XVII Международная студенческая научная конференция Студенческий научный форум - 2025

Введение.Современная пищевая промышленность сталкивается с множеством вызовов, связанных с необходимостью повышения производительности, улучшения качества продукции, соблюдения стандартов безопасности и минимизации экологических рисков. В условиях глобализации, роста конкуренции и постоянно меняющихся предпочтений потребителей, предприятия вынуждены искать новые методы для повышения эффективности и устойчивости своих производственных процессов. Одним из наиболее перспективных решений, которые могут существенно улучшить ситуацию, являются экспертные системы (ЭС), использующие передовые технологии искусственного интеллекта (ИИ) и обработки больших данных.

Экспертные системы, в основе которых лежат знания и опыт специалистов, моделируют процесс принятия решений в сложных, динамичных условиях. Эти системы способны интегрировать данные с различных сенсоров и информационных источников, проводить их анализ и вырабатывать рекомендации или принимать решения в реальном времени, что имеет ключевое значение для эффективного управления производственными процессами в пищевой отрасли.

Технологии искусственного интеллекта, такие как машинное обучение, глубокие нейронные сети, и технологии Интернета вещей (IoT) становятся неотъемлемой частью современной экспертной системы. Такие системы позволяют не только обрабатывать большие объемы данных, но и на основе этого анализа проводить прогнозирование, оптимизировать процессы, управлять качеством продукции и минимизировать риски. Более того, системы могут быть интегрированы с другими технологиями, такими как блокчейн, для обеспечения прозрачности и прослеживаемости всех этапов производства и поставок, что крайне важно для соблюдения высоких стандартов безопасности и качества в пищевой промышленности.

Внедрение экспертных систем в пищевое производство предполагает использование автоматизированных решений, которые могут помочь в решении таких задач, как контроль качества сырья, оптимизация процессов переработки, прогнозирование потребностей в ресурсах, а также управление складскими запасами и логистикой. В результате, предприятия могут не только повысить эффективность своих операций, но и добиться более точного контроля над качеством продукции, уменьшить потери и сократить операционные затраты.

Однако, несмотря на очевидные преимущества, внедрение таких технологий в существующие производственные процессы сопряжено с рядом проблем и вызовов. Во-первых, это высокая стоимость разработки и внедрения таких систем, что делает их доступными не для всех предприятий, особенно для малых и средних. Во-вторых, необходимы значительные усилия для адаптации существующих процессов к новым технологиям, а также для обучения персонала, который должен работать с такими сложными системами. В-третьих, важно обеспечить корректную интеграцию с уже используемыми технологическими решениями и данными, что требует высокой квалификации специалистов и существенных инвестиций в инфраструктуру.

Таким образом, в рамках исследования будет проведен анализ современных тенденций в области технологий экспертных систем, рассмотрены примеры успешной реализации таких систем на различных предприятиях, а также выявлены ключевые проблемы и вызовы, с которыми сталкиваются предприятия при внедрении этих технологий. Это позволит оценить потенциал экспертных систем как инструмента для улучшения производственных процессов в пищевой промышленности и понять, какие направления развития имеют наибольшее значение для эффективной интеграции таких систем в практику.

Цель исследования — анализ текущих трендов и вызовов в применении экспертных систем в пищевой отрасли, а также на выявление ключевых факторов, которые влияют на успешность их внедрения, с целью разработки концептуальной модели экспертной системы, предназначенной для поддержки пищевого производства.

Материал и методы исследования

Для разработки экспертной системы и анализа текущего состояния вопроса использовались методы системного анализа, обработки данных, а также методы машинного обучения и искусственного интеллекта. Оценка существующих экспертных систем проводилась на основе обзора научной литературы и анализа реализованных проектов в области пищевого производства. В качестве примеров были рассмотрены успешные внедрения экспертных систем на различных предприятиях пищевой промышленности.

Результаты исследования и их обсуждение

Современные экспертные системы на основе искусственного интеллекта начали активно внедряться в различные отрасли промышленности с конца XX века. Пищевая промышленность не стала исключением. Современные экспертные системы в этой отрасли применяются для оптимизации процессов, связанных с производственными задачами, такими как контроль качества, управление ресурсами, прогнозирование и планирование, а также управление логистикой и соблюдение стандартов безопасности.

В научной литературе рассмотрены различные аспекты применения ЭС в пищевом производстве. Наиболее распространены системы, использующие базы знаний для принятия решений в реальном времени, которые позволяют быстро реагировать на изменения в условиях производства. Особое внимание уделяется тому, как ЭС помогают в принятии решений на основе аналитики данных и машинного обучения. Исследования показывают, что ЭС значительно сокращают время, необходимое для принятия критически важных решений, таких как корректировка технологических параметров или реагирование на возможные нарушения в качестве продукции.

Кроме того, большой интерес представляют системы, ориентированные на интеграцию с другими передовыми технологиями, такими как Интернет вещей (IoT). Эти системы могут автоматически собирать данные с сенсоров, устанавливаемых в производственных цехах, что позволяет создавать замкнутые циклы мониторинга и управления. Системы с IoT и ЭС могут взаимодействовать с существующими технологическими процессами и предсказывать возможные отклонения в режиме реального времени, что помогает предотвратить дефекты и повысить эффективность.

Примеры успешной реализации

Множество мировых лидеров в пищевой промышленности уже внедряют экспертные системы в свои производственные процессы. Например, компания Nestlé использует ЭС для мониторинга и анализа качества продуктов на всех этапах производства. Экспертная система анализирует данные, полученные от датчиков, которые установлены на линии по переработке сырья. На основе этих данных система предоставляет рекомендации по корректировке процессов, что позволяет добиться оптимального качества продукции и избежать потерь. Также ЭС Nestlé помогает прогнозировать потребности в сырье, что способствует более точному планированию закупок и минимизации излишков [1].

PepsiCo, в свою очередь, использует ЭС для управления складскими запасами и оптимизации логистики. В их экспертной системе интегрированы данные о потребительских предпочтениях, рыночных тенденциях и объемах производства. Эта информация помогает не только точно прогнозировать спрос, но и оперативно реагировать на изменения рыночной ситуации. Система также активно использует машинное обучение для предсказания спроса на различные товары в зависимости от времени года или других внешних факторов, что позволяет значительно сократить затраты на транспортировку и хранение.

Другим ярким примером является компания Unilever, которая внедрила экспертные системы для мониторинга качества продукции в процессе упаковки. ЭС анализирует параметры упаковки, такие как герметичность, наличие повреждений и соответствие стандартам безопасности. В случае обнаружения отклонений от нормы, система автоматически принимает меры для исправления ситуации, что сокращает количество дефектной продукции.

Анализируя современные тенденции развития экспертных систем, можем отметить, что в последние годы наблюдается ряд значительных тенденций в развитии экспертных систем для пищевой промышленности. Одной из ключевых является использование технологий машинного обучения и глубоких нейронных сетей для создания более точных моделей прогнозирования. Эти технологии позволяют системам не только опираться на заранее определенные правила и базы знаний, но и обучаться на реальных данных, что значительно улучшает их способность к адаптации и прогнозированию [3].

Еще одной важной тенденцией является интеграция экспертных систем с технологией блокчейн для обеспечения прозрачности и отслеживаемости процессов. Блокчейн позволяет создавать децентрализованные, защищенные от вмешательства и фальсификации базы данных, что особенно важно в сфере пищевой безопасности. Например, с помощью блокчейн можно отслеживать путь сырья от поставщика до конечного потребителя, что обеспечивает высокую степень доверия к продуктам и снижает риски, связанные с нарушениями стандартов качества.

Интернет вещей (IoT) также продолжает развиваться в связке с экспертными системами. Устройства, подключенные к сети и оснащенные датчиками, предоставляют непрерывный поток данных, который анализируется экспертной системой для управления процессами. В будущем мы можем ожидать появления более интеллектуальных IoT-устройств, которые смогут не только собирать данные, но и самостоятельно принимать решения на основе полученной информации, взаимодействуя с экспертными системами в реальном времени.

Несмотря на очевидные преимущества, внедрение экспертных систем в пищевое производство сопряжено с рядом сложностей [1].

Во-первых, это высокие затраты на разработку и внедрение таких систем. Многие предприятия, особенно малые и средние, не могут себе позволить значительные инвестиции в создание или покупку готовых ЭС, что ограничивает их доступ к современным технологиям.

Во-вторых, важной проблемой остается недостаток квалифицированных специалистов, которые могут эффективно работать с такими системами. Внедрение ЭС требует не только обучения работников производственного процесса, но и необходимости повышения квалификации ИТ-специалистов, способных поддерживать такие системы.

Кроме того, многие компании сталкиваются с проблемами интеграции новых технологий в уже существующие производственные процессы. Внедрение ЭС требует тщательной настройки и адаптации под специфику конкретного производства, что может быть связано с дополнительными временными и финансовыми затратами.

Наконец, важной проблемой является качество данных, которые поступают в экспертную систему. Системы могут работать только на основе данных, которые собираются с датчиков, сенсоров и других источников. Если данные будут неполными или неточными, это может привести к ошибкам в принятии решений, что в свою очередь может повлиять на качество продукции или эффективность процессов.

Примеры реализации экспертной системы для поддержки пищевого производства

1. Экспертная система контроля качества сырья

Описание: Экспертная система получает данные от датчиков, анализирует состав молока (жирность, кислотность, содержание белка) и определяет, соответствует ли сырье установленным стандартам. В случае отклонений система может рекомендовать корректирующие действия, например, отклонение партии или добавление стабилизаторов.

Результат: Снижение риска использования некачественного сырья и повышение стабильности продукции.

2. Система оптимизации технологических процессов

Описание: Алгоритм анализирует данные о влажности теста, температуре печи и времени выпекания, предлагая корректировки для обеспечения равномерной готовности продукции. Система может учитывать данные прошлых партий для самообучения.

Результат: Минимизация брака и улучшение качества конечного продукта.

3. Автоматизированная система разработки рецептур

Описание: Система анализирует базу ингредиентов, их совместимость, пищевую ценность и регуляторные нормы, предлагая новые рецептуры на основе заданных параметров (калорийность, вкус, текстура). Используется машинное обучение для прогнозирования предпочтений потребителей.

Результат: Ускорение разработки новых продуктов и повышение удовлетворенности клиентов.

4. Система мониторинга безопасности пищевых продуктов

Описание: Экспертная система анализирует показатели температуры хранения, уровни микробиологического загрязнения, соблюдение норм гигиены персонала. В случае выявления рисков система отправляет уведомления о необходимости принятия мер.

Результат: Снижение вероятности распространения опасных бактерий и соблюдение стандартов безопасности.

5. Интеллектуальная система прогнозирования спроса

Описание: Анализ исторических данных продаж, сезонности, потребительских предпочтений и рыночных трендов. Система прогнозирует объемы необходимого производства и рекомендует корректировку закупок сырья.

Результат: Снижение издержек, уменьшение остатков продукции и повышение удовлетворенности потребителей.

6. Система поддержки решений по управлению запасами

Описание: Экспертная система анализирует текущие запасы, прогнозируемый спрос и сроки годности продуктов. Она автоматически составляет заказы поставщикам и оптимизирует логистику доставки.

Результат: Уменьшение потерь продуктов и снижение операционных затрат.

Выводы. Разработка и внедрение экспертных систем в пищевое производство является важным шагом в направлении автоматизации и оптимизации производственных процессов. Современные технологии, такие как машинное обучение, искусственный интеллект, Интернет вещей и блокчейн, открывают новые возможности для повышения эффективности, улучшения качества продукции, а также для повышения уровня безопасности и соответствия нормативным требованиям.

Экспертные системы способны значительно снизить затраты на управление производственными процессами и обеспечить более высокую точность в принятии решений. Они позволяют не только предсказать возможные отклонения и проблемы на всех этапах производства, но и оперативно реагировать на изменения в технологических процессах, что особенно важно для пищевой промышленности, где качество продукции и безопасность играют ключевую роль.

Несмотря на значительный потенциал экспертных систем, существует ряд проблем, которые необходимо решать для их успешного внедрения. Во-первых, это высокая стоимость разработки и внедрения таких систем, которая может быть значительным препятствием для малых и средних предприятий. В большинстве случаев для интеграции ЭС в существующие процессы требуется значительное количество ресурсов, как финансовых, так и временных. Во-вторых, нехватка квалифицированных специалистов, способных разрабатывать, обслуживать и использовать такие системы, является одной из основных проблем. Без наличия специалистов, обученных работе с современными ИТ-решениями, предприятия не смогут в полной мере использовать потенциал экспертных систем. Кроме того, важным фактором является качество данных. Экспертные системы работают на основе информации, поступающей с различных датчиков, сенсоров и систем мониторинга. Если данные неполные или неточные, это может привести к ошибочным решениям, что, в свою очередь, повлияет на качество продукции и эффективность производственных процессов. Поэтому важно обеспечить бесперебойную и точную работу всех систем сбора и обработки данных.

Невозможность полного и быстрого внедрения новых технологий в устоявшиеся производственные процессы также представляет собой вызов. Внесение изменений требует времени и усилий для адаптации всего персонала, и производственных операций. Внедрение экспертных систем должно быть поэтапным и адаптированным к специфике каждого предприятия, с учетом его особенностей и потребностей.

Несмотря на эти трудности, успешные примеры внедрения экспертных систем в крупные компании, такие как Nestlé, PepsiCo и Unilever, демонстрируют значительные преимущества, полученные от использования этих технологий. Применение ЭС помогает оптимизировать процессы управления качеством, производственными запасами, прогнозированием и планированием, а также улучшить логистику и реагирование на потребности рынка. Такие системы значительно повышают производительность, а также снижают риски, связанные с нарушениями технологических стандартов и сбоями в производственных процессах.

В будущем можно ожидать, что экспертные системы будут становиться более доступными для предприятий разного масштаба. Это будет связано с развитием открытых платформ, улучшением алгоритмов машинного обучения и увеличением доступности технологий для малых и средних производителей. Также предполагается усиление интеграции с другими инновационными технологиями, такими как дополненная реальность для обучения сотрудников и автоматические производственные линии, что позволит еще более эффективно внедрять интеллектуальные системы в повседневную практику пищевых предприятий. Таким образом, развитие и внедрение экспертных систем в пищевое производство открывают значительные перспективы для улучшения производственных процессов, повышения качества продукции и безопасности. Несмотря на существующие проблемы и вызовы, возможности, которые они предоставляют, делают эти системы необходимыми для дальнейшего роста и модернизации пищевой промышленности, и в будущем эти технологии будут играть решающую роль в развитии отрасли.

Список литературы

1. Bukreiev D. O. et al. Features of the use of software and hardware of the educational process in the conditions of blended learning //AET 2020-Symposium on Advances in Educational Technology. – Technology (AET 2020). SCITEPRESS, 2022. – №. 2. – С. 236-244.

2. Авдеенко Т. В., Алетдинова А. А. Цифровизация экономики на основе совершенствования экспертных систем управления знаниями //π-Economy. – 2017. – Т. 10. – №. 1. – С. 7-18.

3. Букреев Д. А. Прогнозирование фондового рынка с помощью нейросеть //ББК 32.973-01я5 I74. – 2018. – С. 36.

Код для цитирования: Скопировать