2026. — Т 13. — №s1 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://resources.today/02faor126.html

This article metadata is also available in English

DOI: 10.15862/02FAOR126 (https://doi.org/10.15862/02FAOR126)

Полный текст статьи в формате PDF (объем файла: 971.8 Кбайт)

Ссылка для цитирования этой статьи:

Иванов, И. А. Разработка софт-сенсинг системы на основе нейронных сетей для оценки степени перенасыщения сахарных растворов в вакуум-аппарате / И. А. Иванов, А. В. Шаховской, А. В. Гончаров [и др.] // Отходы и ресурсы. — 2026. — Т 13. — №s1. — URL: https://resources.today/PDF/02FAOR126.pdf. — DOI: 10.15862/02FAOR126. (дата обращения: 30.05.2026).

Разработка софт-сенсинг системы на основе нейронных сетей для оценки степени перенасыщения сахарных растворов в вакуум-аппарате

Иванов Иван Андреевич
ФГБОУ ВО «Московский государственный университет технологий и управления имени К.Г. Разумовского», Москва, Россия
Аспирант
E-mail: a.goncharov@mgutm.ru

Шаховской Андрей Владимирович
ФГБОУ ВО «Московский государственный университет технологий и управления имени К.Г. Разумовского», Москва, Россия
Кандидат технических наук, доцент
E-mail: a.shakhovskoy@mgutm.ru

Гончаров Андрей Витальевич
ФГБОУ ВО «Московский государственный университет технологий и управления имени К.Г. Разумовского», Москва, Россия
Кандидат технических наук, доцент
E-mail: a.goncharov@mgutm.ru

Тараканова Валентина Викторовна
ФГБОУ ВО «Московский государственный университет технологий и управления имени К.Г. Разумовского», Москва, Россия
Кандидат педагогических наук, доцент
E-mail: walentt@yandex.ru

Аннотация. Современная сахарная промышленность Российской Федерации характеризуется интенсивным внедрением цифровых технологий и интеллектуальных систем управления производственными процессами, при чем особую актуальность приобретает разработка виртуальных измерительных систем (софт-сенсоров) для мониторинга критически важных параметров кристаллизации сахарозы, недоступных для прямого измерения традиционными аппаратными средствами. Предметом исследования выступают теоретико-методологические основы проектирования софт-сенсинг систем на базе глубоких нейронных сетей, предназначенных для оценки степени перенасыщения сахарных растворов в вакуум-аппаратах периодического и непрерывного действия. Рассматриваются методы машинного обучения, включая рекуррентные нейронные сети с долгой краткосрочной памятью (LSTM), свёрточные нейронные сети (CNN), а также гибридные архитектуры CNN-LSTM, обеспечивающие извлечение пространственно-временных характеристик технологического процесса. Анализ эволюции подходов к мониторингу процессов кристаллизации демонстрирует переход от традиционных методов измерения электропроводности и показателя преломления к интеллектуальным системам предиктивной аналитики, интегрированным в концепцию цифрового двойника производства. Ключевыми результатами исследования являются систематизация архитектурных решений нейросетевых софт-сенсоров, выявление критических факторов, определяющих точность прогнозирования перенасыщения, а также обоснование методологии интеграции виртуальных датчиков в контуры автоматического управления вакуум-аппаратами. Разработана концептуальная модель софт-сенсинг системы, учитывающая нелинейную динамику процесса кристаллизации, многофакторную зависимость перенасыщения от технологических параметров и требования промышленной эксплуатации в реальном времени. Научная новизна заключается в интеграции современных подходов глубокого обучения с теоретическими основами физико-химических процессов сахарного производства, позволяющей достичь точности оценки перенасыщения с относительной погрешностью менее 3 %. Практическая значимость определяется возможностью внедрения разработанных решений на предприятиях сахарной промышленности России для повышения качества кристаллического сахара, оптимизации энергопотребления и снижения потерь сахарозы в мелассу.

Ключевые слова: софт-сенсор; виртуальный датчик; нейронные сети; глубокое обучение; LSTM; кристаллизация сахара; перенасыщение; вакуум-аппарат; цифровой двойник; Индустрия 4.0; предиктивная аналитика; автоматизация производства

Скачать