Вісник НТУУ "КПІ імені Ігоря Сікорського". Серія: Хімічна інженерія, екологія та ресурсозбереження
Постійне посилання на фонд
ISSN 2664-1763 (Online), ISSN 2617-9741 (Print)
Періодичність: 2 рази на рік
Рік заснування: 1982
Тематика: проблеми екології, хімічної інженерії, ресурсо- та енергозбереження, хімічного, нафтопереробного, полімерного та силікатного машинобудування.
Офіційний сайт: https://chemengine.kpi.ua//
Рік заснування: 1982
Тематика: проблеми екології, хімічної інженерії, ресурсо- та енергозбереження, хімічного, нафтопереробного, полімерного та силікатного машинобудування.
Офіційний сайт: https://chemengine.kpi.ua//
Переглянути
Перегляд Вісник НТУУ "КПІ імені Ігоря Сікорського". Серія: Хімічна інженерія, екологія та ресурсозбереження за Ключові слова "004.85:662.63"
Зараз показуємо 1 - 2 з 2
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Методологія побудови автоматизованої системи оперативного моніторингу окремих параметрів виробництва біогазу(КПІ ім. Ігоря Сікорського, 2026) Павлов, Сергій Григорович; Лисенко, Віталій Пилипович; Лендєл, Тарас Іванович; Наконечна, Катерина ВіталіївнаЗапропоновано методологію побудови автоматизованої системи оперативного моніторингу окремих параметрів виробництва біогазу - температурного режиму та візуально-статистичних ознак субстрату (середнє значення пікселів, стандартне відхилення, асиметрія, ексцес). Система інтегрує чотири функціональні підсистеми: мобільний IoT-моніторинг середовища на базі мікроконтролера ESP32 із передачею даних через протокол MQTT, технології комп'ютерного зору для експрес-оцінки якості біосировини методом Оцу з попереднім застосуванням CLAHE, ансамбль алгоритмів машинного навчання (XGBoost, LSTM, ResNet-50) для прогнозування виходу біогазу та узагальнену функцію бажаності Харрінгтона для формування рекомендацій оператору. Систематизовано математичний апарат системи: формули обчислення статистичних ознак зображення, метод кількісної оцінки якості на основі нормалізованої відстані від референсних значень, подвійну експоненціальну функцію бажаності з лінійною нормалізацією та метрики регресійного аналізу. Оперативність системи забезпечується передачею даних від IoT-пристрою до хмарної інфраструктури Amazon Web Services менш ніж за 5 секунд та повним циклом обробки - від отримання зображення до видачі рекомендації оператору – за 3,2 хвилини, що суттєво менше характерних часових констант процесу анаеробного зброджування. Архітектура реалізована за розімкненою схемою, де результатом роботи є не безпосередній вплив на виконавчі механізми, а формування рекомендацій для оператора з класифікацією стану біосировини за п'ятьма рівнями якості. Порівняльний аналіз п'яти методів сегментації на наборі з 26 зображень підтвердив перевагу методу CLAHE + Otsu з найнижчим коефіцієнтом варіації 3,63 %. Аналіз важливості параметрів методом Random Forest показав, що візуальна оцінка якості є найбільш впливовим предиктором із відносною важливістю 0,301. Результати 6-місячного тестування на пілотній установці підтвердили ефективність підходу: збір 98,6 % запланованих вимірювань, коефіцієнт детермінації прогностичної моделі R² = 0,91 після циклу донавчання на 100 валідованих записах, зменшення RMSE на 42,6 % – з 0,61 до 0,35 м³/добуДокумент Відкритий доступ Інтелектуальна система автоматизованого моніторингу якості біоматеріалу для зброджування в біогазовій установці(КПІ ім. Ігоря Сікорського, 2025) Павлов, Сергій Григорович; Лисенко, Віталій Пилипович; Лендєл, Тарас Іванович; Наконечна, Катерина ВіталіївнаДля вирішення проблеми неефективного та неоперативного контролю біогазових установок розроблено інтелектуальну систему автоматизованого моніторингу. Метою є підвищення стабільності та продуктивності анаеробного зброджування шляхом впровадження проактивного аналізу даних та адаптивного управління. Дослідження проводилося на пілотній біогазовій установці з використанням ферментованого біоматеріалу. Для збору даних застосовано IoT-пристрій на базі ESP32 з датчиками температури та камерою. Аналіз даних реалізовано на хмарній інфраструктурі AWS з використанням сервісів S3, DynamoDB та Fargate, а також ансамблю моделей машинного навчання (XGBoost, LSTM) та комп'ютерного зору (ResNet-50). Протягом 6-місячного тестування система продемонструвала високу надійність, забезпечивши збір 98,6 % запланованих вимірювань, та оперативність із середнім часом обробки даних 3,2 хвилини. Для аналізу зображень субстрату валідовано та обрано метод сегментації Оцу з підвищенням контрастності (CLAHE), який показав найнижчий коефіцієнт варіації 3,63 %, що свідчить про його стабільність. Початкова прогностична модель машинного навчання демонструвала коефіцієнт детермінації (R²) 0,85 та кореневу середньоквадратичну помилку (RMSE) 0,61 м³/добу. Ключовим результатом є ефективність адаптивного механізму донавчання: після першого циклу оновлення на 100 нових, валідованих оператором записах, точність моделі значно зросла. Показник R² підвищився до 0,91, а RMSE зменшилася на 42,6 % до 0,35 м³/добу. Це доводить, що система здатна ефективно навчатися на реальних експлуатаційних даних, постійно покращуючи точність своїх прогнозів та, як наслідок, якість управлінських рекомендацій. Ключові слова: комп'ютерний зір, зображення, біоматеріал, хмарні сервіси, розімкнута система, відновлювальна енергетика DOI:10.20535/2617-9741.3.2025.340376 * Corresponding author: sergpavlov89@gmail.com Received 31 July 2025; Accepted 04 September 2025 Анаеробне зброджування (АЗ) біомаси є ключовою технологією у сфері відновлюваної енергетики, що забезпечує екологічно безпечну переробку органічних відходів в біогазових установках (БУ). БУ відіграють важливу роль у досягненні кліматичних цілей ЄС, забезпечуючи сталий цикл вуглецю та енергетичну незалежність [1]. Однак ефективність цього процесу істотно залежить від низки змінних факторів, таких як температура, якість сировини, мікробна активність та стабільність середовища. Традиційні підходи до моніторингу, що базуються на періодичному відборі проб і лабораторному аналізі, є трудомісткими, неоперативними та економічно обтяжливими [2]. Сучасні дослідження свідчать про зростаючу актуальність використання Інтернету речей (IoT), комп’ютерного зору (CV) та методів машинного навчання (МН) для автоматизованого контролю технологічних процесів у сільському господарстві та енергетиці [3, 5, 7]. Зокрема, хмарна інфраструктура, така як Amazon Web Services (AWS), у поєднанні з мікроконтролерами ESP32 та сенсорною мережею, дозволяє створити гнучкі та масштабовані системи реального часу з можливістю адаптації до змінних умов [4, 13]. Однак більшість існуючих рішень обмежуються лише збором та візуалізацією даних, без реалізації повного аналітичного циклу, включаючи адаптивне навчання моделей