Abstract
<jats:p>В представленной статье предлагается расширение классической теории технологического потока В. А. Панфилова посредством интеграции современных методов машинного обучения для углубленного анализа и оптимизации пищевого производства. Основной целью исследования является апробация и демонстрация эффективности алгоритмов машинного обучения в решении задач оперативного контроля качества и прогнозирования в рамках сложного технологического потока. Практическая реализация подхода выполнена на примере конкретного производства гранулированного продукта – киселя из черники. В ходе работы осуществлен комплексный системный анализ технологической линии, в результате которого были выделены ключевые функциональные подсистемы (подготовка сырья, грануляция, сушка, фасовка) и проведена оценка качества их работы на основе технологических параметров. На следующем этапе были разработаны и применены специализированные модели машинного обучения, включая методы регрессии и классификации, для решения двух взаимосвязанных задач. Во-первых, для прогнозирования критически важных свойств как конечного продукта (растворимость, цвет, вкус), так и промежуточных продуктов на выходе каждой подсистемы. Во-вторых, для решения обратной задачи – определения требуемых характеристик исходного сырья (влажность ягод, содержание пектина) для гарантированного достижения заданных стандартов качества конечной продукции. Процесс исследования включал масштабный сбор данных: подробное измерение физико-химических и технологических характеристик на каждом этапе производства с последующим применением статистических методов для оценки эффективности, точности, надежности и целостности функционирования всех звеньев технологической цепи. Полученные результаты комплексного анализа не только подтвердили работоспособность предложенного подхода, но и позволили выявить «узкие места» и проблемы в отдельных подсистемах (например, нестабильность процесса грануляции), для которых были предложены конкретные пути модернизации. Разработанное в рамках исследования специализированное программное обеспечение, интегрирующее созданные прогнозные модели, на практике способствует цифровой трансформации процессов контроля качества, обеспечивая переход от реактивного к предиктивному управлению. Внедрение такой системы в перспективе позволяет существенно повысить общую эффективность, стабильность выхода качественной продукции и ресурсосбережение на пищевых производствах.</jats:p> <jats:p>The article presents an extension of V. A. Panfilov's classical theory of technological flow through the integration of modern machine learning methods for in-depth analysis and optimization of food production. The main purpose of the research is to test and demonstrate the effectiveness of machine learning algorithms in solving operational quality control and forecasting tasks within a complex technological flow. The practical implementation of the approach is based on the example of a specific production of a granular product – blueberry jelly. In the course of the work, a comprehensive system analysis of the processing line was carried out, as a result of which key functional subsystems (raw material preparation, granulation, drying, packaging) were identified and the quality of their work was assessed based on technological parameters. In the next stage, specialized machine learning models, including regression and classification methods, were developed and applied to solve two interrelated tasks. Firstly, to predict the critically important properties of both the final product (solubility, color, taste) and the intermediates at the output of each subsystem. Secondly, to solve the inverse problem, it is necessary to determine the required characteristics of the feedstock (berry moisture, pectin content) in order to ensure that the specified quality standards of the final product are achieved. The research process included large-scale data collection: detailed measurement of physico-chemical and technological characteristics at each stage of production, followed by the use of statistical methods to assess the effectiveness, accuracy, reliability and integrity of the functioning of all links of the technological chain. The results of the comprehensive analysis not only confirmed the efficiency of the proposed approach, but also made it possible to identify «bottlenecks» and problems in individual subsystems (for example, instability of the granulation process), for which specific modernization paths were proposed. The specialized software developed within the framework of the research, which integrates the created predictive models, in practice contributes to the digital transformation of quality control processes, ensuring the transition from reactive to predictive management. The introduction of such a system in the future can significantly increase overall efficiency, stability of high-quality products and resource conservation in food production.</jats:p>