягина, Л.А. Интенсификация сушки растительного материала за счет использования инфракрасного излучения / Л.А. Лягина, А.В. Волгин, Е.А. Четвериков, Н.Н. Белова, Моисеев А.П. // Известия Международной академии аграрного образования, 2019. -№ 44.
6. Четвериков, Е.А. Микроволновое и инфракрасное излучение в технологиях сушки продукции растительного происхождения: монография / Е.А. Четвериков, Л.А. Лягина, А.П.
Моисеев. ФГБОУ ВО "Саратовский ГАУ". - Саратов: Амирит, 2016.- 186с.
7. Математическая модель процесса комбинированной сушки товарного зерна в установках
конвейерного типа / Е.А. Четвериков, К.М. Усанов, А.В. Волгин и др. // Аграрный научный журнал. 2023. № 12. С. 171-176. EDN: RGOBMX
8. Четвериков Е.А., Моисеев А.П., Каргин В.А. Совершенствование установки сушки расторопши за счет автоматизации процесса измерения влажности. - Аграрный научный журнал. 2015. № 7. С. 52-54. EDN: UBOTRN
9. Четвериков, Е. А. Методика выбора конструкции рабочих камер установок СВЧ сушки
сельскохозяйственной продукции / Е. А. Четвериков, А. А. Полудин // Актуальные проблемы энергетики АПК : Материалы X национальной научно-практической конференции с международным участием, Саратов, 22 апреля 2019 года / Под общ. ред. Трушкина
В.А. – Саратов: ООО "Центр социальных агроинноваций СГАУ", 2019. – С. 253-256.
10. Лягина, Л.А. Повышение экологичности и эффективности сушки растительного сырья
электронагревателем / Л.А Лягина, А.В. Волгин, Е.А. Четвериков, В.В. Белов, А.П. Моисеев // Известия Международной академии аграрного образования, 2018. - № 38.
11.Четвериков Е.А. Физические основы технологий комбинированной сушки/ Лягина Л.А.,
Волгин А.В., Селезнев Г.Н. Актуальные проблемы энергетики АПК Материалы XI национальной научно-практической конференции с международным участием //ФГБОУ
ВО Саратовский ГАУ, 2020.
12.Четвериков, Е. А. Расчет электрофизических параметров плодов со сложной структурой /
Е. А. Четвериков, Р. А. Анисимов // Актуальные проблемы энергетики АПК : Материалы
IV Международной научно-практической конференции, Саратов, 01–30 апреля 2013 года
/ Под редакцией А.В. Павлова. – Саратов: ООО ПКФ "Буква", 2013. – С. 353-355. – EDN
SCMDMH.
13.Четвериков, Е. А. Использование СВЧ энергии для повышение эффективности процесса
измерения влажности товарного зерна / Е. А. Четвериков, Д. В. Кузин // Агрофорсайт. –
2018. – № 5(17). – С. 1. – EDN LZQBDC.
14.Четвериков, Е. А. Обоснование параметров СВЧ нагревательных установок стационарного типа при различных способах инжекции излучения в рабочей камере / Е. А. Четвериков, А. П. Моисеев, Д. З. Мухамбетов // Актуальные проблемы энергетики АПК : Материалы XIII Национальной научно-практической конференции с международным участием, Саратов, 29–30 апреля 2022 года. – Саратов: Амирит, 2022. – С. 175-177. – EDN
UMMQGF.
15.Исаев А.В., Бастрон А.В,. Яхонтова B.С Исследование влияния степени неравномерности
нагрева семян рапса в ЭМП СВЧ на их энергию прорастания и всхожесть // Вестник
Красноярского ГАУ. – 2016. – № 4. – С. 131-137.

Рис.5. Интерфейс программы для обработки сигналов.

Еще одна важная задача – создание управляющей системы, которая позволяет быстро и точно регулировать суммарную выходную мощность всей
многогенераторной СВЧ-установки в требуемых пределах, а также индивидуально настраивать каждый магнетрон. При этом, при выборе метода управления
мощностью необходимо учитывать особенности поведения магнетрона при его
включении и выключении [5]. Это связано с тем, что в каждом модуле, представленном на рисунке 5, один и тот же трансформатор выполняет функции
формирования анодного напряжения и питания цепи накала. Существует альтернативный вариант схемы, в котором питание накала обеспечивается отдельным трансформатором. Однако использование дополнительного компонента
влечет за собой усложнение схемы и, как следствие, увеличение стоимости устройства.
Список литературы
1. Четвериков Е.А., Шестаев А.Е. Обоснование параметров сушки зерна микроволновым полем // Актуальные проблемы энергетики АПК: Материалы IX Международной научнопрактической конференции. – Саратов, 2018. С. – 29-30
2. Бородин И.Ф., Шарков Г.А., Андреев С.А. Установка для свч-обработки // Авторское свидетельство SU 1232157 A1, 23.05.1986. Заявка № 3828665 от 05.11.1984.

Автоматизированные системы управления биотехнологическими процессами

347

348 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

УДК 315.322.365
А.В. Щербаков, В.А. Каргин, С.В. Баталин
Российский биотехнологический университет (РОСБИОТЕХ)

РАЗРАБОТКА СТРУКТУРЫ НЕЙРОННОЙ СЕТИ ДЛЯ ОЦЕНКИ
КАЧЕСТВА НАНЕСЕНИЯ МАРКИРОВКИ
А.В. Щербаков, В.А. Каргин, С.В. Баталин РАЗРАБОТКА СТРУКТУРЫ НЕЙРОННОЙ СЕТИ ДЛЯ ОЦЕНКИ КАЧЕСТВА НАНЕСЕНИЯ МАРКИРОВКИ

Аннотация: В статье рассмотрен процесс разработки нейронной сети для оценки качества маркировки упаковки продукции. Детально описаны этапы создания модели, обучения,
а также подходы к обработке данных. Основное внимание уделяется оценки точности работы
системы и её способности определять соответствие маркировки установленным требованиям. Предлагается подход к разработке структуры нейронной сети, которая может быть полезна для автоматизации процесса проверки маркировки продукции.
Ключевые слова: маркировка, нейронные сети, компьютерное зрение, искусственный
интеллект.

В современном мире конкуренция на рынке товаров и услуг достигает
высокого уровня, вопрос контроля качества продукции становится особенно актуальным. Одним из важных аспектов контроля качества выпускаемых изделий
является маркировка, которая должна соответствовать установленным стандартам и предоставлять потребителям достоверную информацию о продукте [1-3].

Рис.1. Загрузка необходимых библиотек

Традиционные методы проверки маркировки требуют значительных временных и трудовых ресурсов, а также могут быть подвержены человеческим
ошибкам. В связи с этим актуален вопрос создания и использования автоматизированных решений, которые позволят ускорить процесс контроля и повысить
его точность. Одним из перспективных направлений в этой области является
использование нейронных сетей. Такие системы способны анализировать
большие объемы данных и выявлять закономерности, что позволяет решать задачи классификации и распознавания образов, в том числе для оценки качества
маркировки продукции [4-9].
Разработка модели начинается с загрузки необходимых библиотек в среде
разработки (рис. 1).

Рис.2. Загрузка датасета и вывод его параметров

После этого необходимо загрузить подготовленную выборку данных для
обучения нейронной сети – датасет. Он состоит из 467 фотографий маркировки.
Все изображения подразделены на 2 класса – правильные «Correct» и неправильные «InСorrect» значения. Таким образом, задача нейронной сети заключается в определение принадлежности изображения одному из двух классов (рис.
2).
Для проверки загруженных данных осуществляется вывод 2 случайных
изображения из датасета: одно из них принадлежит классу «Correct», другое «InCorrect» (рис. 3).

Рис.3. Вывод двух случайных изображений из датасета

Автоматизированные системы управления биотехнологическими процессами

349

350 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Рис.4. Создание выборок обучения и валидации

Следующим шагом является создание выборки обучения и валидации
данных, которая используется в процессе разработки модели машинного обучения для проверки того, как работает модель. Соотношение обучающей выборки составляет 80% от датасета, валидационной – 20% (рис. 4).
Теперь можно приступить к разработке структуры нейронной сети. Для
первичной обработки данных используются 3 последовательных сверточных
слоя с 32, 48 и 64 нейронами соответственно. Заключительными являются полносвязный слой со 128 нейронами и выходной слой с 1, отвечающим за бинарную классификацию изображения, то есть его принадлежность к одному или
другому классу.
Функция активации на сверточных и полносвязных слоях – ReLU
(Rectified Linear Unit), она преобразует все отрицательные входные значения в
0, а все положительные значения оставляет без изменений. Для выходного слоя
классификации изображений используется функция сигмоидальная функция
активации – Sigmoid. Целесообразность её использования для бинарной классификации обусловлена возможностью принимать любое действительное число
в качестве входного и преобразовывать его в число между 0 и 1. В качестве оптимизатора был выбран Adam – алгоритм адаптивной оптимизации, который
был создан специально для глубокого обучения нейронных сетей (рис. 5).

Рис.5. Создание модели нейронной сети

После подготовки модели нейронной сети начинается следующий этап –
обучение. В процессе обучения нейронная сеть с помощью алгоритмов осваивает способность распознавать и выявлять явные признаки на изображении,
чтобы сравнить полученные данные с существующим набором и классифицировать их.
Для более детальной оценки результатов обучения воспользуемся некоторыми параметрами метрики, которые будут вычисляться и изменяться для каждой итерации обучения:
 Точность (Accuracy) – это метрика, которая измеряет, насколько точно
модель предсказывает результаты;
 Потери (Loss) – метрика, которая позволяет понять, насколько далеко полученное значение от ожидаемого результата.
Ниже представлены графики точности и потерь при последовательном
обучении нейронной нести на 10, 30, 40 и 50 эпохах, которые помогают лучше
понять и оценить результаты работы сети. Графики точности и потерь целесообразно строить не только для обучающего набора данных, но и для выборки
валидации. Полученные метрики предоставляют возможность оценить, насколько далеко случайное значение в выборке от точного в обучающем наборе
данных и насколько точно нейронная сеть распознает маркировку.

Автоматизированные системы управления биотехнологическими процессами

351

352 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
100
80
60
40
20
0
10

Количество эпох обучения
Точность обучающей выборки

Потери при обучении

Рис.7. Сравнительные результаты обучения нейронной сети

Рис. 6. Графики точности и потерь при обучении

По результатам обучения можно сделать вывод, что уже после 40 эпох отсутствует заметный прирост точности, а потери на 50 эпохах обучения уменьшаются незначительно. Дальнейшее увеличение циклов обучения нейронной
сети не является целесообразным, поскольку возникает ситуация переобучения
сети. На диаграмме представлены сравнительные результаты обучения (рис. 7).

Все результаты указывают на то, что обучение нейронной сети на большем
наборе данных позволяет достичь более высокой точности, что безусловно
важно для решения задачи контроля качества маркировки. Обучение модели на
наборе данных с применением аугментации показало результаты точности системы свыше 90%. Полученные данные указывают на правильно выбранный
подход к выбору модели сети, её обучению и эффективность использования
аугментации данных.
Список литературы
1. ГОСТ Р 51074-2003, содержащий нормативные требования к этикеткам пищевых продуктов.
2. ГОСТ Р ИСО/МЭК 15426-1-2002 для продукции, имеющей штриховое кодирование на
этикетке и другие документы.
3. ГОСТ Р ИСО/МЭК 16022-2008 Автоматическая идентификация. Кодирование штриховое.
Спецификация символики Data Matrix.
4. Каргин В. А., Щербаков А. В. Перспективы внедрения систем компьютерного зрения для
оценки качества нанесения маркировки // Современные проблемы автоматизации технологических процессов и производств: Сборник научных докладов научно-практической
конференции с международным участием, посвященной 100-летию со дня рождения Игоря Константиновича Петрова. Курск, 2023. С. 212-216.
5. Каргин В. А., Щербаков А. В., Баталин С. В. Выбор камеры компьютерного зрения для
анализа качества маркировки пищевой продукции // Роговские чтения. Секция «Автоматизация технологических процессов и производств»: Сборник докладов научнопрактической конференции с международным участием. Курск, 2023. С. 307-311.
6. Щербаков А. В., Баталин С. В., Борисевкий А. М. Подготовка набора данных для обучения нейронной сети системы компьютерного зрения // Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным
системам для отраслей пищевой промышленности: Сборник научных докладов V международной конференции. Курск, 2024. С. 348-353.
7. Каргин В.А. Результаты создания интеллектуальной системы с использованием нейросетевых технологий для оценки качества яблок при сортировке / В.А. Каргин, В.В. Кишко,

Автоматизированные системы управления биотехнологическими процессами

353

К. М. Усанов, Д. Ю. Сохинов // Вавиловские чтения - 2022 : Сборник статей Международной научно-практической конференции, посвященной 135-й годовщине со дня рождения
академика Н.И. Вавилова, Саратов, 22–25 ноября 2022 года. – Саратов: Общество с ограниченной ответственностью "Амирит", 2022. – С. 710-715.
8. Каргин В.А. Перспективы использования алгоритмов искусственного интеллекта для раннего обнаружения заболеваний сырья растительного происхождения / В.А. Каргин, В.В.
Кишко, А.М. Борисевский // В сборнике: Фабрика будущего: переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам
для отраслей пищевой промышленности. Сборник научных докладов III Международной
специализированной конференции - выставки. Курск, 2022. С. 142-148.
9. Каргин В.А. Рекомендации по реализации интеллектуальной системы определения качества колбасных изделий / В.А. Каргин, Р.А. Кравченко, И.В. Кротов, Е.Р. Резенов // Актуальные проблемы энергетики АПК: материалы XIV Национальной конференции с международным участием / Под ред. C.М. Бакирова – Саратов: ФГБОУ ВО Вавиловский университет, 2023.

354 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)
Сведения об авторах
Сведения об авторах

Абдуллаев Казбек Абдуллаевич – аспирант кафедры «Автоматизированных систем
управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва
Аднодворцев Александр Михайлович – руководитель проекта Департамента технической политики и инноваций Холдинга «Объединенные кондитеры»
Айсин Александр Ренатович – аспирант кафедры «Информатика и вычислительная
техника пищевых производств» Российского биотехнологического университета
(РОСБИОТЕХ), г. Москва
Алюнов Александр Николаевич – кандидат технических наук, заведующий лабораторией робототехники кафедры «Информационные технологии», ФГОБУ ВО «Финансовый
университет при Правительстве РФ», г. Москва, Россия
Аносов Федор Вадимович – студент группы ПИ24-2, ФГОБУ ВО «Финансовый университет при Правительстве РФ», г. Москва, Россия
Афанасьева Маргарита Сергеевна – студент группы ПИ24-1, ФГОБУ ВО «Финансовый университет при Правительстве РФ», г. Москва, Россия
Барышев Петр Михайлович – аспирант кафедры «Автоматизированные системы
управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва
Баталин Сергей Владимирович – аспирант кафедры «Автоматизированных систем
управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва
Батурин Максим Павлович - бакалавр группы КВБО-03-21, кафедры «промышленной информатики» МИРЭА - Российский технологический университет г. Москва, email:
maksb1950@gmail.com
Беленов Виталий Николаевич – кандидат технических наук, доцент кафедры «Автоматизация и роботизация технологических процессов имени И.Ф. Бородина» ФГБОУ ВО
РГАУ-МСХА имени К.А. Тимирязева, г. Москва, email: v.belenov@rgau-msha.ru.
Благовещенская Маргарита Михайловна – доктор технических наук, профессор, заведующий кафедрой «Автоматизированные системы управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва, e-mail:
mmb@mgupp.ru
Благовещенский Владислав Германович – кандидат технических наук, доцент кафедры «Промышленная информатика» МИРЭА - Российский технологический университет», доцент кафедры «Информатика и вычислительная техника пищевых производств» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва, e-mail:
bvg1996@mail.ru
Благовещенский Иван Германович – доктор технических наук, профессор кафедры
«Промышленная информатика» МИРЭА - Российский технологический университет», профессор кафедры «Информатика и вычислительная техника пищевых производств» Российского
биотехнологического
университета
(РОСБИОТЕХ),
г.
Москва,
email:
igblagov@mgupp.ru
Ваниев Константин Эдуардович – студент группы ПИ24-2, ФГОБУ ВО «Финансовый
университет при Правительстве РФ», г. Москва, Россия
Веселов Михаил Викторович – аспирант кафедры «Автоматизированные системы
управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва, e-mail: veselovmv@mgupp.ru
Войтеховская Вероника Дмитриевна – студент группы ПИ24-1, ФГОБУ ВО «Финансовый университет при Правительстве РФ», г. Москва, Россия
Гармаев Ардан Русланович – студент группы ПИ24-1, ФГОБУ ВО «Финансовый
университет при Правительстве РФ», г. Москва, Россия

355

356 сборник Всероссийской конференции с международным участием (11 декабря 2024 года)

Гданский Николай Иванович – доктор технических наук, профессор кафедры «Автоматизированные системы управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва
Голикова Татьяна Николаевна – студент группы ПИ24-2, ФГОБУ ВО «Финансовый
университет при Правительстве РФ», г. Москва, Россия
Дворак Михаил Александрович – аспирант кафедры «Автоматизированных систем
управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва
Дебиев Майрбек Вахаевич – кандидат технических наук, доцент кафедры «Электротехника и электропривод» ГГНТУ им. М.Д. Миллионщикова, г. Грозный, Россия
Доржеева Дарина Петровна – студент группы ПИ24-3, ФГОБУ ВО «Финансовый
университет при Правительстве РФ», г. Москва, Россия
Досаева Лина Антоновна – студент группы ПИ24-2, ФГОБУ ВО «Финансовый университет при Правительстве РФ», г. Москва, Россия
Думова Анастасия Дмитриевна – студент группы ПИ24-1, ФГОБУ ВО «Финансовый
университет при Правительстве РФ», г. Москва, Россия
Зеленова Екатерина Николаевна – аспирант кафедры «Автоматизированные системы
управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва, e-mail: zelenova_00@bk.ru
Зиниев Шамсудин Зелимович – кандидат технических наук, доцент кафедры «Электротехника и электропривод» ГГНТУ им. акад. М.Д. Миллионщикова, г. Грозный, Россия
Зудина Татьяна Викторовна – студент кафедры «Автоматизированные системы
управления биотехнологическими процессами» Российского биотехнологического университета, гр. 24о-090401/БД, г. Москва.
Иванов Вадим Витальевич – магистрант группы ИнтОР23-1м, ФГОБУ ВО «Финансовый университет при Правительстве РФ», г. Москва, Россия
Калюта Никита Игоревич - магистр группы ИУ5-42М, кафедры «Системы обработки
информации и управления» Московского государственного технического университета имени Н.Э. Баумана, г. Москва, email: nekitce@mail.ru
Каргин Виталий Александрович – доктор технических наук, профессор кафедры
«Автоматизированные системы управления биотехнологическими процессами» Российского
биотехнологического университета (РОСБИОТЕХ), г. Москва, e-mail: vakargin@mail.ru
Карпов Александр Викторович – кандидат технических наук, доцент кафедры «Инфокогнитивные технологии» Московского политехнического университета, г. Москва, Россия
Каширская Елизавета Натановна ¬– кандидат технических наук, доцент кафедры
«Промышленной информатики» Российского Технологического университета - МИРЭА, email: liza.kashirskaya@gmail.com, г. Москва, Россия
Киселев Дмитрий Сергеевич – старший преподаватель кафедры «Промышленной информатики»
Российского
Технологического
университета
МИРЭА,
e-mail:
kiselevmirea@gmail.com, г. Москва, Россия
Климов Алексей Владимирович – аспирант кафедры «Информатика и ВТ пищевых
производств» Российского биотехнологического университета
Кожаринов Александр Сергеевич – студент группы ПИ24-2, ФГОБУ ВО «Финансовый университет при Правительстве РФ», г. Москва, Россия
Копытова Елена Викторовна – старший преподаватель кафедры «Промышленной
информатики» Российского Технологического университета - МИРЭА, e-mail:
evkopytova@mail.ru, г. Москва, Россия
Коробов Никита Дмитриевич – студент группы ТРПО24-2, ФГОБУ ВО «Финансовый
университет при Правительстве РФ», г. Москва, Россия

Крахмалев Олег Николаевич – доктор технических наук, профессор кафедры «Автоматизированные системы управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва, Россия
Кротов Игорь Владимирович – аспирант кафедры «Автоматизированные системы
управления биотехнологическими процессами» Российского биотехнологического университета, г. Москва
Крюкова Арина Олеговна – студент группы ПИ24-3, ФГОБУ ВО «Финансовый университет при Правительстве РФ», г. Москва, Россия
Ламзина Екатерина Алексеевна – студент группы ПИ24-2, ФГОБУ ВО «Финансовый
университет при Правительстве РФ», г. Москва, Россия
Мащицкий Артём Русланович – студент 4-го курса кафедры «Промышленной информатики» Российского Технологического университета – МИРЭА, e-mail:
mashchitskiy.a.r@gmail.com, г. Москва, Россия
Мешков Никита Сергеевич – студент кафедры «Автоматизированных систем управления биотехнологическими процессами» Российского биотехнологического университета
(РОСБИОТЕХ), г. Москва, e-mail: nikitameshkov128@gmail.com
Мокрушин Сергей Александрович – кандидат технических наук, доцент кафедры
«Автоматизированные системы управления биотехнологическими процессами» Российского
биотехнологического университета (РОСБИОТЕХ), г. Москва, e-mail: mokruschin@list.ru
Морозов Евгений Александрович – аспирант кафедры «Автоматизированных систем
управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва
Озинковский Олег Олегович – заместитель руководителя по технологическому развитию и стандартизации, Акционерное общество «РАТЕП», г. Москва, Россия
Охапкин Сергей Иванович – кандидат технических наук, доцент, заведующий кафедрой «Электропривод и автоматизация промышленных установок» ФГБОУ ВО «Вятский государственный университет», г. Киров.
Пестова Екатерина Владиславовна – студент кафедры «Промышленная инженерия»
Российского биотехнологического университета, гр. 24о-150402/БП, г. Москва.
Полетаев Константин Андреевич – аспирант кафедры «Информатика и вычислительная техника пищевых производств» Российского биотехнологического университета
(РОСБИОТЕХ), г. Москва
Полищук Иван Викторович – магистрант группы 23о-090401/БД, Российского биотехнологического университета (РОСБИОТЕХ), г. Москва
Рожкова Кристина Борисовна - аспирант кафедры «Информатика и вычислительная
техника пищевых производств» Российского биотехнологического университета
(РОСБИОТЕХ), г. Москва
Рылов Сергей Андреевич – кандидат технических наук, доцент кафедры «Промышленной информатики» Российского Технологического университета - МИРЭА, e-mail:
sergrlager@mail.ru, г. Москва, Россия
Слатов Илья Игоревич – студент группы ПИ24-2, ФГОБУ ВО «Финансовый университет при Правительстве РФ», г. Москва, Россия
Сохинов Дмитрий Юрьевич – ассистент кафедры «Автоматизированные системы
управления биотехнологическими процессами» Российского биотехнологического университета, г. Москва.
Тарасенко Владимир Михайлович ¬ аспирант кафедры «Автоматизированные системы управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва
Тарола Анна Анатольевна – студент кафедры «Пищевая безопасность» Российского
биотехнологического университета, гр. 24о-200401/ЭБ, г. Москва.

Автоматизированные системы управления биотехнологическими процессами

357

Усанов Константин Михайлович – доктор технических наук, старший научный сотрудник лаборатории «Фундаментальные и прикладные исследования», ФГБОУ ВО «Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И.
Вавилова», г. Саратов, Россия
Федин Владимир Дмитриевич – аспирант кафедры «Промышленной информатики»
Российского Технологического университета - МИРЭА, e-mail: fedin.vladimir.d@gmail.com. г.
Москва, Россия
Фетисов Виктор Максимович – аспирант кафедры «Автоматизированные системы
управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва
Хссан Тарик – аспирант кафедры «Автоматизированные системы управления биотехнологическими
процессами»
Российского
биотехнологического
университета
(РОСБИОТЕХ), г. Москва
Цай Тимур Викторович – студент группы 22-ИУ-3 Российского биотехнологического
университета, г. Москва.
Царихин Владимир Сергеевич – студент кафедры «Автоматизированных систем
управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), г. Москва
Черевко Кирилл Николаевич – магистрант группы КомЗР23-1м, ФГОБУ ВО «Финансовый университет при Правительстве РФ», г. Москва, Россия
Четвериков Евгений Александрович – кандидат технических наук, доцент кафедры
«Автоматизация и роботизация технологических процессов имени И.Ф. Бородина» ФГБОУ
ВО РГАУ-МСХА имени К.А. Тимирязева, г. Москва, email: e.chetverikov@rgau-msha.ru.
Шабаев Евгений Адимович – кандидат технических наук, доцент, И.о. заведующего
кафедрой «Автоматизация и роботизация технологических процессов имени И.Ф. Бородина»
ФГБОУ ВО РГАУ-МСХА имени К.А. Тимирязева, г. Москва, email: e.shabaev@rgau-msha.ru.
Щербаков Алексей Владимирович – студент кафедры «Автоматизированные системы управления биотехнологическими процессами» Российского биотехнологического университета (РОСБИОТЕХ), гр. 24о-090401/БД, г. Москва, email: Lexasherbakov2k16@yandex.ru

Научное издание

АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ УПРАВЛЕНИЯ
БИОТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ
Сборник научных докладов
Всероссийской конференции
с международным участием
11 декабря 2024 года

Компьютерная верстка и макет Горохов А.А.
Подписано в печать 11.03.2025.
Формат 60х84 1/16, Бумага офисная.
Уч.-изд. л. 20,7. Усл. печ. л. 18,7. Тираж 500 экз. Заказ № 2648
Отпечатано в типографии
Закрытое акционерное общество «Университетская книга»
305018, г. Курск, ул. Монтажников, д.12
ИНН 4632047762 ОРГН 1044637037829 дата регистрации 23.11.2004 г.
Телефон +7-910-730-82-83 www.nauka46.ru