студент, кафедра технологии бродильных и сахаристых производств, пр-т Революции, 19, г. Воронеж, 394036, Россия
student, fermentation and sugar production technology department, Revolution Av., 19 Voronezh, 394036, Russia
к.т.н., доцент, кафедра корпоративных информационных систем и программирования, Революции, 19, г. Воронеж, 394036, Россия
Cand. Sci. (Engin), associate professor, corporate information systems and programming department, Revolution Av., 19 Voronezh, 394036, Russia
студент, кафедра корпоративных информационных систем и программирования, Революции, 19, г. Воронеж, 394036, Россия
student, corporate information systems and programming department, Revolution Av., 19 Voronezh, 394036, Russia
студент, кафндра информационных технологий, моделирования и управления., Революции, 19, г. Воронеж, 394036, Россия
student, information technology, modeling and management departament, Revolution Av., 19 Voronezh, 394036, Russia
к.т.н, доцент, кафедра машин и аппаратов пищевых производств, Революции, 19, г. Воронеж, 394036, Россия)
Cand. Sci. (Engin), associate professor, food processing machines and apparatuses department, Revolution Av., 19 Voronezh, 394036, Russia
Рассматриваются возможности применения искусственного интеллекта в системе бережливого производства пивоваренной отрасли с целью сокращения потерь, повышения стабильности качества и роста производительности. Цель работы заключается в определении круга технологических и управленческих задач, решаемых с использованием искусственного интеллекта в рамках концепции бережливого производства. Проанализированы этапы пивоваренного процесса, наиболее чувствительные к отклонениям параметров, включая обработку сырья, брожение, фильтрацию и упаковку. Показано, что ключевое значение имеет этап брожения, для которого интеллектуальные системы обеспечивают непрерывный контроль температуры, кислотности и концентрации сахаров. Установлено, что внедрение алгоритмов машинного обучения позволяет оптимизировать режимы брожения и сократить его продолжительность с 21 до 7 дней без ухудшения показателей качества. Приведена классификация методов машинного обучения и обосновано их применение для прогнозирования окончания брожения, раннего выявления аномалий работы оборудования и автоматизированного контроля качества продукции. Рассмотрена интеграция интеллектуальных решений в иерархию производственных информационных систем уровня планирования ресурсов предприятия, управления производственными операциями и диспетчерского контроля. Показано, что совместное использование инструментов бережливого производства и искусственного интеллекта обеспечивает синергетический эффект за счет снижения потерь сырья, уменьшения простоев и сокращения доли брака. Сделан вывод о целесообразности внедрения искусственного интеллекта на пивоваренных предприятиях различного масштаба в качестве инструмента непрерывного совершенствования и повышения конкурентоспособности.
The paper examines the application of artificial intelligence within lean manufacturing systems in the brewing industry aimed at loss reduction, quality stabilization, and productivity growth. The objective of the study is to identify technological and managerial tasks that can be effectively solved using artificial intelligence under lean manufacturing principles. Key stages of the brewing process sensitive to parameter deviations are analyzed, including raw material processing, fermentation, filtration, and packaging. Fermentation is identified as the most critical stage, where intelligent systems provide continuous monitoring of temperature, acidity, and sugar concentration. The study demonstrates that the use of machine learning algorithms enables optimization of fermentation regimes and reduction of fermentation time from 21 to 7 days without compromising product quality. A classification of machine learning methods is presented, and their application is justified for predicting fermentation completion, early detection of equipment anomalies, and automated quality control. Integration of artificial intelligence into production information systems covering enterprise resource planning, manufacturing execution, and supervisory control levels is considered. It is shown that combining lean manufacturing tools with artificial intelligence produces a synergistic effect by reducing raw material losses, minimizing downtime, and lowering defect rates. The study concludes that artificial intelligence is a practical tool for continuous improvement and increased competitiveness of brewing enterprises regardless of their production scale.
The authors declare that there are no conflicts of interest present.