СОДЕРЖАНИЕ

ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ

РАЗРАБОТКА МОДУЛЯ АВТОМАТИЗИРОВАННОЙ ПРОВЕРКИ SQL-СКРИПТОВ

В LMS НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА
Босенко Тимур Муртазович....................................................................................................................................9

К ВОПРОСУ РАЗВЕРТЫВАНИЯ И ИНТЕГРАЦИИ СИСТЕМ УДАЛЕННОГО

КОНТРОЛЯ И УПРАВЛЕНИЯ НА БАЗЕ ИНТЕРНЕТ-МЕССЕНДЖЕРА
Шестов Руслан Владимирович, Владимиров Константин Григорьевич,

Милихина Ксения Михайловна............................................................................................................................18

ПРИМЕНЕНИЕ СЕТЕЙ КОЛМОГОРОВА-АРНОЛЬДА

ДЛЯ БЕСКОНТАКТНОЙ ФОТОПЛЕТИЗМОГРАФИИ
Майоров Александр Олегович.............................................................................................................................28

АЛГОРИТМ АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ ЛОКАЛЬНЫМ ВЫТЯЖНЫМ УСТРОЙСТВОМ ДЛЯ ПРОИЗВОДСТВЕННОГО ОБОРУДОВАНИЯ
Шварцбург Леонид Эфраимович, Кулизаде Дмитрий Игорьевич, Родькин Сергей Валерьевич..................36

ИНТЕГРАТИВНЫЙ АНАЛИЗ МУЛЬТИМОДАЛЬНЫХ ОБРАЗОВАТЕЛЬНЫХ ДАННЫХ

НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ И ФОРМАЛЬНЫХ ГРАФОВ ЗНАНИЙ
Маркин Евгений Игоревич, Зупарова Валентина Владимировна, Панфилова Марина Ивановна...............40

ПИЩЕВЫЕ ТЕХНОЛОГИИ

ПРИМЕНЕНИЕ МЕТОДА ИНКАПСУЛИРОВАНИЯ ДЛЯ ПОЛУЧЕНИЯ

ФУНКЦИОНАЛЬНОГО ИНГРЕДИЕНТА НА ОСНОВЕ ЭФИРНЫХ МАСЕЛ
Гурда Мария Дмитриевна, Яковченко Наталья Владимировна.........................................................................52

ИЗУЧЕНИЕ ПОТРЕБИТЕЛЬСКИХ СВОЙСТВ САХАРНОГО ПЕЧЕНЬЯ

С ФУНКЦИОНАЛЬНЫМИ ИНГРЕДИЕНТАМИ
Осипенко Елена Юрьевна, Денисович Юлия Юрьевна, Кичигина Екатерина Юрьевна...............................58

ПРАКТИЧЕСКОЕ ОБОСНОВАНИЕ ПРОЕКТИРОВАНИЯ СТРУКТУРЫ

БАЗЫ ДАННЫХ ПИЩЕВОЙ ПРОДУКЦИИ
Лось Михаил Александрович, Куракин Михаил Сергеевич,

Давыденко Наталия Ивановна, Люц Вероника Андреевна...............................................................................68

БИОЛОГИЧЕСКАЯ ЦЕННОСТЬ БЕЛКОВОГО ПОРОШКА

ИЗ РЫБНЫХ ОТХОДОВ: ПРЕИМУЩЕСТВА ИСПОЛЬЗОВАНИЯ
Есепенок Константин Викторович, Горбачева Мария Владимировна,

Шагаева Наталья Николаевна, Земцова Людмила Константиновна.................................................................79

ВЛИЯНИЕ НЕМИКРОБНОЙ ФЕРМЕНТАЦИИ НА ХИМИЧЕСКИЙ

СОСТАВ И СВОЙСТВА ALLIUM SATIVUM L.
Банщикова Елена Евгеньевна, Школьникова Марина Николаевна,

Рожнов Евгений Дмитриевич, Волочко Милана Владимировна......................................................................86

ОПТИМИЗАЦИЯ УСЛОВИЙ ПОЛУЧЕНИЯ ПРОДУКТА

ИЗ СЛИВОК ПОВЫШЕННОЙ ЖИРНОСТИ
Голуб Ольга Валентиновна, Мотовилова Наталья Владимировна,

Лобачева Елена Михайловна, Мотовилов Олег Константинович, Давыденко Наталия Ивановна...............92

ОПТИМИЗАЦИЯ УСЛОВИЙ АКТИВАЦИИ СУХИХ ДРОЖЖЕЙ

ПРИ СБРАЖИВАНИИ ЯБЛОЧНОГО СОКА
Белокурова Елена Сергеевна, Панкина Илона Анатольевна...........................................................................100

ПОТЕРИ ПРИ ПРОИЗВОДСТВЕ И ХРАНЕНИИ СЕЛЬСКОХОЗЯЙСТВЕННОЙ

ПРОДУКЦИИ В СВЕТЕ УСТОЙЧИВОГО РАЗВИТИЯ АПК
Аббазова Венера Нагимовна................................................................................................................................106

ВЛИЯНИЕ АНТИОКСИДАНТНОГО ПОТЕНЦИАЛА СЫРЬЕВЫХ КОМПОНЕНТОВ

НА СОХРАННОСТЬ УРБЕЧЕЙ
Тимакова Роза Темерьяновна, Корчемкина Елена Юрьевна............................................................................113

ВЛИЯНИЕ КОНЦЕНТРАЦИИ КЛЕТОК НА ПРОДУКТИВНОСТЬ СТАТИЧНОЙ

ПЕРИОДИЧЕСКОЙ КУЛЬТУРЫ ДРОЖЖЕЙ (SACCHAROMYCES CEREVISIAE) ПО БИОМАССЕ
Кузьмин Антон Алексеевич.................................................................................................................................120

ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ

ПРИКЛАДНЫЕ ВОПРОСЫ МОДЕЛИРОВАНИЯ СИСТЕМ

ПРОТИВОПОЖАРНОЙ ЗАЩИТЫ С ИСПОЛЬЗОВАНИЕМ ЦЕПЕЙ МАРКОВА
Танклевский Леонид Тимофеевич, Таранцев Александр Алексеевич,

Балабанов Иван Дмитриевич, Алешков Александр Михайлович, Бондар Александр Иванович...............129

СРАВНИТЕЛЬНЫЙ АНАЛИЗ ШУМОВЫХ ХАРАКТЕРИСТИК В КАБИНЕ

ТРАКТОРА К-701МЗ ПОСЛЕ КАПИТАЛЬНОГО РЕМОНТА
Гайда Анна Станиславовна, Егорова Ирина Викторовна.................................................................................136

ЦИФРОВАЯ ТРАНСФОРМАЦИЯ СИСТЕМЫ УПРАВЛЕНИЯ ОХРАНОЙ ТРУДА:

СОВРЕМЕННЫЕ ПОДХОДЫ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
Борисова Анастасия Викторовна, Баланова Марина Васильевна,

Козлюк Виталий Викторович, Фирсов Виктор Анатольевич..........................................................................141

ОЦЕНКА РИСКА ВОЗДЕЙСТВИЯ НА ОКРУЖАЮЩУЮ СРЕДУ В СТРОИТЕЛЬСТВЕ

С ИСПОЛЬЗОВАНИЕМ МОДЕЛИРОВАНИЯ МОНТЕ-КАРЛО
Смирнова Елена Эдуардовна, Азаров Валерий Николаевич............................................................................147

ОЦЕНКА ПОЖАРНОЙ ОПАСНОСТИ АВТОСТОЯНОК РАЗЛИЧНЫХ ТИПОВ
Малышева Екатерина Михайловна, Насырова Элина Сагитовна, Болегенова Салтанат Алихановна.......157

РИСК-ОРИЕНТИРОВАННОЕ ПРОГНОЗИРОВАНИЕ В ОРГАНИЗАЦИИ БЕЗОПАСНОГО

ТРУДА ВОДИТЕЛЕЙ ПРЕДПРИЯТИЙ ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА
Дементьева Юлия Васильевна, Косякин Виталий Сергеевич, Татаринцев Святослав Дмитриевич..........165

МЕТОДЫ ОЦЕНКИ СТАТИСТИЧЕСКИХ СВЯЗЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ ВЛИЯНИЯ

КЛИМАТИЧЕСКИХ ПАРАМЕТРОВ НА ЗАПЫЛЕННОСТЬ ВОЗДУХА

НА РАБОЧИХ МЕСТАХ ОТКРЫТЫХ ГОРНЫХ РАБОТ
Ильяшенко Игорь Сергеевич, Коршунов Геннадий Иванович, Ковшов Станислав Вячеславович............170

ВЫСОКОЧАСТОТНАЯ ЭЛЕКТРОМАГНИТНАЯ ЗАЩИТА ТРУБОПРОВОДОВ КАК МЕТОД

ПОВЫШЕНИЯ ПОЖАРОБЕЗОПАСНОСТИ ПРИ ТРАНСПОРТИРОВКЕ НЕФТЕПРОДУКТОВ
Манаева Алина Рамзилевна, Морозов Николай Николаевич, Шарифуллина Лилия Ринатовна.................180

СИСТЕМА ЗАЩИТЫ ЭЛЕКТРОТЕХНИЧЕСКОГО ПЕРСОНАЛА

ПРИ ВОЗДЕЙСТВИИ ЭЛЕКТРИЧЕСКИХ И МАГНИТНЫХ ПОЛЕЙ
Закирова Альфия Резавановна.............................................................................................................................186

СТАТИСТИЧЕСКАЯ ОБРАБОТКА ДАННЫХ ЭКСПЕРИМЕНТА: ИССЛЕДОВАНИЕ ВЛИЯНИЯ СОСТАВА МНОГОКОМПОНЕНТНЫХ ЦЕМЕНТОВ НА ЭКОЛОГИЧЕСКИЕ ПОКАЗАТЕЛИ
Смирнова Елена Эдуардовна..............................................................................................................................191

К ВОПРОСУ О ВЫБОРЕ ОПТИМАЛЬНОГО МЕТОДА

ОЦЕНКИ ПРОФЕССИОНАЛЬНОГО РИСКА
Семейкин Александр Юрьевич, Климова Елена Владимировна,

Носатова Елена Анатольевна, Петрова Виктория Александровна.................................................................200

КОМПЬЮТЕРНОЕ ЗРЕНИЕ В ОБЛАСТИ БЕЗОПАСНОСТИ ПРОИЗВОДСТВА:

ТЕКУЩИЕ ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ
Зиятдинова Сюмбель Фанилевна, Хайруллина Ляйсан Исмагиловна,

Богач Виталий Васильевич, Виноградов Василий Юрьевич...........................................................................210

УЗЕЛ ИЗМЕРЕНИЯ СКОРОСТИ КОРРОЗИИ ДЛЯ ВНУТРИТРУБНОЙ ДИАГНОСТИКИ
Таранцева Клара Рустемовна, Тразанов Александр Викторович....................................................................219

СВЯЗЬ ПОДВИЖНОСТИ НЕРВНЫХ ПРОЦЕССОВ И УТОМЛЯЕМОСТИ

ВО ВРЕМЯ УБОРКИ УРОЖАЯ НА КОМБАЙНЕ «ЕНИСЕЙ КЗС 950»
Лысенко Сергей Григорьевич, Гайда Анна Станиславовна,

Егорова Ирина Викторовна, Щепкин Александр Алексеевич.........................................................................226

ПРИМЕНЕНИЕ ПЫЛЕЗАЩИТНЫХ ЭКРАНОВ В ТОЧЕЧНОМ СТРОИТЕЛЬСТВЕ ДЛЯ

ПОВЫШЕНИЯ ЭКОЛОГИЧЕСКОЙ БЕЗОПАСНОСТИ ГОРОДСКИХ ТЕРРИТОРИЙ
Манжилевская Светлана Евгеньевна, Азаров Валерий Николаевич..............................................................232

CONTENT

INFORMATION SCIENCE, COMPUTING DEVICES AND CONTROLING

DEVELOPMENT OF A MODULE FOR AUTOMATED CHECKING OF SQL SCRIPTS

IN LMS BASED ON INTELLIGENT ANALYSIS
Bosenko Timur Murtazovich.....................................................................................................................................9

ON THE ISSUE OF DEPLOYMENT AND INTEGRATION OF REMOTE CONTROL

AND MANAGEMENT SYSTEMS BASED ON THE INTERNET MESSENGER
Shestov Ruslan Vladimirovich, Vladimirov Konstantin Grigoryevich, Milikhina Ksenia Mikhailovna................18

APPLICATIONS OF KOLMOGOROV-ARNOLD NETWORKS

FOR REMOTE PHOTOPLETHYSMOGRAPHY
Mayorov Alexander Olegovich................................................................................................................................28

ALGORITHM OF AUTOMATED CONTROL OF LOCAL EXHAUST

UNIT FOR PRODUCTION EQUIPMENT
Shvartsburg Leonid Efraimovich, Kulizade Dmitry Igorevich, Rodkin Sergey Valerievich..................................36

INTEGRATIVE ANALYSIS OF MULTIMODAL EDUCATIONAL DATA BASED ON

NEURAL NETWORK MODELS AND FORMAL KNOWLEDGE GRAPHS
Markin Evgeny Igorevich, Zuparova Valentina Vladimirovna, Panfilova Marina Ivanovna..................................40

FOOD TECHNOLOGY

APPLICATION OF ENCAPSULATION METHODS TO OBTAIN

A FUNCTIONAL INGREDIENT BASED ON ESSENTIAL OILS
Gurda Maria Dmitrievna, Iakovchenko Natalia Vladimirovna...............................................................................52

STUDY OF CONSUMER PROPERTIES OF SUGAR COOKIES

WITH FUNCTIONAL INGREDIENTS
Osipenko Elena Yuryevna, Denisovich Yulia Yuryevna, Kichigina Ekaterina Yuryevna........................................58

PRACTICAL JUSTIFICATION FOR DESIGNING THE STRUCTURE OF THE FOOD DATABASE
Los Mikhail Aleksandrovich, Kurakin Mikhail Sergeevich,

Davydenko Nataliia Ivanovna, Lutz Veronika Andreevna.......................................................................................68

BIOLOGICAL VALUE OF PROTEIN POWDER FROM FISH WASTE: ADVANTAGES OF USE
Esepenok Konstantin Viktorovich, Gorbacheva Mariya Vladimirovna,

Shagaeva Natalya Nikolaevna, Zemtsova Lyudmila Konstantinovna.....................................................................79

INFLUENCE OF NON-MICROBIAL FERMENTATION ON THE CHEMICAL

COMPOSITION AND PROPERTIES OF ALLIUM SATIVUM L.
Banshchikova Elena Evgenievna, Shkolnikova Marina Nikolaevna,

Rozhnov Evgeniy Dmitrievich, Volochko Milana Vladimirovna............................................................................86

OPTIMIZATION OF CONDITIONS FOR OBTAINING A PRODUCT FROM HIGH-FAT CREAM
Golub Olga Valentinovna, Motovilova Natalya Vladimirovna,

Lobacheva Elena Mikhailovna, Motovilov Oleg Konstantinovich, Davydenko Nataliia Ivanovna.......................92

OPTIMIZATION CONDITIONS FOR ACTIVATION OF DRY YEAST

DURING APPLE JUICE FERMENTATION
Belokurova Elena Sergeevna, Pankina Ilona Anatolyevna....................................................................................100

LOSSES IN PRODUCTION AND STORAGE OF AGRICULTURAL PRODUCTS IN LIGHT

OF SUSTAINABLE DEVELOPMENT OF THE AGRO-INDUSTRIAL COMPLEX
Abbazova Venera Nagimovna................................................................................................................................106

THE EFFECT OF THE ANTIOXIDANT POTENTIAL OF RAW MATERIALS

ON THE SAFETY OF CANDLES
Timakova Roza Temer'janovna, Korchemkina Elena Yurievna.............................................................................113

EFFECT OF INITIAL CELLS’ CONCENTRATION ON THE PRODUCTIVITY

OF BAKER'S YEAST BY BIO-MASS DURING BATCH CULTIVATION WITHOUT AGITATION
Kuzmin Anton Alekseevich...................................................................................................................................120

TECHNOSPHERE SAFETY

APPLIED ISSUES OF MODELING FIRE PROTECTION SYSTEMS USING MARKOV CHAINS
Tanklevsky Leonid Timofeevich, Tarantsev Alexander Alekseevich,

Balabanov Ivan Dmitrievich, Aleshkov Alexander Mikhailovich, Bondar Alexander Ivanovich........................129

COMPARATIVE ANALYSIS OF NOISE CHARACTERISTICS

IN THE CABIN OF THE K-701-MZ TRACTOR AFTER MAJOR REPAIRS
Gayda Anna Stanislavovna, Egorova Irina Viktorovna..........................................................................................136

DIGITAL TRANSFORMATION OF OCCUPATIONAL SAFETY AND HEALTH

MANAGEMENT SYSTEM: MODERN APPROACHES AND DEVELOPMENT PROSPECTS
Borisova Anastasia Viktorovna, Balanova Marina Vasilyevna,

Kozlyuk Vitaly Viktorovich, Firsov Viktor Anatolyevich......................................................................................141

ASSESSING THE ENVIRONMENTAL IMPACT RISK IN CONSTRUCTION

USING MONTE CARLO SIMULATION
Smirnova Elena Eduardovna, Azarov Valery Nikolaevich....................................................................................147

ASSESSMENT OF FIRE HAZARD OF PARKING LOTS OF DIFFERENT TYPES
Malysheva Ekaterina Mikhailovna, Nasyrova Elina Sagitovna, Bolegenova Saltanat Alikhanovna....................157

RISK ORIENTED FORECASTING IN ORGANIZING SAFE WORK

FOR DRIVERS OF RAILWAY TRANSPORT ENTERPRISES
Dementieva Yulia Vasilievna, Kosyakin Vitaly Sergeevich, Tatarintsev Svyatoslav Dmitrievich........................165

STATISTICAL CORRELATION METHODS FOR ASSESSING

THE IMPACT OF CLIMATIC VARIABLES ON AIR DUSTINESS IN OPEN-PIT MINES
Iliashenko Igor Sergeevich, Korshunov Gennadiy Ivanovich, Kovshov Stanislav Vyacheslavovich...................170

HIGH-FREQUENCY ELECTROMAGNETIC PROTECTION OF PIPELINES AS A METHOD

OF INCREASING FIRE SAFETY DURING TRANSPORTATION OF PETROLEUM PRODUCTS
Manaeva Alina Ramzilevna, Morozov Nikolay Nikolaevich, Sharifullina Liliya Rinatovna...............................180

PROTECTION SYSTEM FOR ELECTRICAL PERSONNEL UNDER EXPOSURE

TO ELECTRIC AND MAGNETIC FIELDS
Zakirova Alfiya Rezavanovna................................................................................................................................186

STATISTICAL PROCESSING OF EXPERIMENTAL DATA: STUDY OF THE INFLUENCE

OF MULTICOM-PONENT CEMENTS COMPOSITION ON ENVIRONMENTAL INDICATORS
Smirnova Elena Eduardovna..................................................................................................................................191

ON THE ISSUE OF CHOOSING THE OPTIMAL ASSESSMENT METHOD OCCUPATIONAL RISK
Semeykin Alexander Yuryevich, Klimova Elena Vladimirovna,

Nosatova Elena Anatolyevna, Petrova Victoria Alexandrovna..............................................................................200

COMPUTER VISION IN THE FIELD OF INDUSTRIAL SAFETY:

CURRENT PROBLEMS AND PROSPECTS
Ziyatdinova Syumbel Fanilevna, Khairullina Laysan Ismagilovna,

Bogach Vitaly Vasilyevich, Vinogradov Vasily Yuryevich....................................................................................210

CORROSION RATE MEASUREMENT UNIT FOR IN-PIPE DIAGNOSTICS
Tarantseva Klara Rustemovna, Trazanov Aleksandr Viktorovich.........................................................................219

THE RELATIONSHIP BETWEEN THE MOBILITY OF NERVOUS PROCESSES AND

FATIGUE DURING HARVESTING ON THE COMBINE "YENISEI KZS 950"
Lysenko Sergey Grigorievich, Gayda Anna Stanislavovna,

Egorova Irina Viktorovna, Shchepkin Alexander Alekseevich.............................................................................226

THE USE OF DUST SCREENS IN POINT-BASED BUILDINGS TO IMPROVE

THE ENVIRONMENTAL SAFETY OF URBAN AREAS
Manzhilevskaya Svetlana Evgenievna, Azarov Valeriy Nikolaevich....................................................................232

УДК 004.891:378.146

EDN: NXGEBX

РАЗРАБОТКА МОДУЛЯ АВТОМАТИЗИРОВАННОЙ ПРОВЕРКИ SQL-СКРИПТОВ В LMS

НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА

© Автор(ы) 2025

SPIN: 7117-2458

AuthorID: 988509

ORCID: 0000-0002-5375-096X

ResearcherID: AAC-8046-2021

ScopusID: 57211992163

БОСЕНКО Тимур Муртазович, кандидат технических наук,

доцент департамента информатики, управления и технологий

Московский городской педагогический университет

(129594, Россия, Москва, ул. Шереметьевская, 28, e-mail: bosenkotm@mgpu.ru)

Аннотация. В статье представлена разработка модуля автоматизированной проверки SQL-скриптов для системы управления обучением (LMS) на основе применения больших языковых моделей (LLM) CodeS и Llama 3.1 в сочетании с методами интеллектуальной обработки данных (TAG-метод и RAG-метод). Разработанный модуль реализует интеллектуальный механизм адаптивного выбора языковых моделей в зависимости от типа задач: CodeS+TAG для синтаксического и семантического анализа SQL-скриптов и Llama+RAG для анализа текстовых описаний и контекстной валидации решений. Предложен алгоритм организации информационного взаимодействия, интегрирующий технологии анализа структуры данных и извлечения релевантных примеров. Экспериментальное исследование, проведенное на базе двух образовательных учреждений с участием 385 обучающихся различных уровней подготовки (СПО, бакалавриат, магистратура), продемонстрировало существенное повышение эффективности проверки: точность анализа SQL-кода с помощью CodeS+TAG достигла 90.2-93.5%, а точность валидации текстовых описаний с помощью Llama+RAG составила 87-90% (против 82-85% в традиционных системах), время обработки сократилось до 155-195 мс, что значительно повысило производительность системы. Интеграция разработанного модуля в LMS позволила создать адаптивную систему проверки SQL-заданий, обеспечивающую комплексный анализ решений и предоставление персонализированной обратной связи обучающимся.

Ключевые слова: SQL-скрипты, большие языковые модели, LMS, LLM, интеллектуальный анализ, адаптивный механизм проверки.

DEVELOPMENT OF A MODULE FOR AUTOMATED CHECKING OF SQL SCRIPTS

IN LMS BASED ON INTELLIGENT ANALYSIS

© The Author(s) 2025

BOSENKO Timur Murtazovich, candidate of technical sciences,

associate professor of the department of informatics, management and technology

Moscow City Pedagogical University

(129594, Russia, Moscow, Sheremetyevskaya st., 28, e-mail: bosenkotm@mgpu.ru)

Abstract. The article presents the development of a module for automated checking of SQL scripts for a learning management system (LMS) based on the use of large language models (LLM) CodeS and Llama 3.1 in combination with methods of intelligent data processing (TAG method and RAG method). The developed module implements an intelligent mechanism for adaptive selection of language models depending on the type of tasks: CodeS + TAG for syntactic and semantic analysis of SQL scripts and Llama + RAG for analysis of text descriptions and contextual validation of solutions. An algorithm for organizing information interaction is proposed, integrating technologies for analyzing data structure and extracting relevant examples. An experimental study conducted at two educational institutions involving 385 students of various levels of training (secondary, bachelor's, master's) demonstrated a significant increase in the efficiency of verification: the accuracy of SQL code analysis using CodeS+TAG reached 90.2-93.5%, and the accuracy of text description validation using Llama+RAG was 87-90% (versus 82-85% in traditional systems), the processing time was reduced to 155-195 ms, which significantly increased the system's performance. Integration of the developed module into the LMS made it possible to create an adaptive system for checking SQL tasks, providing a comprehensive analysis of solutions and providing personalized feedback to students.

Keywords: SQL scripts, large language models, LMS, LLM, intelligent analysis, adaptive verification engine.

Для цитирования: Босенко Т.М. Разработка модуля автоматизированной проверки SQL-скриптов в LMS на основе интеллектуального анализа / Т.М. Босенко // XXI век: итоги прошлого и проблемы настоящего плюс. – 2025. – Т. 14. – № 1(69). – С. 9-17. – EDN: NXGEBX.

Введение. В условиях современной цифровиза-ции образования автоматизированная проверка SQL-скриптов в системах управления обучением (LMS) становится критически важным компонентом подготовки специалистов по базам данных [1, 2]. Разработка специализированных модулей вери-фикации SQL-скриптов направлена на решение ключевых образовательных задач: повышение эф-фективности практического освоения языка SQL, оптимизацию процесса оценивания навыков работы с базами данных и обеспечение масштабируемос-ти обучения реляционным СУБД [3, 4]. Основной проблемой является отсутствие эффективных авто-матизированных средств проверки SQL-скриптов, сочетающих масштабируемость и качество обратной связи. Решение этой проблемы позволит не только автоматизировать процесс проверки, но и обеспечить персонализированную обратную связь, сопоставимую с результатами экспертной оценки [5, 6].

Анализ последних исследований и публикаций демонстрирует множество подходов к решению проблемы автоматизированной проверки SQL-скриптов. Традиционные методы ручной проверки, несмотря на высокое качество обратной связи, требуют значительных временных затрат препо-давателей и не масштабируются на большие потоки обучающихся [7]. В области обучения основам рабо-ты с базами данных и SQL особую актуальность приобретает вопрос эффективной проверки прак-тических заданий студентов. В настоящее время применяются следующие основные методы провер-ки SQL-скриптов:

1. Методы ручной проверки, где преподаватель самостоятельно анализирует SQL-скрипты. Данный подход обеспечивает качественную обратную связь, включающую детальный анализ синтаксических конструкций, оптимальности запросов и соответст-вия требованиям нормализации баз данных. Од-нако существенным недостатком является высокая трудоемкость процесса, которая значительно воз-растает при увеличении сложности схемы базы данных и при работе с большими группами обу-чающихся. Особые сложности возникают при про-верке SQL-скриптов в специфических предметных областях, таких как продуктовая или операционная аналитика данных, где требуется формирование сложных вложенных запросов, включающих под-запросы, представления, оконные функции и дру-гие специализированные SQL-скрипты в системах распределенного хранения гетерогенных данных [8].

2. Методы автоматизированной проверки, кото-рые подразделяются на:

– методы на основе конвейерного подхода [9], использующие различные методологии выполне-ния и анализа запросов (CI/CD, изолированные среды тестирования, например, Job Engine [10]). Такие решения успешно решают проблему масштабируемости, обеспечивая автоматическое вы-полнение студенческих решений на предварительно сконфигурированных тестовых базах данных, но уступают в качестве обратной связи;

– методы с элементами искусственного интеллек-та [11], включая применение больших языковых моделей (LLM) [12] и технологий text-to-SQL [13]. Данный подход позволяет не только верифициро-вать синтаксическую корректность запросов, но и оценивать их семантическую эквивалентность, стиль написания и оптимальность, обеспечивая более персонализированную обратную связь;

– методы гибридного типа, которые сочетают автоматическую проверку с возможностью пре-подавательской корректировки результатов, что позволяет объединить преимущества автоматизации и экспертной оценки.

Системы автоматизированной проверки, несмотря на их разнообразие, сопряжены с рядом общих ограничений:

– необходимость существенных вычислительных ресурсов [14];

– сложность первоначальной настройки и поддержки системы;

– ограниченная информативность обратной связи, часто сводящаяся к базовым логам выполнения запросов;

– потенциальные ошибки в семантическом анализе при использовании LLM-моделей.

Проведенный анализ показывает, что среди открытых LMS-решений (Moodle, Chamilo, Open edX, Sakai, Canvas) наиболее функциональным для обучения SQL является Moodle, благодаря широкому набору инструментов для создания тестов и курсов, а также интеграции с различными внешними сервисами и плагинами, которые позволяют эффек-тивно обучать SQL. Благодаря расширению CodeRunner, эта платформа обеспечивает возможность автоматической проверки SQL-скриптов на основе предопределенных схем баз данных (SDB) или таблиц баз данных (TDB). Однако существующая реализация ограничивается лишь верификацией корректности результатов выполнения запросов, что затрудняет процесс обучения и отладки решений студентами [15].

Актуальность исследования заключается в необ-ходимости разработки инновационных подходов к автоматизированной проверке SQL-скриптов в рамках LMS. Современные образовательные практики требуют эффективных инструментов для оценки знаний студентов, особенно в таких дисциплинах, где требуется написание специализированных SQL-скриптов на основе анализа баз данных. В связи с этим, интеграция больших языковых моделей в LMS представляет собой актуальное направление, поскольку эти модели, обученные на больших объемах текстовых данных, способны генерировать, анализировать и комментировать SQL-скрипт с высокой степенью точности и адаптивности.

Целью исследования является разработка мо-дуля автоматизированной проверки SQL-скриптов в LMS на основе применения больших языковых моделей и методов контекстного анализа для повышения эффективности оценки решений обу-чающихся и качества предоставляемой обратной связи. Экспериментальная база исследования предс-тавлена решениями SQL-задач, полученными от 385 обучающихся различных уровней подготовки (СПО, бакалавриат, магистратура) из двух вузов, что обеспечивает репрезентативность результатов для различных типов SQL-запросов и образовательных контекстов.

Методология. Методология исследования осно-вана на интеграции языковых моделей в LMS и включает следующие ключевые аспекты:

1. Теоретическое обоснование. Внедрение LLM в систему LMS направлено на улучшение взаи-модействия обучающегося с автоматизированной системой проверки заданий за счет возможности LLM понимать, анализировать и объяснять SQL-скрипты. Целью разработки является интеграция языковых моделей CodeS [16] и Llama 3.1 [17, 18] в сочетании с методами интеллектуального анализа: TAG (Text Annotation Generator – метод аннотации текста) [19] и RAG (Retrieval-Augmented Generation – метод генерации с извлечением контекста) [20] в LMS для создания адаптивного механизма проверки SQL-скриптов. Данный подход обеспечивает не только автоматизацию процесса проверки, но и персонализированную обратную связь на основе анализа решения обучающегося с учетом структуры базы данных и специфики SQL-запросов.

2. Экспериментальная база исследования. Экспе-риментальное исследование проводилось на базе двух образовательных учреждений: Московского городского педагогического университета (МГПУ) и МГТУ им. Н.Э. Баумана в течение двух учебных годов: 2023-2024 и 2024-2025. В исследовании приняли участие студенты различных уровней подготовки: среднего профессионального образования, бака-лавриата и магистратуры.

Распределение участников эксперимента по образовательным программам представлено в таб-лице 1.

Таблица 1 – Распределение участников эксперимента по образовательным программам

Учебное заведение	Направление подготовки	Образовательная программа	2023-2024	2024-2025	Всего
МГПУ	38.03.05 Бизнес-информатика	Аналитика данных и эффективное управление	80	90	170
МГПУ	38.04.05 Бизнес-информатика	Бизнес-аналитика и большие данные	25	30	55
МГПУ	44.04.01 Педагогическое образование	Интернет вещей в образовании	15	15	30
МГПУ	44.04.01 Педагогическое образование	Методика обучения информатике: программирование и большие данные	10	10	20
МГТУ им. Н.Э. Баумана	09.02.07 Информационные системы и программирование	Администратор баз данных. Программист	50	60	110

Общее количество участников эксперимента составило 385 человек, распределенных по различ-ным уровням образования: 110 обучающихся по программе среднего профессионального образования, 170 студентов бакалавриата и 105 магистрантов. Такое разнообразие образовательных программ и уровней подготовки позволяет всесторонне оценить эффективность разработанного метода в различных образовательных контекстах.

3. Этапы разработки системы. Разработка системы реализована в два основных этапа:

3.1. Создание базовой инфраструктуры LMS. Базовая инфраструктура включает следующие ком-поненты:

– Локальная система контроля версий Gogs [21]:

• Хранение и версионирование SQL-скриптов обучающихся.

• Взаимодействие с распределенными хранили-щами данных.

• Организация процесса тестирования.

– JOBE сервер:

• Безопасное выполнение тестов в изолированной среде Docker.

• Проверка SQL-скриптов на соответствие тес-товым сценариям.

• Верификация результатов выполнения в базе данных.

– RESTful API [22]:

• Координация взаимодействия между компо-нентами системы.

• Маршрутизация запросов к соответствующим хранилищам данных.

• Обработка результатов тестирования.

3.2. Интеграция языковых моделей и методов контекстного анализа.

Языковые модели:

– CodeS:

• Версии: 12B, 6B, 3B.

• Применение: анализ структуры SQL-запросов и синтаксическая проверка.

• Взаимодействие с RDB сервером для заданий типа «CodeRunner» и «вычисляемых вопросов».

– Llama 3.1:

• Версии: 70B, 32B, 8B.

• Применение: семантический анализ и кон-текстная обработка.

• Взаимодействие с HadoopDW для «закрытых вопросов» и «вопросов на соответствие».

Критерии выбора моделей:

– Размер контекстного окна (8K-128K токенов).

– Время отклика (до 200 мс).

– Точность анализа (не менее 85-90%).

– Возможность дообучения на специализиро-ванных наборах SQL-запросов.

Общая схема взаимодействия компонентов сис-темы представлена на рисунке 1, где:

– Gogs обеспечивает сохранение и управление SQL-скриптами;

– JOB Engine выполняет проверку и тестирование скриптов.

– RDB сервер хранит схемы данных и связи для заданий типа «CodeRunner» и «вычисляемых вопросов».

– HadoopDW содержит данные для заданий «закрытых вопросов» и «вопросов на соответствие».

Такая структура обеспечивает четкое разделение ответственности между компонентами системы и эффективное управление процессом проверки различных типов SQL-заданий.

4. Механизм выбора и применения моделей. Выбор языковой модели определяется спецификой задания и требованиями к анализу ответов. Для различных типов заданий применяются следующие комбинации моделей:

4.1. Для заданий типа «CodeRunner» и «вычисляемых вопросов», требующих анализа структуры базы данных и проверки SQL-скриптов, используется комбинация CodeS и TAG. Она обеспечивает:

– синтаксический анализ кода;

– семантическую проверку с учетом структуры БД.

4.2. Для «закрытых вопросов» и «вопросов на соответствие» применяется связка Llama 3.1 и RAG, которая обеспечивает:

– эффективную работу с текстовыми описаниями;

– извлечение релевантных примеров.

Реализация данного подхода осуществляется через алгоритм автоматизированной проверки, кото-рый учитывает специфику каждого типа заданий и особенности применяемых языковых моделей.

Рисунок 1 – Архитектура LMS системы с автоматизированной системой проверки SQL-скрипта обучающихся

Основные преимущества такого подхода:

– Адаптивность к различным типам заданий.

– Комплексный анализ ответов обучающихся.

– Возможность масштабирования системы про-верки.

– Повышение качества обратной связи за счет специализации моделей.

Ниже представлен алгоритм, реализующий дан-ный подход:

Требования:

– C (анализатор SQL-скрипта);

– T (анализатор типа задания);

– M (селектор модели проверки).

1 Ввод: t задание с типом и условиями, S = {s1, s2, ..., sk} (SQL скрипты и структура базы данных)

2 Вывод: r (результат проверки задания с обратной связью)

3 Инициализация:

4 Определение типа задания: тип_задания = T(t)

5 Выбор модели: model = M(тип_задания)

6 Обработка CodeS+TAG (если model == [CodeS+TAG]):

7 Проверка структуры БД //(SDB или TBD)

8 Синтаксический анализ

9 Инициализация пустого словаря оценки_синтаксиса = []

10 For each скрипт si in S do

11 оценка = C проверяет синтаксис si

12 оценки_синтаксиса.append(оценка)

13 end For

14 Семантический анализ: результат_семантики = CodeS.анализ(s, оценки_синтаксиса)

15 Оптимизация SQL

16 Обработка Llama+RAG (если model == [Llama+RAG]):

17 Поиск контекста context = RAG.поиск(t)

18 Оценка релевантности: trust_context = RAG.оценка(context) // оценка релевантности [0..1]

19 Расширенный поиск (при необходимости)

20 if trust_context < порог then // порог доверия к найденному контексту (trust_context < 0.85)

21 расширенный_context = RAG.расширенный_поиск(t) // поиск с учетом семантической // близости, актуальности и предметной области

22 context = context + расширенный_context

23 end if

24 Генерация ответа: answer = Llama.генерация(t, context)

25 r = Результат(answer, context)

5. Реализация интеграции языковых моделей. На основе представленного алгоритма реализована интеграция языковых моделей в обновленную архитектуру LMS системы. Выбор модели и метода анализа определяется типом задания:

5.1. Для заданий типа «CodeRunner» и «Вы-числяемые вопросы»:

– Используется связка CodeS+TAG для анализа SQL-скриптов;

– Осуществляется обращение к распределенному хранилищу данных:

• Метаданные таблиц – сервер HadoopDW (экосистема сервисов для хранения, обработки и анализа больших объёмов данных на основе Arenadata Hadoop 3).

• Схемы данных и связи – сервер RDB (массивно-параллельная реляционная аналитическая СУБД на основе PostgreSQL).

5.2. Для остальных типов заданий:

– Применяется связка Llama+RAG.

– Извлечение релевантных примеров из храни-лища HadoopDW.

5.3. Процесс обработки в общеуниверситетском кластере (рис. 2):

Получение ответа от JOB Engine:

– Результат проверки корректности SQL-скрипта.

– Метрики производительности.

Сбор комплексной информации обработчиком:

– Данные учебного модуля и задания.

– Решение обучающегося.

– Результаты тестирования.

– Структура БД (RDB сервер).

– Релевантные примеры (HadoopDW сервер).

Обработка языковыми моделями:

– CodeS+TAG: задания «CodeRunner» и «Вычис-ляемые вопросы».

– Llama+RAG: «Закрытые вопросы» и «Вопросы на соответствие».

Формирование результата:

– Структурированный анализ решения.

– Выявленные ошибки.

– Рекомендации по улучшению.

Передача результата обучающемуся через LMS.

6. Характеристики используемых языковых моделей. В системе используются модели CodeS и Llama, характеристики которых представлены в таблице 2.

6.1. Особенности CodeS. CodeS является семейством открытых языковых моделей, разра-ботанных международной группой исследователей из Института искусственного интеллекта AIRI и компании JetBrains Research. Модели CodeS, доступные в версиях 3B, 6B и 12B парамет-ров, специально оптимизированы для работы с программным кодом, скриптами и техническими текстами. Особенностью данного семейства моделей является эффективное контекстное окно (32K токе-нов для CodeS-12B, 16K для CodeS-6B и 8K для CodeS-3B), что позволяет анализировать объемные фрагменты кода и сопутствующей документации.

6.2. Особенности Llama 3.1. Llama 3.1 представляет собой новейшую версию открытой языковой мо-дели, разработанную компанией Meta AI Research. Семейство моделей Llama 3.1, включающее версии с 8B, 32B и 70B параметров, отличается улучшенной архитектурой с расширенным контекстным окном до 128K токенов и оптимизированным токенизатором. Модели Llama 3.1 продемонстрировали значитель-ный прогресс в задачах обработки естественного языка и программного кода по сравнению с пре-дыдущими версиями, что подтверждается резуль-татами бенчмарков на различных наборах данных. Важной особенностью Llama 3.1 является улуч-шенная возможность дообучения (fine-tuning) на спе-циализированных датасетах, что делает её особенно привлекательной для академических исследований.

Для моделей Llama указаны характеристики версии Llama 3.1(Meta AI, 2024). Для каждой модели указана версия, оптимальная для конкретного типа задач согласно результатам тестирования производительности.

6.2. Особенности Llama 3.1. Llama 3.1 представляет собой новейшую версию открытой языковой мо-дели, разработанную компанией Meta AI Research. Семейство моделей Llama 3.1, включающее версии с 8B, 32B и 70B параметров, отличается улучшенной архитектурой с расширенным контекстным окном до 128K токенов и оптимизированным токенизатором. Модели Llama 3.1 продемонстрировали значитель-ный прогресс в задачах обработки естественного языка и программного кода по сравнению с предыду-щими версиями, что подтверждается результатами бенчмарков на различных наборах данных. Важной особенностью Llama 3.1 является улучшенная воз-можность дообучения (fine-tuning) на специализи-рованных датасетах, что делает её особенно прив-лекательной для академических исследований.

Рисунок 2 – Архитектура LMS системы с автоматизированной системы проверки скрипта обучающегося

и интеграцией LLM + TAG для работы со структурой БД; LLM + RAG для извлечение релевантных примеров

Таблица 2 – Характеристики языковых моделей

Название LLM	Размер модели (параметры)	Размер контекстного окна (токены)	Возможность дообучения (fine-tune)	Доступность
CodeS-12B	12B	32K	Да	Academic License, Open Source
CodeS-6B	6B	16K	Да	Academic License, Open Source
CodeS-3B	3B	8K	Да	Academic License, Open Source
Llama 3.1 70B	70B	128K	Да	Academic License, бесплатно для исследований
Llama 3.1 32B	32B	128K	Да	Academic License, бесплатно для исследований
Llama 3.1 8B	8B	128K	Да	Academic License, бесплатно для исследований

Результаты. Оценка эффективности языковых моделей. В рамках проведенного исследования разработан и внедрен модуль автоматизированной проверки SQL-скриптов в LMS, основанный на применении больших языковых моделей и методов контекстного анализа. Созданный интеллектуальный механизм проверки кода интегрирует технологии TAG для работы со структурой баз данных и RAG для извлечения релевантных примеров, что позволяет обеспечить комплексный анализ ре-шений обучающихся, что подтверждается данными таблицы 3.

Анализ данных таблицы 3 показывает, что модель CodeS демонстрирует стабильно более высокую производительность: скорость обработки составляет 155-175 мс против 175-195 мс у Llama 3.1 для всех категорий задач при сохранении более высокой точности анализа (91.8-93.2% против 89.5-91.4%). Использовались версии CodeS-12B и Llama 3.1-70B как наиболее производительные для указанных задач.

Анализ адаптивного механизма. Анализ эффек-тивности адаптивного механизма показал значи-тельные улучшения в качестве проверки SQL-заданий различного уровня сложности.

Таблица 3 – Матрица соответствия типов задач и больших языковых моделей*

Категория задач	Модель	Точность анализа (%)	Среднее время обработки (мс)
Анализ SQL-запросов	CodeS	92.5	165
	Llama 3.1	90.2	185
Проверка синтаксиса	CodeS	91.8	155
	Llama 3.1	89.5	175
Оптимизация запросов	CodeS	93.2	170
	Llama 3.1	91.4	190
Генерация объяснений	CodeS	92.7	175
	Llama 3.1	90.8	195
Валидация структуры БД	CodeS	91.9	160
	Llama 3.1	89.7	180

* – Представленные метрики отражают разные аспекты анализа: для CodeS – непосредственную работу с SQL-скриптом, для Llama 3.1 – анализ текстовых описаний и объяснений.

Как видно из таблицы 4, адаптивный выбор моделей обеспечивает оптимальную точность анализа для различных типов задач:

– Для анализа SQL-скриптов с простым JOIN (≤ 2 таблиц) модель CodeS + TAG показывает точность 89%.

– При анализе текстовых описаний сложных многотабличных запросов (> 2 таблиц JOIN) Llama 3.1 + RAG обеспечивает точность 87%.

– В задачах проверки простых условий фильтрации (≤ 3 условий WHERE) CodeS + TAG достигает точности 91%.

– При валидации текстовых объяснений сложной агрегации данных (> 2 функции) Llama 3.1 + RAG демонстрирует точность 88%.

Такая дифференциация моделей особенно эффективна при работе с различными образо-вательными программами: базовые запросы для уровня СПО обрабатываются преимущественно связкой CodeS + TAG, в то время как сложные аналитические запросы на уровне бакалавриата и магистратуры успешно анализируются с помощью Llama 3.1 + TAG/RAG.

Детальный анализ эффективности моделей в определении некорректных запросов. Проведенная апробация позволила получить детальную оценку эффективности моделей в определении некоррект-но составленных SQL-запросов и предоставлении рекомендаций (табл. 5) для обучающихся.

Таблица 4 – Эффективность адаптивного выбора версий моделей по критериям сложности SQL-запросов

Критерий	Пороговое значение	Модель	Точность анализа (%)	Оптимальность выбора задачи
Сложность SQL-запроса (количество JOIN)	≤ 2 таблицы JOIN	CodeS + TAG	89	Простые запросы к связанным таблицам
Сложность SQL-запроса (количество JOIN)	> 2 таблицы JOIN	Llama 3.1 + TAG	87	Сложные многотабличные запросы
Вложенность подзапросов	≤ 2 уровня	CodeS + TAG	90	Запросы с простой вложенностью
Вложенность подзапросов	> 2 уровня	Llama 3.1 + TAG	88	Запросы со сложной вложенностью
Количество условий в WHERE	≤ 3 условия	CodeS + RAG	91	Простые условия фильтрации
Количество условий в WHERE	> 3 условия	Llama 3.1 + RAG	89	Сложные условия фильтрации
Использование агрегатных функций	≤ 2 функции	CodeS + RAG	90	Базовая агрегация данных
Использование агрегатных функций	> 2 функции	Llama 3.1 + RAG	88	Сложная агрегация с группировкой

Таблица 5 – Сравнительный анализ эффективности моделей в определении некорректно составленных SQL-запросов и предоставлении рекомендаций (в %)

Тип SQL-запроса и ошибки	CodeS + TAG (% верных рекомендаций)	Llama 3.1 + RAG (% верных рекомендаций)
Метод анализа	Синтаксический, семантический анализ SQL-скрипта	Анализ естественного языка, контекстная валидация
JOIN (≤ 2 таблицы)
Неверные условия соединения	89	87**
Отсутствие ключевых связей	87	85**
Некорректная структура	88	86**
JOIN (> 2, но не более 5)
Сложные многотабличные связи	87	87**
Избыточные соединения	85	89**
Проблемы оптимизации	82***	-
Подзапросы (≤ 2 уровня)
Некорректная вложенность	90	88**
Ошибки в структуре	89	87**
Логические несоответствия	88	89**
Подзапросы (> 2, но не более 3)
Сложная вложенность	88	88**
Проблемы оптимизации	81***	-
Избыточность подзапросов	86	87**
WHERE (≤ 3 условия)
Логические ошибки	91	89**
Некорректные операторы	90	88**
Ошибки в условиях	89	87**
WHERE (> 3, но не более 5)
Сложные условия	89	89**
Избыточные фильтры	88	90**
Проблемы оптимизации	83***	-
Агрегатные функции (≤ 2)
Неверная группировка	90	88**
Ошибки в вычислениях	89	87**
Некорректные функции	88	86**
Агрегатные функции (> 2)
Сложные вычисления	88	88**
Проблемы оптимизации	82***	89**
Избыточная агрегация	86	88**

** – оценка корректности на основе текстового описания решения, предоставленного обучающимся, где LLM предоставляет пояснение.

*** – низкие показатели связаны с ограниченным корпусом данных CodeS + TAG для задач оптимизации, который обновляется только раз в год.

Оптимизация системных ресурсов. Внедрение адаптивного механизма выбора моделей привело к существенной оптимизации использования вычис-лительных ресурсов (табл. 6).

Достигнутые улучшения связаны с эффективным распределением задач между моделями:

CodeS + TAG применяется для синтаксического и семантического анализа SQL-скриптов, Llama 3.1 + RAG используется для анализа текстовых описаний и контекстной валидации решений, что обеспечивает оптимальное соотношение производительности и потребления ресурсов.

В результате нагрузка на процессор снизилась с 85% до 65%, уменьшилось потребление RAM с 24 GB до 18 GB. Использование специализированных моделей для конкретных типов задач позволило сократить среднее время отклика системы с 2.5 до 1.9 секунд, что напрямую повлияло на увеличение пропускной способности с 50 до 62 запросов в минуту.

Эти улучшения особенно важны для образовательных и производственных сценариев, где требуется высокая скорость обработки и минимальные задержки при проверке SQL-заданий.

Таблица 6 – Оптимизация ресурсов при использовании адаптивного механизма

Параметр	До внедрения	После внедрения
CPU utilization	85%	65%
RAM usage	24 GB	18 GB
Время отклика	2.5 с	1.9 с
Пропускная способность	50 зап/мин	62 зап/мин

Обсуждение. Разработанный модуль автоматизи-рованной проверки SQL-скриптов в LMS демонст-рирует значительный прогресс в применении больших языковых моделей и методов контекстного анализа. Основные преимущества разработанного решения:

Повышение точности и скорости анализа:

– Точность анализа: 89.5-93.2% (против 82-85% в традиционных системах).

– Время обработки: 155-195 мс (против 3-4 секунд в стандартных LMS).

Адаптивный подход к проверке:

В отличие от существующих LMS-решений, использующих унифицированный подход, разра-ботанный модуль применяет дифференцированную стратегию:

– CodeS + TAG: оптимизирован для анализа структуры SQL-запросов, достигая точности до 93.2% при времени обработки 155-175 мс.

– Llama 3.1 + RAG: эффективен для семантичес-кого и контекстного анализа с точностью до 91.4% при времени обработки 175-195 мс.

Образовательный контекст. Модуль показал различную эффективность для разных уровней образования:

– СПО: оптимальное использование CodeS + TAG для анализа базовых SQL-запросов, за счет большего количества отведенного времени на практические занятия.

– Бакалавриат и магистратура: эффективное применение Llama 3.1 + RAG для валидации описаний сложных аналитических решений.

Особенности и различия моделей. CodeS + TAG специализируется на прямом анализе SQL-кода, обеспечивая детальную проверку синтаксиса, семантики и оптимизации запросов. Модель спо-собна предоставлять конкретные рекомендации по исправлению и улучшению SQL-скриптов. Точность определения ошибок достигает 90-91% для базовых конструкций, но снижается до 81-83% для задач оптимизации из-за ограниченного корпуса данных.

Llama 3.1 + RAG фокусируется исключительно на анализе текстовых ответов студентов на предва-рительно заданные вопросы. Модель не анализирует SQL-код напрямую, а оценивает правильность и полноту текстовых объяснений студентов. При этом точность достигает 88-90 для задач оптимизации благодаря большому объему обучающих данных по описанию проблем производительности.

Анализ проблем и ограничений. Различие в под-ходах к формированию наборов данных приводит к принципиально разным способностям анализа. CodeS + TAG с ручным созданием наборов данных для тонкой настройки обеспечивает комплексный анализ SQL-скрипта. Llama 3.1 + RAG с использованием открытых данных имеет больший объем, но менее специализированных данных, что особенно критично при малой доле (5%) программного кода в наборе данных для тонкой настройки [23]. Ежегодное обновление корпуса обратной связи позволяет постепенно улучшать качество рекомендаций обеих моделей, но не решает фундаментальных ограни-чений исходной архитектуры наборов данных Llama 3.1 в работе с SQL-скриптами.

Результаты апробации. Представленные резуль-таты получены в ходе апробации моделей в течение 2023-2024 и 2024-2025 учебных годов. Однако комплексный анализ ошибок проводился только в 2024 году. Это связано с отсутствием настроенной системы автоматического переобучения для модели CodeS + TAG на обновленном наборе данных. Текущие ограничения ручного обновления корпуса данных являются одним из ключевых направлений дальнейшего развития модели.

Направления совершенствования. Ключевым направлением улучшения является разработка сис-темы автоматического переобучения CodeS + TAG, которая позволит осуществлять непрерывный анализ новых типов ошибок, оперативно обновлять корпус данных в течение учебного года, улучшить показатели оптимизации запросов с текущих 81-83% и повысить адаптивность модели к новым пат-тернам ошибок студентов.

Выводы. Разработанный модуль автоматизи-рованной проверки SQL-скриптов в LMS, реали-зующий интеграцию больших языковых моделей (CodeS, Llama 3.1) и методов интеллектуального анализа (TAG-, RAG-метод), продемонстрировал высокую эффективность в исследовании. Приме-нение разработанного метода адаптивного выбора моделей в совокупности с контекстным анализом позволило существенно улучшить показатели автома-тизированной проверки: точность анализа SQL-кода с помощью CodeS + TAG достигла 90.2-93.5%, а точность валидации текстовых описаний с помощью Llama 3.1 + RAG составила 87-90%, что значитель-но превосходит показатели традиционных систем проверки.

Предложенный алгоритм организации инфор-мационного взаимодействия в модуле с интегри-рованными технологиями TAG и RAG обеспечил эффективную работу с различными типами SQL-запросов в LMS. Высокие показатели точности анализа достигнуты для всех категорий запросов: от простых до сложных многотабличных конструкций с вложенными подзапросами. Существенная опти-мизация системных ресурсов позволила обеспечить стабильную работу системы при нагрузках, харак-терных для образовательного процесса.

Дальнейшее развитие системы сосредоточено на создании механизма автоматического переобучения модели CodeS + TAG для повышения эффектив-ности анализа новых типов ошибок и оперативного обновления корпуса данных. Интеграция механиз-мов автоматического обновления корпуса в сочетании с расширением поддержки сложных типов SQL-запросов позволит создать более эффективную и адаптивную систему автоматизированной проверки SQL-заданий, отвечающую современным требо-ваниям цифрового образования. Такой комплексный подход к развитию системы обеспечит качест-венный скачок в эффективности проверки SQL-заданий и предоставлении персонализированной обратной связи обучающимся.

СПИСОК ЛИТЕРАТУРЫ:

1. Лавриненко И.Ю. Перспективы использования LMS в рамках современного высшего образования / И.Ю. Лавриненко // Научно-методический электронный журнал "Концепт". – 2023. – № 1. – С. 17-35. – DOI 10.24412/2304-120X-2023-11002. – EDN JBMUHS.

2. Taipalus T. SQL Education: A Systematic Mapping Study and Future Research Agenda / T. Taipalus, V. Seppänen // ACM Transactions on Computing Education. – 2020. – Vol. 20, № 3. – Article 20. – P. 1-33. – DOI 10.1145/3398377.

3. Ченгарь О.В. Разработка внешнего инструмента LMS Moodle для интеграции в учебный курс «базы данных» / О.В. Ченгарь, Е.Н. Мащенко // Естественные и технические науки. – 2023. – № 5(180). – С. 41-47. – EDN SOPNHN.

4. Ishaq M. Advances in database systems education: Methods, tools, curricula, and way forward / M. Ishaq [et al.]. – DOI: 10.1007/s10639-022-11293-0 // Education and Information Technologies. – 2023. – Vol. 28. – P. 2681-2725.

5. Жуков И.А. Система контроля знаний и практических навыков по программированию / И.А. Жуков, Ю.Л. Костюк // Информатика и образование. – 2023. – Т. 38, № 2. – С. 66-74. – DOI 10.32517/0234-0453-2023-38-2-66-74. – EDN RKGNXU.

6. Гумберг Н.С. Программа сбора, хранения и анализа данных процессов тестирования обучающихся / Н.С. Гумберг // Перспективы науки. – 2024. – № 1(172). – С. 22-26. – EDN CZUVDI.

7. Искусственный интеллект в российском высшем образовании: текущее состояние и перспективы развития / С.Г. Давыдов, Н.Н. Матвеева, Н.В. Адемукова, А.А. Вичканова // Университетское управление: практика и анализ. – 2024. – Т. 28, № 3. – С. 32-44. – DOI 10.15826/umpa.2024.03.023. – EDN FELSPP.

8. Данилов А.Д. Исполнение SQL-подобных запросов в распределенных гетерогенных системах на базе Apache Hadoop / А.Д. Данилов, М.О. Саввин, А.Е. Карачевцев // Вестник Воронежского государственного технического университета. – 2024. – Т. 20, № 3. – С. 58-63. – DOI 10.36622/1729-6501.2024.20.3.008. – EDN JFXUDU.

9. Никифоров, А.В. Как внедрение непрерывной интег-рации и тестирование помогает обеспечить соответствие требованиям при разработке программного продукта / А.В. Никифоров // International Journal of Professional Science. – 2023. – № 4. – С. 88-96. – EDN JYKVWO.

10. JOBE: A restful server for running code jobs under sandbox conditions: [репозиторий] / R. Lobb. URL: https://github.com/trampgeek/jobe (дата обращения: 02.06.2024).

11. Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S. и др. Testing of detection tools for AI-generated text. Int J Educ Integr. 2023. Т. 19, № 26. DOI: 10.1007/s40979-023-00146-z.

12. Назаров Д.М. Применение больших языковых моделей в образовательном процессе / Д.М. Назаров, С.В. Бегичева // Бизнес. Образование. Право. – 2024. – № 3(68). – С. 430-436. – DOI 10.25683/VOLBI.2024.68.1057. – EDN EGTHFW.

13. Gao D., Wang H., Li Y., Sun X., Qian Y., Ding B., Zhou J. Text-to-SQL empowered by large language models: A benchmark evaluation // arXiv preprint arXiv:2308.15363. – 2023. – Vol. 17, № 5. – P. 1132-1145. DOI: 10.14778/3641204.3641221.

14. Босенко Т.М. Анализ микросервисной архитектуры в среде e-learning с многовариантным доступом к учебным материалам / Т.М. Босенко // Международный научно-исследовательский журнал. – 2024. – № 10(148). – DOI 10.60797/IRJ.2024.148.65. – EDN HIHMRP.

15. Лапко А.Н. Методологический инструментарий автоматизированной проверки правильности составления SQL-запросов / А.Н. Лапко, М.А. Куцакин, В.А. Дунаев, М.В. Чемодуров // Системы управления и информационные технологии. – 2020. – № 4(82). – С. 97-101. – DOI 10.36622/VSTU.2020.13.30.022. – EDN OYXXBA.

16. Li H., Zhang J., Liu H., Fan J., Zhang X., Zhu J., Chen H. Codes: Towards building open-source language models for text-to-SQL // Proceedings of the ACM on Management of Data. – 2024. – Vol. 2, № 3. – P. 1-28. – DOI: 10.1145/3654930.

17. Touvron H., Martin L., Stone K., Albert P., Almahairi A., Babaei Y., et al. Llama 2: Open Foundation and Fine-Tuned Chat Models // arXiv:2307.09288 [cs.CL]. 2023. DOI: 10.48550/arXiv.2307.09288.

18. Touvron H., Lavril T., Izacard G., Martinet X., Lachaux M.A., Lacroix T., Lample G. Llama: Open and efficient foundation language models // arXiv preprint arXiv:2302.13971. – 2023. URL: https://arxiv.org/abs/2302.13971 (дата обращения: 12.10.2024).

19. Biswal A. et al. Text2SQL is not enough: Unifying ai and databases with tag //arXiv preprint arXiv:2408.14717. – 2024. – P. 1-10. – DOI 10.48550/arXiv.2408.14717.

20. Gao Y. et al. Retrieval-augmented generation for large language models: A survey //arXiv preprint arXiv:2312.10997. – 2023. – P. 1-21. – DOI 10.48550/arXiv.2312.10997.

21. Gogs: A painless self-hosted Git service: [сайт]. URL: https://gogs.io/docs (дата обращения: 02.06.2024).

22. Lobb R. Jobe: REST API Version 1.0 / R. Lobb. – Текст: электронный // GitHub: [сайт]. – 2015. – 17 March. – URL: https://github.com/trampgeek/jobe/blob/master/restapi.pdf (дата обращения: 02.06.2024).

23. Zhao W.X. A Survey of Large Language Models / W. X. Zhao [и др.] // arXiv.org: [сайт]. – 2024. – URL: https://arxiv.org/abs/2303.18223 (дата обращения: 14.11.2024).

Статья поступила в редакцию 04.02.2025

Статья принята к публикации 19.03.2025

УДК 62-519

EDN: NCLNWR

К ВОПРОСУ РАЗВЕРТЫВАНИЯ И ИНТЕГРАЦИИ СИСТЕМ УДАЛЕННОГО КОНТРОЛЯ

И УПРАВЛЕНИЯ НА БАЗЕ ИНТЕРНЕТ-МЕССЕНДЖЕРА

© Автор(ы) 2025

SPIN: 8710-9567

AuthorID: 767645

ORCID: 0009-0005-5874-746X

ШЕСТОВ Руслан Владимирович, соискатель,

старший преподаватель кафедры «Информатика и системы управления»

Самарский государственный технический университет филиал в городе Сызрани

(446026, Россия, Сызрань, улица Советская, 122, e-mail: BimerM3@mail.ru)

ORCID: 0009-0002-3962-0875

ВЛАДИМИРОВ Константин Григорьевич, инженер

АО «Сызранский НПЗ»

(446026, Россия, Сызрань, улица Советская, 45, e-mail: konstantin.g.vl@yandex.ru)

ORCID: 0009-0006-1627-3582

МИЛИХИНА Ксения Михайловна, студентка кафедры «Информатика и системы управления»

Самарский государственный технический университет филиал в городе Сызрани

(446020, Россия, Сызрань, улица Гагарина, 28, e-mail: cjumpy6@gmail.com)

Аннотация. В данной статье предлагается один из методов развертывания дополнительного канала дистанционного контроля и регулирования, далее КДКиУ, интегрированного в состав программного обеспечения верхнего уровня системы управления модульной котельной установки. Такие установки получают все более широкое распространение на предприятиях топливно – энергетического комплекса и, в частности, используются на удаленных месторождениях. В условиях, когда технологические установки находятся на значительном удалении друг от друга эксплуатанты не всегда имеют в штате высококвалифицированный персонал, способный оперативно ее обслужить на месте, чаще приходится обеспечивать доставку специалистов на удаленные месторождения, где установка эксплуатируется, что сопряжено с временными и экономическими издержками. Целью проведенного исследования явилась оценка целесообразности интеграции дополни-тельного КДКиУ, который позволил бы одновременно удаленно контролировать и при необходимости из-менять параметры работы технологического оборудования нескольких автоматизированных установок вне зависимости от нахождения на установке обслуживающего персонала, а также повысить скорость информирования служб ТОиР о возникновении отклонений в работе технологического оборудования с целью принятия возможных мер. Изыскания проводились на базе автоматизированной модульной котельной установки с аппаратным обеспечением фирмы «ОВЕН» и системой диспетчерского управления на базе SCADA системы MASTER SCADA 4D. Обязательным условием при разработке программного обеспечения явилась простота его интеграции в состав эксплуатируемой системы регулирования. Были рассмотрены различные способы построения КДКиУ – использование существующих пакетных предложений на базе GSM/WEB – технологий, облачных систем и непосредственно разработка своего программного обеспечения. В результате проведенных исследований было разработано программное обеспечение позволившее одновременно удаленно управлять и контролировать ряд эксплуатационных параметром электромашинного оборудования нескольких удаленно расположенных технологических установок посредством использования мобильного устройства связи. К особенностям программного обеспечения следует отнести широкие функциональные возможности, наличие меток времени, возможность дистанционного визуального контроля выполнения поступивших команд и скорость передачи информации.

Ключевые слова: PYTHON, TELEGRAM, MASTER SCADA 4D, ДЕКОРАТОР MESSAGE_HANDLER, OS-CAT, ОВЕН ПЛК 110, ОВЕН ПЧВ, JSON.

ON THE ISSUE OF DEPLOYMENT AND INTEGRATION OF REMOTE CONTROL AND MANAGEMENT SYSTEMS BASED ON THE INTERNET MESSENGER

© The Author(s) 2025

SHESTOV Ruslan Vladimirovich, applicant,

senior lecturer of the Department of Computer Science and Control Systems

Samara State Technical University branch in Syzran

(122 Sovetskaya Street, Syzran, 446026, Russia, e-mail: BimerM3@mail.ru)

VLADIMIROV Konstantin Grigoryevich, engineer

JSC "Syzran Refinery"

(446026, Russia, Syzran, Sovetskaya Street, 45, e-mail: konstantin.g.vl@yandex.ru)

MILIKHINA Ksenia Mikhailovna, student of the Department of "Informatics and Control Systems"

Samara State Technical University branch in Syzran

(446020, Russia, Syzran, Gagarin Street, 28, e-mail: cjumpy6@gmail.com)

Abstract. This article proposes one of the methods for deploying an additional remote monitoring and control channel, hereinafter referred to as RMC&C, integrated into the upper-level software of the modular boiler plant control system. Such plants are becoming increasingly widespread at enterprises in the fuel and energy sector and, in particular, are used at remote fields. In conditions where process plants are located at a considerable distance from each other, operators do not always have highly qualified personnel on staff capable of promptly servicing them on site; it is often necessary to provide for the delivery of specialists to remote fields where the plant is operated, which is associated with time and economic costs. The purpose of the study was to assess the feasibility of integrating an additional RMC&C that would allow for simultaneous remote monitoring and, if necessary, changing the operating parameters of process equipment of several automated plants regardless of the presence of service personnel at the plant, as well as increasing the speed of informing maintenance and repair services about deviations in the operation of process equipment in order to take possible measures. The research was conducted on the basis of an automated modular boiler plant with hardware from OWEN and a dispatch control system based on the SCADA system MASTER SCADA 4D. A mandatory condition for the development of software was the simplicity of its integration into the operating control system. Various methods of building a control and monitoring system were considered - the use of existing package offers based on GSM / WEB technologies, cloud systems and directly the development of our own software. As a result of the research, software was developed that allowed simultaneous remote control and monitoring of a number of operational parameters of electrical machinery equipment of several remotely located process units using a mobile communication device. The features of the software include wide functionality, the presence of time marks, the ability to remotely visually monitor the execution of incoming commands and the speed of information transfer.

Keywords: PYTHON, TELEGRAM, MASTER SCADA 4D, MESSAGE_HANDLER DECORATOR, OS-CAT, ARIES PLC 110, ARIES PCHV, JSON.

Для цитирования: Шестов Р.В. К вопросу развертывания и интеграции систем удаленного контроля и управления на базе интернет-мессенджера / Р.В. Шестов, К.Г. Владимиров, К.М. Милихина // XXI век: итоги прошлого и проблемы настоящего плюс. – 2025. – Т. 14. – № 1(69). – С. 18-27. – EDN: NCLNWR.

Введение. Причиной, побудившей авторов к разработке описываемого КДКиУ, явилась потреб-ность одного из эксплуатантов автоматизированных модульных котельных установок (АМКУ) в уменьшении расходов на их администрирование и обслуживание. Решение этой потребности заказчик видел в сокращении количества обслуживающего персонала за счет использования системы дис-петчерского контроля и управления (СДКиУ) с возможностью удаленного администрирования через Internet. По задумке эксплуатанта предполагалось, что при внедрении системы управления с такой архитектурой один оператор сможет обслуживать несколько АМКУ, расположенных на значительном удалении друг от друга. Фактически развертывание дополнительного КДКиУ позволяло «отвязать» оператора от стационарного диспетчерского пункта, но при этом сохранить для него возможность опе-ративного внесения изменений в технологический процесс при возникновении такой необходимости в любое время суток и из любой точки земного шара, где есть доступ в Internet. Отмеченная особенность способствовала практической реализации задачи удаленного администрирования СДКиУ нескольких АМКУ при помощи одного смартфона. Учитывая ве-роятные сложности, которые могли возникнуть, как при развертывании КДКиУ, так и при его интеграции в состав используемой СДКиУ было принято решение первоначально разработать канал, который бы поз-волил реализовать задачи удаленного контроля и управления исключительно насосным оборудова-нием машинного зала одной из АМКУ. Такой подход позволил практически отработать предлагаемую технологию, оценить правильность принятых мер и целесообразность их внедрения. Дальнейшее масштабирование разработанного КДКиУ на осталь-ные АМКУ не вызывает значительных затрудне-ний вследствие идентичности комплектов систем управления АМКУ.

Методология. В этом разделе хотелось бы ос-ветить вопросы, касающиеся возможных подходов к развертыванию КДКиУ. Анализ предлагаемых промышленностью решений, позволил сформировать следующие возможные подходы к разработке:

– использование облачных систем;

– использование специального аппаратного обес-печения для передачи информации по GSM каналам;

– использование web-технологий;

– разработка своего программного обеспечения.

Каждый из рассматриваемых методов имел как свои достоинства, так и недостатки. Казалось бы, что наиболее рациональным подходом для решения поставленной эксплуатантом задачи яв-ляется использование облачных систем, таких как OwenCloud [6] или DISP SKY [7]. К достоинствам облачных систем следовало отнести то, что они достаточно широко представлены на рынке, могут быть легко интегрированы в существующую сис-тему управления АМКУ и лишены затруднений с технической поддержкой при их эксплуатации. К недостаткам рассмотренных облачных систем, по мнению авторов, следует отнести то, что, во-первых, они платные, во-вторых, при их эксплуатации могут наблюдаться некоторые затруднения, связанные с потерей связи, а кроме того для их развертывания и уверенной эксплуатации производитель рекомен-дует использовать дополнительное аппаратное обеспечение – сетевые шлюзы, например, для связи с OwenCloud производитель рекомендует использовать шлюз ПМ210 – GSM (2G).

Несмотря на отмеченные недостатки облачных систем в инициативном порядке коллективом авторов все же были проведены исследовательские работы, в ходе которых осуществлялись попытки подключения к обеим облачным системам, когда ПК, на базе которого работала система диспетчерского управле-ния был использован в качестве сервера для связи УУ с облачными сервисами. Упомянем, также, что при подключении к DISP SKY использовался ОРС-сервер MasterOPC Universal Modbus Server фирмы ИНСАТ. Подробные рекомендации, касающиеся подключе-нию к OwenCloud и DISP SKY широко представ-лены в открытых источниках [6,7]. Подключение осуществлялось через мобильный Internet ПАО «МЕГАФОН» в дневное время суток, 4G – сеть. Результаты, полученные в ходе этих экспериментов, были продемонстрированы эксплуатанту, но не удовлетворили его в плане частоты обновления данных. Возможным решением этих проблем была бы активация тарификации, но заказчик работ с этим предложением не согласился.

Предложение, касающееся комплектования сис-темы управления GSM/GPRS-модемом, ОВЕН ПМ01, также было отклонено заказчиком, так как объем пе-редаваемой информации по GSM каналу достаточно небольшой. В принципе если задача заключалась бы исключительно в передаче предупреждений и аварийных сообщений, то этого канала было бы вполне достаточно, однако для решений более масш-табных задач такая архитектура системы управления уже не подходила.

В связи с этим было принято решение разработать собственное программное обеспечение. Проработка этого вопроса позволила принять к рассмотрению две концепции, при которых контроль и управление насосными агрегатами могли бы осуществляться посредством:

– web-сервера, к которому оператор может обратиться через web-браузер;

– одного из популярных мессенджеров.

На первый взгляд использование web-сервера казалось более перспективным тем более, что входящее в состав АСУ программное обеспечение позволяло реализовать эту задачу без особых затруднений. В частности, первоначально предпо-лагалось воспользоваться штатным Internet-клиентом SCADA системы, однако впоследствии выяснилось, что он лишен возможности управления, что явля-лось неприемлемым. Другой вариант подразумевал использование в качестве WEB-сервера самой MasterSCADA 4D, а связь с ней должна была реализо-вываться с использованием технологии ОРС UA, но при такой реализации канала, для полноценного взаимодействия с ним, использование смартфона было бы уже достаточно неудобным, а функционал самого канала избыточным. Кроме того, существовала вероятность, что эксплуатанту придется приобре-тать лицензию на использование специализирован-ного программного обеспечения, а также не стоило забывать о длительности загрузки страницы, которая могла быть достаточно большой и зависимой от степени загрузки оборудования провайдера. Иные способы использования концепции с web-сервером – когда могла потребоваться разработка ПО, были более затратными как по времени, так и экономически. В результате получалось, что объем и стоимость работ при практической реализации концепции с использованием web-сервера оказывались не прием-лемыми для заказчика – более целесообразным было бы использование готовых облачных технологий, но этот вариант по известным причинам заказчика также не устраивал. В этой связи была принята к рассмотрению вторая концепция, где предполагалось разработать программное обеспечение, которое позволило бы реализовать удаленный контроль и управление насосными агрегатами машинного зала модульной котельной посредством использования одного из распространенных на рынке мессенджеров.

Поиск решения для поставленной задачи под-разумевал необходимость ознакомления с исполь-зуемым на котельной установке программно-аппаратным комплексом. В ходе изучения этого комплекса было выявлено, что система управления насосным оборудованием подачи теплоносителя потребителям была разработана на базе аппаратного обеспечения фирмы ОВЕН. СДКиУ была реализован на базе SCADA-системы MASTER SCADA 4D фирмы ИНСАТ, исполнительный модуль Free.

В АМКУ эксплуатировалась группа из двух центробежных насосов, где один использовался в режиме основного, а второй в режиме резервного. Проектировщиками была предусмотрена программная возможность переключения режимов эксплуатации насосов с целью равномерного расходования ресур-сов. Управление электромашинным оборудованием производилось за счет использования частотно регулируемого электропривода со скалярным управ-лением. Были предусмотрены контуры противоава-рийной защиты (ПАЗ):

– от «сухого» хода центробежного насоса;

– от значительных колебаний давления в напор-ном трубопроводе.

Обмен информацией между управляемым преобразователем частоты (УПЧ) и устройством управления (УУ) реализован посредством протокола ModBus RTU. В качестве УУ используется програм-мируемый логический контроллер ОВЕН ПЛК 110. Обмен информацией между УУ и АРМ развернутом на базе ПК реализован через протокол ModBus TCP/IP.

В ходе анализа программных кодов выяс-нилось, что СДКиУ не содержала программной сос-тавляющей, а представляла собой исключительно интерфейс для взаимодействия оператора с АСУ – содержало мнемосхему процесса, отражала текущие параметры работы, позволяла задавать уставки технологических параметров, настраивать систему аварийного оповещения и т.д. Непосредственно само ПО – программы регулирования, смены режимов эксплуатации электродвигателей, ПАЗ, предупредительной сигнализации были реализованы на базе УУ. Последующий анализ этого ПО и технической документации аппаратных средств АСУ позволил установить, что для программирования УУ использовалась среда для программирования ПЛК CodeSys V2.3, а само ПО было разработано с использованием языков стандарта IEC 61131/3 – FBD, LD и Techno ST.

Разрабатываемое программное обеспечение соз-давалось в два этапа. На первом этапе потребовалось проработать процесс обмена информацией между УУ и преобразователем частоты. Для решение этой задачи была использована специализированная биб-лиотека ОВЕН ПЛК_ПЧВ_v2.lib 26.7.19 [2]. С целью упрощения чтения программного кода сторонними разработчиками для его написания был использован язык функциональных блоков FBD. Нелишним здесь будет уточнение, что описываемая библиотека была разработана для работы непосредственно с преобразователями частоты фирмы ОВЕН, что не позволяет ее использовать для работы с приборами иных производителей. В состав описываемой библиотеки входит четыре основных FBD блока – com_word_fb, stat_word_fb, task_fb и value_fb. Условно все эти блоки можно разделить на две группы – управляющие и информационные. К управляющим блокам относятся блоки com_word_fb, task_fb, а к информационным соответственно stat_word_fb и value_fb.

Управляющий блок com_word_fb главным обра-зом предназначен для запуска/останова/реверсирова-ния электромашинного агрегата и конфигуриро-вания режима торможения, а блок task_fb для задания параметров выходной мощности – текущего значения выходной мощности, граничных значений допустимых частот, интенсивности торможения и др. Информационные блоки использовались исключительно для формирования сигналов обрат-ных связей с целью их передачи на как на экран автоматизированного рабочего места оператора, так и через КДКиУ.

Фактически функциональные возможности АСУ в плане контроля/управления ИМ определялись блоками библиотеки ПЛК_ПЧВ_v2.lib 26.7.19. От-метим, что не все входы/выходы управляющих и контролирующих блоков были задействованы, в частности не использовались параметры, которые способствовали реализации дискретного изменения процента мощности использования ИМ, была отключена возможность указания иного источника задания за исключением интерфейса RS-485 и исключена возможность реверсирования двигателя.

Входы управляющих FBD блоков com_word_fb, task_fb связывались с тегами СДКиУ, выходы с регистрами ИМ, входы информационных FBD блоков stat_word_fb и value_fb напротив связывались с регистрами ИМ, а выходы с тегами СДКиУ. Таким образом УУ являлось ведущим устройством для аппаратного обеспечения полевого уровня и подчиненным устройством для устройств, расположенных на верхнем уровне. Нелишним здесь будет упоминание, что в состав описываемой АСУ были включены реле давления с поддержкой унифицированного выходного сигнала, используемые в качестве датчиков обратных связей с целью защиты электромашинного оборудования от эксплуатации в режиме «сухого» хода.

В ходе разработки КДКиУ потребовалось решить вопрос, касающийся способа обмена инфор-мацией между пользователем и ИМ. Было оче-видно, что в любом случае требуется разработать ПО, которое позволит связать ИМ с пользователем эксплуатирующим КДКиУ, но запросы/команды, указываемые этим пользователем, можно пере-сылать как через СДКиУ, так и непосредственно. Использование метода, при котором пользователь взаимодействует с ИМ через СДКиУ подразумевает работу с текстовым форматом обмена данными JSON или XML, а при непосредственном обмене информацией следует разработать скрипт, который позволит организовать обмен информацией между ПО КДКиУ с ИМ через протокол ModBus. Эксплуатанту был предложен вариант, при котором в КДКиУ будут учтены обе эти возможности, причем вариант управления непосредственно через протокол предполагалось реализовать в качестве резервного на случай отказа СДКиУ или возникновения проблем в ее работе, однако в процессе согласования эксп-луатант принял решение отказаться от возможности управления ИМ через протокол и первоначально проработать вопросы, касающиеся использования формата JSON [3, 4].

Результаты. Прежде чем переходить к описанию программного обеспечения хотелось бы отдельно упомянуть причины побудившие использовать именно TELEGRAM. В принципе здесь все достаточ-но очевидно – этот мессенджер является наиболее распространенным в настоящее время, кроме того, в сети представлено огромное количество справочных материалов, касающихся создания ботов на его базе.

Организация процесса обмена информацией между верхним и средним уровнем системы управления подразумевала использования файлов JSON или XML. Применительно к рассматриваемой системе управления более удобным оказалось работать c файлом JSON, так как возможность работы с этими файлами поддерживается эксплуатируе-мой на установке SCADA системой MASTER SCADA 4D. Фактически этот файл используется для передачи команд поступающих/передаваемых от/к пользователя/пользователю.

Использование формата JSON указывает на необходимость работы с перечнем ключ/значение, где под понятием ключа подразумевается параметр управляемого преобразователя частоты, состояние которого будет изменяться пользователем КДКиУ, значение есть состояние ключа, которое указывает пользователь в процессе эксплуатации КДКиУ. Ор-ганизация взаимодействия посредством формата JSON потребовала создания файла, который бы хра-нил перечень ключей и их начальных значений. В ходе работы над программным обеспечением параметры, с которыми предполагалось работать условно были разделены на три группы:

– управления и конфигурации;

– обратной связи;

– текущего состояния.

Параметры управления и конфигурации ИМ предназначены для пуска/останова электропривода, выбора режим останова, указания процентов тре-буемой мощности использования электродвигателя и использования постоянного тока при активации соответствующего режима торможения.

Параметры обратной связи позволяют оценить текущее состояние электропривода, в частности готовность электропривода к запуску, выбранный режим торможения, активацию/деактивацию авто-матического режима управления, запуск электроп-ривода и выход его на уставку.

Параметры текущего состояния используются с целью контроля напряжение электрической сети, питающей ИМ, значения как непосредственно самого тока подаваемого на ИМ, так и его частоты, а также мощности.

Согласно этим группам, были созданы три файла – управления и конфигурации, обратной связи и текущего состояния. В принципе потребность создание трех файлов вместо одного была вовсе не обязательной, основным фактором, повлиявшим в пользу этого решения, явилось желание упрощения процесса последующего написания и отладки ПО.

Значения ключей связывались с тегами СДКиУ, что позволяло производить их изменения как с экрана автоматизированного рабочего места оператора, так и посредством использования КДКиУ. Здесь основной сложностью явилась задача конвертации данных в строковый вид с целью их последующей передачи/получения ПО/от ПО КДКиУ. Эта задача была ре-шена посредством использования штатных средств SCADA-системы MASTER SCADA 4D [4]. Результа-том решения этой задачи явилась FBD диаграмма отображенная на рисунке 1, которая позволяла инвертировать массивы данных в строковый вид и соответственно строки в массивы с последующей записью/чтением в/из файла.

Рисунок 1 – FBD-диаграмма конвертации типов данных

Необходимость формирования тактов преоб-разования типов данных и чтения/записи этих данных в файлы, хранящие перечни пар ключ/значение, потребовала интеграции в описывае-мую FBD-диаграмму генераторов прямоугольных сигналов. Описание настройки FBD блоков, реализующих описываемые генераторы в рамках статьи, представляется не целесообразным, так как соответствующая информация представлен в справке SCADA системы MASTER SCADA 4D.

Не лишним будет упоминание о цели, которая преследовалась в ходе разработки диаграммы и послужила причиной использования генератора прямоугольного сигнала, формирующего импульсы с большей задержкой чем остальные и использова-ния 4, а не 3 групп параметров по количеству форми-руемых json-файлов.

Потребность в использовании этого блока и других связанных с ним блоков обусловлена необхо-димостью сохранения возможности управления ИМ из машинного зала. Дело в том, что при изменении параметров ИМ с СДКиУ необходимо переписать значения ключей JSON файла параметров наст-ройки и конфигурирования. Отказ от этой возмож-ности привел бы к тому, что при изменении параметров работы ИМ со стороны СДКиУ отоб-разить эти изменения через дополнительный канал дистанционного контроля и управления было бы невозможным. В связи с этим со стороны СДКиУ потребовалось реализовать не только возможность чтения состояния ключей иерархии данных, соот-ветствующего JSON файла, но и возможность их пе-резаписи. Именно этим обусловлена задача создания «лишней» группы параметров – она содержит дан-ные о текущей конфигурации ИМ и служит обратной связью для файла настройки и конфигурации. Таким образом при разработке программной составляю-щей СДУ были разработаны 2 идентичных группы параметров – одна предназначена для задания и конфигурирования настроек ИМ, которые поступают из json файла управления и конфигурирования, а вторая используется для записи текущего состояния ИМ в этот файл. Изменения параметров ИМ в процессе работы оборудования СДУ не фиксируется, а значит требуется указание временного интервала, по истечении которого будут обновляться значения ключей файла управления и конфигурации, при этом систему следует настроить таким образом, чтобы частота чтения данных из json файла превышала частоту записи данных в этот файл. В против-ном случае изменение параметров работы ИМ не представляется возможным. В результате при использовании КДКиУ оператор перед внесением каких-либо изменений может проконтролировать не только параметры обратной связи и текущего состояния, но и данные, касающиеся текущей конфигурации.

Помимо конфигурирования процесса обмена информацией в СДКиУ с целью практического раз-вертывания КДКиУ следовало разработать ПО, которое позволяло бы пользователю посредством мессенджера TELEGRAM изменять/контролировать текущие параметры ИП АМКУ. Наименее затрат-ным способом практической реализации этой задачи явилась разработка TELEGRAM бота, который предоставлял бы пользователю графический интер-фейс с перечнем команд определяемых FBD блоками системы управления. Активация некоторой команды должна приводить либо к получению значения ключей, либо к модификации этих значений. Для написания TELEGRAM бота был использован вы-сокоуровневый язык программирования Python. Причины, побудившие к использованию именно этого языка программирования достаточно тривиальны – существует большое количество бесплатных библиотек, в том числе и для работы с интересующим нас мессенджером, а также простота использования языка и наличие обширной базы справочных материалов.

Начальный этап разработки программного кода TELEGRAM бота подразумевал необходимость определения перечня параметров управления и контроля, которые будут доступны пользователю. В принципе этот перечень применительно к описываемой программе не велик и полностью определяется возможностями FBD блоков библио-теки ОВЕН ПЛК_ПЧВ_v2.lib 26.7.19 и отображен в таблице 1.

Нелишним будет отметить, что существует возможность увеличения этого перечня при ис-пользовании процедуры обмена информацией через цифровой протокол, так как в этом случае есть возможность работы непосредственно со всеми регистрами управляемого преобразователя частоты.

Таблица 1 – Описание команд, используемых для управления TELEGRAM ботом

/Pusk	Используется для модификации значения ключа 'Start_stop' файла управления. Активация этой команды приводит к установке ключа в состояние TRUE и запуску электропривода
/stop	Используется для модификации значения ключа 'Start_stop' файла управления. Активация этой команды приводит к установке ключа в состояние FALSE и останову электропривода
/Torm	Используется для активации меню выбора режимов торможения
/read_JSONconf	Используется с целью получения информационных сведений от файла управления и конфигурации. Результатом работы команды является сообщение о текущей конфигурации электропривода. Работает со следующими ключами: 'SlStop', 'DC_stop', 'Start_stop', 'Chastota', 'IStopVal'.
/status	Используется для оценки текущего состояния электропривода. Данные о этом состоянии поступают из файла обратной связи. Результатом работы команды является сообщение с состоянием ключей: 'ready_eng', 'ready_drive', 'slow_stop_stat', 'task_stat', 'avt', 'work_stat'.
/cur_value	Используется для оценки текущих параметров мощности, напряжения, частоты тока и величине тока. Данные о значении этих параметров поступают из файла текущего состояния.
/res_braking	Сброс режимов торможения
/AdditBotSettings	Активация меню дополнительных настроек
/Percent	Используется для указания процента требуемой мощности управляемого преобразователя частоты. Задается в процентах. Фактически определят частоты тока, питающего электродвигатель. Указание значения в диапазоне 0…100% приводит к модификации 'Chastota' файла управления и конфигурации

Нелишним здесь будет более подробно оста-новится на командах /Torm и /AdditBotSettings. Коман-да выбора режимов торможения позволяет активи-ровать один из двух, предлагаемых производителем преобразователя частоты режимов:

– торможение с выбегом, когда электродвигатель выключается, но присутствует инерционный выбег рабочего вала двигателя;

– торможение постоянным током.

При активации торможения с выбегом проис-ходит изменения параметров ключей 'SlStop' и 'DC_stop' файла управления и конфигурации, которым присваивается состояния TRUE и FALSE соответственно. Несколько сложнее обстоит дело с настройкой режима останова постоянным током. Здесь помимо изменения состояния параметра ключа 'SlStop' и 'DC_stop' на FALSE и TRUE соответственно, необходимо дополнительно указать процент мощности используемого тока торможения. Этот параметр TELEGRAM бот предлагает указать автоматически при включении режима останова постоянным током, пу-тем отправки соответствующего сообщения. В ответе на полученное сообщение оператору необходимо указать числовое значение в диапазоне 0…100%. Указанное значение присваивается параметру ключа ‘IStopVal' файла управления и конфигурации. Не лишним будет упомянуть и о целесообразности ис-пользования команды сброса ранее установленных режимов торможения. Потребность в ее исполь-зовании обусловлена тем, что при активированном состоянии любого из существующих режимов торможения запуск электродвигателя невозможен. В этой связи и было принято решение дополнить TELEGRAM бот возможностью быстрой деактивации режимов торможения.

Команда /AdditBotSettings позволяет перейти в меню дополнительных функций, где оператор может отправить лог-файл на требуемую электрон-ную почту, перейти на сайт производителя ап-паратного обеспечения или активировать процесс записи посредством использования web камеры. Потребность получения видеозаписи обусловлена желанием эксплуатанта иметь возможность визуаль-ного контроля процессов в машинном зале АМКУ. Здесь также следует упомянуть о лог-файле, в который прописываются информационные данные касающиеся использования разрабатываемого ка-нала, в частности фиксируется само событие – поступившая команда, ошибка и т.д., а также дата и время, когда это событие произошло.

В инициативном порядке коллектив авторов добавил в разрабатываемое ПО возможность голо-сового оповещения поступивших команд и выпол-ненных роботом действий. Необходимость описы-ваемого дополнения вызвана стремлением оповестить персонал, в случае его нахождения в машинном зале модульной котельной о действиях, которые выполняет оператор дистанционно.

Таким образом практическая реализация опи-санных функциональных возможностей потребовала использования, в ходе разработки ПО, следующих библиотек:

– telebot – библиотека, которая была использована для создания Telegram бота;

– json – библиотека, предназначенная для работы с json файлами;

– os – модуль, который предоставляет широкие возможности по работе с операционной системой ПК. Именно этот модуль использовался в случаях, когда требовалось указать путь к директориям, в которых хранились json файлы, лог файл и видеозаписи процессов, происходящих в машинном зале мо-дульной котельной;

– smtplib – модуль, который определяет сеанс клиента SMTP и используется для отправки электронной почты;

– email – библиотека для управления сооб-щениями электронной почты;

– pyttsx3 – библиотека, которая позволяет преоб-разовать текст в речь;

– cv2 – библиотека компьютерного зрения, предназначенная для анализа и обработки изоб-ражений;

– time – модуль для работы со временем.

Использование библиотеки telebot значительно упрощает процесс написания программного кода Telegram бота за счет использования декораторов, основным из которых является message_handler. Этот декоратор обрабатывает все сообщения, которые поступают от пользователя.

Алгоритм работы Telegram бота проще проил-люстрировать на примере команды на запуск электропривода, которая поступает от пользователя КДКиУ.

Рисунок 2 – Иллюстрация программного кода реализующего запуск электродвигателя насосного агрегата

машинного зала модульной котельной

После получения команды реализуется сле-дующий алгоритм:

– фиксируется время и дата поступления обрабатываемой команды;

– осуществляется голосовое оповещения опер-атора о назначении этой команды и операциях, которые будут реализованы программой в ходе отработки поступившей команды;

– код команды, время и дата команды фик-сируются в специальном лог-файле, хранящем историю взаимодействия пользователя с системой управления, как при использовании СДКиУ, так и при использовании КДКиУ;

– работа непосредственно с файлом, хранящим пары ключ/значение – открытие файла для чтения, преобразование строки в формате JSON в объект Python типа dict посредством использования функции .loads изменение или чтение значения ключа, перезапись файла;

– отправка ответного сообщения о выполнении команды.

Нелишним здесь будет привести комментарии касательно методов send_message и register_next_step_handler использованных при написании прог-раммного кода Telegram бота.

Метод send_message использовался совместно с объектом message из Bot API. Этот объект содержит информацию о сообщении. Его исполь-зование подразумевает необходимость указания идентификаторов from_user.id или chat.id. Исполь-зование идентификатора chat.id проиллюстри-ровано на рисунке 1, когда робот при получении команды на запуск электропривода отправляет пользователю в чат ответное сообщение о том, что он зафиксировал получение команды и запустил соответствующую функцию. Идентификатор from_user.id позволяет реализовать возможность получения ответа пользователя на отправленное ему сообще-ние. Например, этот идентификатор использовался совместно с методом register_next_step_handler в случае, когда пользователю было необходимо указать адрес электронной почты, на которую будет отправ-лен лог-файл.

Функция AnsEmailAddrTo присваивает перемен-ной emailAddrTo текст, содержащийся в ответном сообщении от пользователя – адрес электронной почты, на которую будет отправлен лог и передает эту переменную функции SendMailTo после чего отправляет пользователю в ответном сообщении информацию об отправке лог файла на указанную им электронную почту и дублирует сообщение голосовым оповещением.

Не лишнем будет привести описание процес-сов формирования лог-файла и его отправки на электронную почту. Для этого следует ознакомиться с функциями WriteLog и SendMailTo.

Процесс формирования лог-файла достаточно прост и подразумевает следующие этапы:

– создание пустого файла в одном из распространенных текстовых редакторов;

– указание пути к директории, в которой хранится созданный файл;

– открытие этого файла на редактирование с возможностью дополнительной записи в него требуемого информационного сообщения;

– запись информационного сообщения;

– закрытие файла с сохранением изменений.

Анализ программных кодов, отображенных на рисунках 2 и 3, показывает, что в лог-файл могут записываться данные касающиеся:

– даты и времени события (переменная DateTime);

– текстового обозначения этого события (переменная txtCom);

– указываемые значения процентов мощ-ности использования электропривода (переменная ChForWriteLog) и постоянного тока торможения (переменная IValWriteLog).

Текст сообщения, прописываемого в лог файл, определяется функцией, которая активирована, нап-ример при пуске электродвигателя в лог-файл будут записаны данные о дате/времени события и текстовое обозначение этого события, остальные данные будут проигнорированы. Этого удалось добиться за счет присваивания переменным, передаваемым функции WriteLog необходимых значений.

Настройка процесса отправки сообщения на электронную почту с прикрепленным к этому сообщению лог-файлом оказалась несколько сложнее. Согласно требованиям заказчика исследования, необходимо было обеспечить возможность работы исключительно с электронной почтой mail.ru.

С этой целью потребовалось настроить возмож-ность доступа к почте посредством внешнего приложения, что подразумевало использование дополнительного пароля. Сам пароль генерировал-ся автоматически, но мог изменяться по желанию пользователя. Программный код функции SendMailTo, используемой для отправки электронного сообщения с прикрепленным лог файлом отображен на рисунке 2.

Использование функции SendMailTo подразу-мевает передачу ей нескольких переменных, в частности:

– emailAddrTo, которая содержит адрес получателя электронного письма;

– SubjMail, содержит тему отправляемого сообщения;

– TextMail непосредственно текст отправляемого сообщения.

Присваивание значений этим переменным осуществляется внутри тела функции, которая будет вызывать функцию SendMailTo, в нашем случае такой функцией является AnsEmailAddrTo.

Помимо указанных переменных необходимо внутри функции SendMailTo следует указать наст-ройки SMTP сервера. Не лишним будет упомянуть, что в зависимости от используемого почтового клиента настройки SMTP сервера могут меняться, в связи с чем, при реализации возможности работы с различными почтовыми клиентами необходимо реализовать возможность автоматического изменения этих настроек в зависимости от адреса электронной почты, которую указывает пользователь. Дополнение робота такой возможностью в принципе не сложно и требует написания программного кода, который будет работать со строками – искать совпадения символов между ключевым словом и словами в полученном адресе. В этом случае в качестве ключевого слова рекомендуется использовать строки, mail.ru, yandex.ru, gmail.com и т.п.

Также при изучении программного кода, отображенного на рисунке 5, может возникнуть вопрос, касающийся назначения функции attach_file. Эта функция реализует задачу прикреп-ления к отправляемому электронному письму сфор-мированного лог файла.

Процесс формирования видеозаписи подразу-мевает использование библиотеки cv2, суть исполь-зования которой применительно к решаемой задачи заключается в захвате кадра формируемого web камерой и сохранения этого кадра в файл с указан-ным расширением.

Процесс разработки программного кода для реализации этой задачи условно можно разделить на два этапа – настройка параметров формируемой видеозаписи и непосредственно процесс ее формирования. На рисунке 2 представлен прог-раммный код, который реализует непосредственно первый этап.

Из анализа программного кода первого этапа очевидно, что формируемый видеофайл имеет размер 640x480 пикселей, формат MP4, называется 'PCV' и формируется со скоростью 20 кадров в секунду. При формировании видеозаписи рекомендуется указать скорость формирования видеофайла такую же как скорость формирования кадров видеокамерой. Второй этап формирования видеофайла подразу-мевает работу уже непосредственно с данными, поступающими с web камеры.

Здесь происходит захват данных, поступающих с web камеры и их запись в файл. С целью захвата данных, поступающих с камеры, необходимо указать ее индекс. Уточним, что при работе с уст-ройствами, имеющими встроенную web камеру, операционная система присваивает этой встроенной камере по умолчанию индекс 0 при подключении дополнительных камер индекс инкрементируется.

Далее, с целью формирования видеофайла был организован цикл, в ходе которого захватываемые кадры записывались в файл 'PCV.mp4'. Цикл работал только в том случае если проиcходил захват кадра. При отсутствии захвата выводилось системное сообщение об ошибке. Очевидно, что размер видеофайла не может быть бесконечным. Для его ограничения было использовано два метода – выход из цикла при нажатии на клавиатуре кнопки ESC и по истечении 10 секунд записи. При условии формирования 20 кадров в секунду за 10 секунд формируется 200 кадров. Наступление описываемых событий приво-дит к выходу из цикла формирования видеофайла и отправке сформированного видеофайла оператору.

В результате исследований был разработан до-полнительный КДКиУ, интегрированный в состав эксплуатируемой СДКиУ, который позволил прак-тически реализовать задачи удаленного контроля и управления ИМ АМКУ с использованием смартфона. Достоинством описываемого КДКиУ является прос-тота и доступность его реализации так как не тре-буется дополнительного программного и аппаратного оборудования, что снижает экономические издерж-ки на разработку. Описываемый КДКиУ может без больших затруднений масштабироваться на несколько однотипных технологических объектов при идентичности используемых на этих объектах систем управления. Целевой областью использования КДКиУ являются автоматизированные модуль-ные технологические объекты, эксплуатируемые в местностях, где существуют возможность исполь-зования мобильного интернета достаточного для работы мессенджера TELEGRAM. Отметим, что коллективом авторов была предусмотрена возможность развертывания непосредственного обмена информацией между TELEGRAM ботом и ИМ без использования СДКиУ, что указывает на возможность развертывания резервного канала конт-роля/управления при возникновении затруднений в работе СДКиУ.

Обсуждение. В результате проведенного иссле-дования было разработано программное обеспече-ние, интегрированное в уже используемую систему управления модульной котельной установки. Опи-сываемое программное обеспечение позволило реализовать задачи повышения оперативности реагирования служб ТОиР и снизить нагрузку на обслуживающий персонал. Наличие меток време-ни при ведении электронного журнала позволило дистанционно оценивать возможные причины неисп-равности и вероятные затраты на восстановление или ремонт оборудования. Очевидно, что на рынке уже существуют специальные программные продукты, которые позволяют решать аналогичные задачи, но стоимость этих продуктов достаточно велика, а функционал зачастую избыточен для небольших технологических объектов. Предлагаемый КДКиУ может быть интегрирован в практически любую систему управления, которая работает с файлами JSON или XML, что позволяет реализовать обмен информацией практически с любой SCADA сис-темой. Нелишним здесь будет уточнение, что кол-лективом авторов также предусмотрена возмож-ность непосредственного обмена информацией с ИМ посредством протокола MODBUS. Уточним, что в настоящее время коллектив авторов продолжает развитие этой темы, в частности формируется база данных с перечнем устройств и их регистровой архитектурой, которая позволит упростить процесс развертывания промышленной сети. Нелишним здесь будет упомянуть, что использование описываемого ПО не ограничивается только модульными котель-ными, в сферу возможного применения входят также различные путевые подогреватели, уста-новки подготовки нефти к транспортировке подогреватели топливного газа и иные модульные устройства, работающие в автоматическом режиме и эксплуатируемые на удаленных месторождениях, где есть возможность выхода в интернет. Возмож-ность оценки состояния и управления ИМ через мессенджер позволяет легко подключить любого пользователя. Отметим, что разработчиками была учтена возможность разделения прав, то есть в зависимости от типа пользователя меняется перечень функциональных возможностей бота.

Выводы. Внедрение мобильных сетей пятого поколения с высокими скоростями передачи инфор-мации способствует расширению спектра областей, в которых может использоваться описываемая технология. Основное затруднение для ее дальней-шего продвижения сопряжено с вопросом временных задержек в передачи информации в сети мобильного оператора или иного провайдера, предоставляющего доступ в Internet. В ходе дальнейших исследований предлагается детально рассмотреть этот вопрос и проанализировать возможные способы миними-зации этих задержек, что позволит определить круг возможных к применению на текущий момент вре-мени областей промышленности и народного хо-зяйства, где допустимо коммерческое использования систем аналогичных описанной.

СПИСОК ЛИТЕРАТУРЫ:

1. Владимиров К.Г., Шестов Р.В. К Вопросу разверты-вания дополнительных каналов контроля и управления технологическими процессами на базе современных средств интернет-коммуникации // Молодежная наука: вызовы и перспективы: Материалы VI Всероссийской научно-практической конференции / Отв. редактор О.В. Карсунцева – Самара: Самар. гос. техн. ун-т, 2023. – С. 332-338.

2. Библиотеки CDS2.3_3.5 для работы с ПЧВ: [Электронный ресурс]. URL: https://owen.ru /product/preobraz ovatel_chastoti_oven_pchv1_i_pchv2/primer_raboti.

3. Введение в JSON: [Электронный ресурс]. URL: https://www.json.org/json-ru.html.

4. Юрий Горелый. Уголок автоматизаторов. К178 Masterscada4d формирование json файла из Scada: [Электронный ресурс]. URL: https://www.youtube.com/ watch?v=5UmdcHU4omQ&list=PLPDzECHvhf VIOF8EQ n1vPV uhptp2-e6iB&index=20.

5. Методические материалы по MasterSCADA 4D [Электронный ресурс]. URL: https://masterscada.ru/docs4.

6. Руководство пользователя OWEN CLOUD [Электронный ресурс]. URL: https://owen.ru/uploads/338/ rp_owencloud.pdf.

7. Методика организации обмена информацией между устройствами, поддерживающими Codesys V2.3 и DispSky [Электронный ресурс]. URL: https://dispsky.ru/podderzhka/podderzhivaemye-ustroystva/ustroystva-s-codesys/kontrollery-s-codesys-v-3/.

8. Колисниченко Д.Н., IRC - боты. Как использовать и как сделать самому. Избранные технологии Интернета / Д.Н. Колисниченко. – М.: Наука и Техника, 2021. – 368 с.

9. Иванов А.В. Создание ботов в Telegram при помощи Python// А.В. Иванов// Журнал "Информационные технологии и вычислительные системы", том 3, №2, 2021. – С. 29-33.

10. Кузнецов А.В. Программирование ботов в Telegram: возможности и ограничения // А.В. Кузнецов// Научно-технический вестник информационных технологий, механики и оптики, том 22, №2, 2022. – С. 132-137.

12. Рогачева О.А. Программирование искусственного интеллекта в ботах Telegram // О.А. Рогачева// Материалы научно-практической конференции "Инновационные технологии в современном образовании и производстве", 2021. – С. 72-78.

13. Смирнов В.Н. Особенности разработки ботов в Facebook Messenger и Telegram // В.Н. Смирнов// Сборник статей "Современные технологии информационных систем", 2022. – С. 176-180.

14. Федеральный закон от 27 июля 2006 г.№152-ФЗ "О персональных данных" // СЗ РФ.-2006. – №31 (ч.1). – Ст. 3451.

15. Амоа, К.А. Разработка программных пакетов на языке Python: учебное пособие / К.А. Амоа, Н.А. Рындин, Ю.С. Скворцов. – Воронеж: Воронежский государственный технический университет, ЭБС АСВ, 2020. – 61 c.

16. Официальная документация Telegram по созданию ботов: https://core.telegram.org/bots..

17. Telegram Bot API: https://core.telegram.org/bots/api.

18. Hashemi A., Zare Chahooki M.A. Telegram group quality measurement by user behavior analysis. Soc. Netw. Anal. Min. 9, 33 (2019). (accessed: 26 April 2022). DOI: 10.1007/s13278-019-0575-9. – EDN: DAHJEI.

19. Evolyutsiya chat-botiv. [Electronic resource] // TJournal. URL: https://tjournal.ru/tech/49880-telegram-facts (accessed: 28 October 2022).

20. Oliphant T.E. "Python for Scientific Computing", in Computing in Science & Engineering. Vol. 9. No. 3. Pp. 10-20, May-June 2007. (accessed: 28 October 2022). – DOI: 10.1109/MCSE.2007.58.

Статья поступила в редакцию 05.02.2025

Статья принята к публикации 19.03.2025

УДК: 004.032.26

EDN: OVSXIV

ПрименениЕ Сетей Колмогорова-арнольда

для бесконтактной фотоплетизмографии

© Автор(ы) 2025

SPIN: 7926-0894

AuthorID: 1280850

ORCID: 0009-0008-2370-9895

МАЙОРОВ Александр Олегович, студент

Пензенский государственный университет

(440026, Россия, Пенза, улица Красная, 40, e-mail: maiorov-aleksand@mail.ru)

Аннотация. Данная статья рассматривает разработку нейронной сети Колмогорова-Арнольда для бесконтактной фотоплетизмографии. Данная проблема актуальна, так как с развитием оптических технологий (распространение дешевых видеокамер), а также с развитием алгоритмов обработки визуальных данных (совершенствование технологий компьютерного зрения) возрос и интерес к неинвазивным методам определения биомаркеров человека, в частности пульса. В данной статье предложена архитектура нейронной сети для решения задачи бесконтактной фотоплетизмографии. Предложенная архитектура основана на теореме Колмогорова-Арнольда. Кроме того, описанная нейронная сеть использует свертки, модули временного сдвига, механизм внимания. Для определения «области интереса» (region-of-interest) на исследуемых данных использовался каскад Хаара для распознавания лиц. В работе было проведено сравнение предложенной архитектуры с такими уже известными методами решения, как Green, ICA, CHROM, POS, PBV, LGI, OMIT, DeepPhys, PhysNet, PhysFormer, TS-CAN, EfficientPhys. Для сравнения точности методов использовались следующие метрики: MAE, RMSE, MAPE, коэффициент корреляции Пирсона. Тестирование методов проводилось на трех публично доступных наборах данных: UBFC-rPPG, UBFC-PHYS, SCAMPS. Проведено кросс-датасет тестирование. Предложенная система показала результаты, сравнимые с известными методами.

Ключевые слова: бесконтактная фотоплетизмография, сеть Колмогорова-Арнольда, теорема Колмогорова-Арнольда, сверточная нейронная сеть, метрики.

APPLICATIONS OF KOLMOGOROV-ARNOLD NETWORKS

FOR remote Photoplethysmography

© The Author(s) 2025

MAYOROV Alexander Olegovich, undergraduate student

Penza State University

(440026, Russia, Penza, Krasnaya str., 40, e-mail: maiorov-aleksand@mail.ru)

Abstract. This paper discusses the development of a Kolmogorov-Arnold neural network for remote photoplethysmography. This problem is relevant today, because with the development of optical technologies (spread of cheap video cameras), as well as with the development of algorithms for visual data processing (improvement of computer vision technologies), the interest in non-invasive methods for determining human biomarkers, in particular heart rate, has increased. In this paper, we propose a neural network architecture for remote photoplethysmography. The proposed architecture is based on the Kolmogorov-Arnold theorem. In addition, the described neural network utilizes convolutions, Time Shift Modules, and attention mechanism. Haar cascade for face recognition was used to determine the "region-of-interest" on the studied data. The paper compared the proposed architecture with already known methods such as Green, ICA, CHROM, POS, PBV, LGI, OMIT, DeepPhys, PhysNet, PhysFormer, TS-CAN, EfficientPhys. The following metrics were used to compare the accuracy of the methods: MAE, RMSE, MAPE, and Pearson correlation coefficient. The methods were tested on three publicly available datasets: UBFC-rPPG, UBFC-PHYS, SCAMPS. Cross-dataset testing was performed. The proposed system showed results comparable with known methods.

Keywords: remote photoplethysmography, Kolmogorov-Arnold neural network, Kolmogorov-Arnold theorem, convolutional neural network, metrics.

Для цитирования: Майоров А.О. Применение сетей Колмогорова-Арнольда для бесконтактной фотоплетизмографии / А.О. Майоров // XXI век: итоги прошлого и проблемы настоящего плюс. – 2025. – Т. 14. –
№ 1(69). – С. 28-35. – EDN: OVSXIV.

Введение. «Фотоплетизмография – метод иссле-дования периферической гемодинамики, основан-ный на изучении поглощения света, проходящего через исследуемый участок ткани с пульсирующей кровью» [1].

Бесконтактная фотоплетизмография (Remote Photoplethysmograph, rPPG – в англоязычной литерату-ре) отличается отсутствием соприкосновения меж-ду устройством сбора данных и анализируемым местом на теле исследуемого. Преимущественно метод бесконтактной фотоплетизмографии (далее ФПГ) применяется для получения пульса человека в условиях невозможности прямого взаимодействия с человеком: телемедицина (включая новорожденных [2] и взрослых [3]), вождение [4, 5].

За последние 20 лет было предложено большое количество методов решения задачи бесконтактной ФПГ. Бо́льшая часть методов может быть разделена на две группы: классические методы обработки сигналов и методы, основанные на применении нейронных сетей. Приведем обзор методов бесконтактной ФПГ:

1) Классические методы обработки сигналов:

1.1) Green [6]: зеленый канал используется для извлечения пульса после пространственного усред-нения RGB-видео;

1.2) ICA [7]: используется анализ независимых компонентов (Independent Component Analysis) для нормализованных, пространственно усредненных цветовых сигналов для извлечения значения пульса;

1.3) CHROM [8]: используется линейная комби-нация сигналов цветности, полученных из RGB-видео;

1.4) POS, plane-orthogonal-to-the-skin [9]: исполь-зуется расчет плоскости, перпендикулярной «плос-кости оттенка кожи», основанный на физиологи-ческих и оптических принципах;

1.5) PBV [10]: используется световой спектр для определения значения пульса;

1.6) LGI [11]: используется метод представления карт признаков, основанный на инварианте движения;

1.7) OMIT, Orthogonal Matrix Image Transformation [12]: используется QR-разложение для преодоления артефактов сжатия исходных видео.

2) Методы, основанные на нейронных сетях:

2.1) DeepPhys [13]: разветвленная (две ветви) двухмерная сверточная нейронная сеть (2D-CNN) с механизмом внимания. Два представления – внешность и разность кадров – обрабатываются параллельными ветвями;

2.2) PhysNet [14]: трехмерная сверточная сеть (3D-CNN). В качестве функции потерь используется коэффициент Пирсона, взятый с обратным знаком (negative Pearson loss);

2.3) PhysFormer [15]: трехмерная сверточная сеть (3D-CNN). В качестве функции потерь используется сложная функция, совмещающая в себе коэффициент Пирсона, взятый с обратным знаком (negative Pearson loss), а также функцию потерь перекрестной энтропии;

2.4) TS-CAN [16]: разветвленная (две ветви) двухмерная сверточная сеть (2D-CNN), использующая модуль временного сдвига (Temporal Shift Module) для более эффективного временного и пространственного анализа;

2.5) EfficientPhys [17]: двухмерная сверточная сеть (2D-CNN), предназначенная для работы в реальном времени.

Целью данного исследования является разработка нейронной сети Колмогорова-Арнольда (KAN) для решения задачи бесконтактной фотоплетизмографии.

Методология. Дж. Цыбенко показал [18], что если σ(z) – непрерывная сигмоида, то для любой непрерывной на [0,1]n функции f(x) существуют такие значения параметров H, αh∈ℝ, wh∈ℝ, w0∈ℝ, что двухслойная сеть

(1)

равномерно приближает f(x) с любой точностью ε: |a(x) – f(x)| < ε, для всех x∈[0,1]n. Функция σ(z) называется сигмоидой, если и . Данная теорема, известная как уни-версальная теорема аппроксимации или теорема Цыбенко, служит теоретическим обоснованием пост-роения нейронной сети с непрерывной функцией активации, аппроксимирующей любую функцию. Один из самых популярных видов нейронных сетей, многослойный перцептрон (multilayer perceptron, MLP), построен на идее, изложенной в теореме Цыбенко. Однако исследователи не оставляли попыток разработать альтернативные виды нейр-онных сетей, а также теоретически обосновать возможность их использования. Так Р. Хехт-Нильсен показал [19], что для построения нейронной сети может быть использована теорема Колмогорова-Арнольда [20, 21]. Теорема Колмогорова-Арнольда гласит, что любая непрерывная функция n переменных на единичном кубе представима в виде суперпозиции непрерывных функций одного аргумента и операции сложения:

(2)

где Φk – непрерывные функции, и φik не зависят от f. Тем не менее использование теоремы Колмогорова-Арнольда активно критиковалось исследователями [22, 23] из-за того, что функции Φk и φik не гладкие и сложно устроены. Однако в недавнем исследовнии З. Лю, И. Ванг, С. Вайдья, Ф. Рюле, Дж. Халверсон, М. Солячич, Томас Й. Хоу, Марк Тегмарк смогли преодолеть ограничения теоремы Колмогорова-Арнольда [24] следующим образом:

– вектор на выходе l-го слоя, l=1,.., L ;

– функция одной пере-менной;

– сглаженный ReLU (SiLU);

– одномерный сплайн по базису {Bi}.

В оригинальной работе З. Лю и др. исследовали сети Колмогорова-Арнольда (Kolmogorov-Arnold Network, KAN), в которых s(x) являются B-сплайнами степени 3, также авторы отметили, что в качестве s(x) могут выступать и другие функции: радиально-базисные функции, вейвлеты, полиномы и др. Так, З. Ли показал, что использование радиально-базисных функций вида (3) не только представляет собой прямую альтернативу B-сплайнам, но и значительно повышает скорость обучения всей сети [25].

(3)

где r = x – xi – расстояние между x и точкой xi, называемой центром, h – среднеквадратичное отклонение.

Наша реализация сети Колмогорова-Арнольда использует радиально-базисные функции в качестве s(x).

Дальнейшие исследования показали, что сети Колмогорова-Арнольда можно использовать для построения сверточных нейронных сетей. Так, А.Д. Боднер, Дж Н. Спольски, А.С. Тепсич, С. Пурто пред-ложили следующее построение свертки на основе сети Колмогорова-Арнольда [26]: пусть Kij = φik (x), i = 1, ..., N; j = 1, ..., M – ядро свертки, Image – матрица изображения такая, что

(4)

Тогда результатом свертки будет

(5)

Например, если

(6)

то результат свертки равен

(7)

где .

Для повышения точности результата модель должна эффективно обрабатывать временные и пространственные изменения на обрабатываемом видеосигнале. Аналогично работе С. Лю, Дж. Фром-ма, Ш. Пателя, Д. Макдаффа [27] мы используем модули внимания и модули временного сдвига для эффективной работы системы.

Сверточный модуль внимания (convolutional block attention module) «состоит из двух последовательно применяемых подмодулей – канального (применяется ко всем каналам одного пикселя с изображения) и пространственного (применяется ко всему изоб-ражению с фиксированным каналом)» [28]. Ана-логично исследованию В. Чена и Д. Макдаффа [29] наш модуль внимания использует l1-регуляризацию, однако вместо стандартного механизма свертки нами был использован механизм свертки с применением сети Колмогорова-Арнольда.

Пусть xa∈ℝC×H×W и xm∈ℝC×H×W – множества приз-наков канальной ветви и пространственной ветви соответственно, где C – число каналов, H – высота, а W – длина изображения. Тогда маска внимания q∈ℝ1×H×W может быть найдена как

(8)

где φ – ядро сверточного модуля Колмогорова-Арнольда размерностью 1×1.

Полученная маска умножается на множество признаков пространственной ветви:

(9)

где 1∈ℝC – вектор из всех единиц, zm∈ℝC×H×W – итоговое множество признаков, передаваемое в следующий слой сети, *: ℝC×H×W × ℝC×H×W → ℝC×H×W – поэлементное умножение.

Модуль временного сдвига (temporal shift module, TSM) [30] помогает добиться точности трехмерных сверточных сетей с помощью двухмерных. Модуль производит сдвиги тензоров: модуль разбивает входной тензор на три части по RGB-каналам. Затем модуль сдвигает первую часть влево на одну позицию, увеличивая время на один кадр, а вторую часть сдвигает вправо на одну позицию, уменьшая время на один кадр. Обе операции сдвига производятся вдоль оси времени, в то время как третья часть остается на своем изначальном месте. Следует также отметить, что использование модуля временного сдвига не увеличивает количество параметров системы, но при этом позволяет соседним кадрам обмениваться информацией. Это существенно повышает точность системы.

Устройство предложенной нейронной сети представлено на рисунке 1. Для работы системы исходные данные (необработанные видео) проходят препроцессинг. А именно автоматически на видео определяется область анализа (в нашем случае лицо испытуемого) с помощью каскада Хаара [31]. Далее видео обрезается по определенной области и сжимается или растягивается до фиксирован-ного разрешения (72x72). Подготовленные данные используются для обучения или тестирования нейронной сети.

Предложенная нейронная сеть состоит из двух ветвей. Одна анализирует изменения данных во времени, в то время как вторая ветвь обрабатывает внешний вид кадра в текущий момент. На вход ветви внешнего вида подаются нормализованные разницы соседних кадров. Так для соседних кадров c(t)∈ℝ3×72×72 и c(t+1)∈ℝ3×72×72 новый кадр c'(t)∈ℝ3×72×72 следующим образом:

(10)

После этого все полученные c'(t) нормализуются как

(11)

где S(c'(t)) – стандартное отклонение разниц соседних кадров.

На вход ветви движения подаются z-стандар-тизованные кадры. Так, для кадра ci(t) новый кадр zi(t) находится следующим образом:

(12)

где – среднее значение всех кадров, S(c(t)) – стандартное отклонение всех кадров.

Ветвь движения имеет два сверточных слоя Колмогорова-Арнольда (KanConv2D) с размерностью ядра 3, перед которыми следуют модули временно-го сдвига. После сверточных слоев следуют пулин-говые слои с функцией среднего (average pooling), а также метод дропаут (dropout). Это необходимо для уменьшения размерности обрабатываемых данных, а также для борьбы с переобучением.

Ветвь внешнего вида имеет два сверточных слоя Колмогорова-Арнольда (KanConv2D), соединенных пулинговым слоем с функцией среднего (average pooling) и методом дропаут (dropout). Результаты работы сверточных слоев ветви внешнего вида используются для расчета масок внимания. Маски внимания поэлементно умножаются на результаты работы сверточных слоев ветви движения. В конце сети присутствует полносвязный слой с одним выходом. Данный выход – предсказанное значение пульса испытуемого в данный момент.

При обучении сети в качестве оптимизатора мо-дели использовался AdamW, в качестве функции ошибок использовалась среднеквадратичная ошибка (MSELoss). Коэффициент скорости обучения равен 0.009, обучение проходило в течение 30 эпох. Обуче-ние производилось на персональном компьютере с процессором Intel Core i5-12600k, 16 Gb RAM DDR4, с использованием CUDA графического ускорителя NVIDIA GTX 1660 Super 6Gb VRAM, на операционной системе WSL2 Ubuntu 22.04.3 LTS.

Рисунок 1 – Устройство предложенной нейронной сети (N – размер батча)

Результаты. Для оценки качества предложенной модели проводилось кросс-датасет тестирование. Для тестирования были выбраны 3 публично доступных датасета:

1. UBFC-rPPG: Univ. Bourgogne Franche-Comté Remote PhotoPlethysmoGraphy. Данный датасет представляет собой набор из 42 видео, записанных с помощью веб-камеры Logitech C920 HD Pro, при 30 кадрах в секунду с разрешением 640x480 в несжатом 8-битовом RGB формате. Для измерения пульса использовался пальчиковый пульсоксиметр CMS 50E. Исследуемые располагались на расстоянии примерно одного метра от камеры. Записи были произведены в помещении при комбинированном освещении.

2. UBFC-Phys: A Multimodal Database For Psychophysiological Studies Of Social Stress. Данный датасет представляет собой набор из 168 видео, записанных с помощью цифровой камеры EO-23121C RGB, при 35 кадрах в секунду с разре-шением 1024x1024. Количество исследованных – 56 человек. Каждый исследуемый выполнял 3 задания: отдых, разговор, выполнение математических операций. Датасет содержит информацию о пульсе и электрической активности кожи исследуемых, записанных с помощью электронного браслета Empatica E4. Исследуемые располагались на расстоянии в примерно одного метра от камеры. Записи были произведены в помещении при комбинированном освещении. Из-за ограниченности вычислительных мощностей при анализе использовались только первые 30 секунд каждого видео.

3. SCAMPS: Synthetics for Camera Measurement of Physiological Signals. Данный датасет представляет собой набор из 2800 синтетических видео, на которых изображены 3D-аватары, сделанные в программе Blender. Аватары были созданы с помощью слож-ного алгоритма, что позволило получить квази-фотореалистичные видео. Чтобы обеспечить на-дежные условия при использовании датасета при обучении модели и тестировании, в видео были учтены такие факторы, как движения головы, выражение лица и изменения в освещении. Из-за ограниченности вычислительных мощностей при анализе использовались только первые 200 кадров каждого видео.

На рисунке 2 продемонстрирован пример фо-топлетизмограммы, полученной с помощью сети Колмогорова-Арнольда.

Для оценки качества модели использовались следующие метрики:

1) Средняя абсолютная ошибка (mean absolute error, MAE): для предсказанного значения Rp, эталонных данных Rg и N значений

(13)

2) Среднеквадратичное отклонение (root mean squared error, RMSE): для предсказанного значения Rp, эталонных данных Rg и N значений

(14)

3) Средняя абсолютная процентная ошибка (mean absolute percentage error, MAPE): для предсказанного значения Rp, эталонных данных Rg и N значений

(15)

4) Коэффициент корреляции Пирсона (ρ): для предсказанного значения Rp, эталонных данных Rg, N значений и

(16)

5) Стандартная ошибка (standard error, SE): для всех метрик, кроме коэффициента корреляции Пирсона

(17)

σ – среднеквадратичное отклонение, n – количество значений.

Для коэффициента корреляции Пирсона

(18)

ρ – коэффициент корреляции Пирсона, n – количество значений.

В таблицах 1-3 приведены показатели качества представленной модели в сравнении с показателями других методов.

Рисунок 2 – Сравнение исходной фотоплетизмограммы с фотоплетизмограммой, полученной с помощью KAN-сети (датасет UBFC-PHYS)

Таблица 1 – Сравнение предложенной модели с другими методами (тестовый датасет – UBFC-PHYS)

	Метод	Тренировочные данные	Тестовые данные
			UBFC-PHYS
			MAE±SE	RMSE±SE	MAPE±SE	ρ±SEρ
Классические методы	Green	N/A	19.82±3.78	31.49±240.46	18.78±3.35	0.37±0.15
	ICA	N/A	14.70±2.87	23.71±141.20	14.34±2.64	0.53±0.13
	CHROM	N/A	3.98±1.20	8.72±33.85	3.78±1.09	0.89±0.07
	LGI	N/A	15.80±3.67	28.55±236.17	14.70±3.20	0.36±0.15
	PBV	N/A	15.90±3.25	26.39±199.71	15.17±2.91	0.48±0.14
	POS	N/A	4.00±0.99	7.58±21.65	3.86±0.90	0.92±0.06
	OMIT	N/A	15.80±3.67	28.55±236.17	14.70±3.20	0.36±0.15
Нейронные сети	TS-CAN	UBFC-rPPG	7.80±1.02	12.92±6.19	9.90±1.26	0.56±0.08
		SCAMPS	6.79±0.09	11.24±5.39	8.61±1.10	0.64±0.09
	PhysNet	UBFC-rPPG	9.00±1.24	15.33±7.19	12.59±1.89	0.44±0.09
		SCAMPS	7.83±1.08	13.33±6.26	10.95±1.64	0.51±0.11
	PhysFormer	UBFC-rPPG	9.12±1.23	15.34±7.13	12.51±1.87	0.40±0.09
		SCAMPS	7.93±1.07	13.34±6.20	10.89±1.62	0.45±0.10
	DeepPhys	UBFC-rPPG	10.72±1.30	16.87±7.28	13.15±1.51	0.38±0.09
		SCAMPS	9.32±1.13	14.68±6.33	11.44±1.31	0.44±0.10
	EfficientPhys	UBFC-rPPG	8.28±0.99	12.95±5.42	10.52±1.28	0.58±0.08
		SCAMPS	7.20±0.86	11.27±4.71	9.15±1.11	0.67±0.12
	KAN	UBFC-rPPG	9.16±1.14	14.68±6.36	10.97±1.27	0.52±0.09
		SCAMPS	7.96±0.99	12.77±5.53	9.54±1.10	0.60±0.11

Таблица 2 – Сравнение предложенной модели с другими методами (тестовый датасет – UBFC-rPPG)

	Метод	Тренировочные данные	Тестовые данные
			UBFC-rPPG
			MAE±SE	RMSE±SE	MAPE±SE	ρ±SEρ
Классические методы	Green	N/A	15.81±1.39	21.12±60.41	18.98±1.60	0.25±0.10
	ICA	N/A	11.92±1.35	18.02±56.65	14.73±1.79	0.23±0.10
	CHROM	N/A	8.62±1.19	14.74±46.63	11.50±1.76	0.39±0.09
	LGI	N/A	9.01±1.07	14.04±34.83	11.15±1.30	0.63±0.08
	PBV	N/A	13.17±1.30	18.58±50.54	15.84±1.47	0.36±0.09
	POS	N/A	8.00±1.06	13.3±38.91	10.90±1.64	0.47±0.09
	OMIT	N/A	8.53±1.04	13.47±33.70	10.37±1.21	0.65±0.08
Нейронные сети	TS-CAN	UBFC-PHYS	8.55±1.28	14.05±6.82	10.81±1.42	0.44±0.15
		SCAMPS	7.47±0.99	12.36±5.93	9.48±1.12	0.58±0.12
	PhysNet	UBFC-PHYS	11.07±1.51	17.66±7.74	13.24±1.67	0.39±0.10
		SCAMPS	9.63±1.19	15.45±6.69	11.55±1.33	0.43±0.16
	PhysFormer	UBFC-PHYS	8.99±1.48	14.91±7.10	12.24±1.61	0.41±0.14
		SCAMPS	7.77±1.04	13.07±6.07	10.67±1.16	0.52±0.11
	DeepPhys	UBFC-PHYS	11.77±1.71	18.36±8.09	14.37±1.92	0.32±0.17
		SCAMPS	10.25±1.24	16.15±6.96	12.58±1.44	0.49±0.09
	EfficientPhys	UBFC-PHYS	8.71±1.38	14.48±6.86	11.87±1.97	0.44±0.20
		SCAMPS	7.65±1.12	12.79±6.00	10.46±1.65	0.53±0.18
	KAN	UBFC-PHYS	9.84±1.05	15.93±6.78	11.85±1.17	0.33±0.12
		SCAMPS	7.73±0.96	12.41±5.37	9.27±1.06	0.58±0.10

Таблица 3 – Сравнение предложенной модели с другими методами (тестовый датасет – SCAMPS)

	Метод	Тренировочные данные	Тестовые данные
			SCAMPS
			MAE±SE	RMSE±SE	MAPE±SE	ρ±SEρ
Классические методы	Green	N/A	34.97±0.46	42.12±39.69	32.39±0.37	0.03±0.02
	ICA	N/A	33.23±0.46	41.06±38.48	31.76±0.38	0.01±0.02
	CHROM	N/A	28.97±0.40	35.77±29.85	29.17±0.40	0.02±0.02
	LGI	N/A	32.09±0.45	39.83±36.54	31.33±0.41	0.02±0.02
	PBV	N/A	33.46±0.45	41.16±38.00	32.21±0.39	0.01±0.02
	POS	N/A	31.18±0.43	38.58±35.04	31.30±0.42	0.01±0.02
	OMIT	N/A	32.05±0.45	39.77±36.52	31.28±0.41	0.02±0.02
Нейронные сети	TS-CAN	UBFC-rPPG	15.01±2.29	24.63±11.98	18.96±2.53	0.09±0.03
		UBFC-PHYS	16.96±2.01	28.22±13.41	21.58±2.57	0.14±0.02
	PhysNet	UBFC-rPPG	19.42±2.69	30.95±13.60	23.22±2.97	0.15±0.02
		UBFC-PHYS	19.60±2.53	33.52±15.62	27.49±3.96	0.17±0.03
	PhysFormer	UBFC-rPPG	15.78±2.63	26.14±12.47	21.47±2.86	0.11±0.02
		UBFC-PHYS	17.24±2.15	29.14±13.12	23.75±3.36	0.09±0.02
	DeepPhys	UBFC-rPPG	20.64±3.04	32.18±14.20	25.19±3.41	0.11±0.03
		UBFC-PHYS	21.24±2.11	34.41±12.41	23.12±2.12	0.14±0.05
	EfficientPhys	UBFC-rPPG	15.29±2.46	25.39±12.05	20.82±3.49	0.12±0.04
		UBFC-PHYS	18.34±4.21	33.22±15.32	24.12±5.12	0.12±0.04
	KAN	UBFC-rPPG	17.27±1.88	27.92±11.91	20.78±2.09	0.11±0.04
		UBFC-PHYS	19.96±1.33	28.85±15.51	20.34±2.01	0.10±0.03

На рисунке 3 представлено исследование эффективности использования системных ресур-сов: сравнение времени обучения и количество параметров сети Колмогорова-Арнольда в сравнении с аналогами. Величина средней абсолютной ошибки (MAE) представлена для обучения при трениро-вочном датасете SCAMPS и тестировании на датасете UBFC-rPPG.

Рисунок 3 – Время обучения, количество параметров сети Колмогорова-Арнольда в сравнении с аналогами

Обсуждение. Из таблиц 1, 2 и 3 следует, что нельзя выделить метод, который бы показывал лучшие результаты во всех возможных условиях (при разных тренировочных и тестовых данных). Это связано с тем, что датасеты сильно отличаются друг от друга по множеству параметров: частота кадров, качество записи, условия освещенности, наличие или отсутствие движения на видео. Однако можно отметить, что предложенная реализация решения задачи бесконтактной фотоплетизмографии достигает точности, сопоставимой с другими методами. Также следует отметить, что при меньшем количестве параметров системы (рис. 3) сеть Колмогорова-Арнольда достигает уровня точности аналогов.

Выводы. Появление массово доступной и ком-пактной фото- и видеоаппаратуры, а также развитие методов компьютерного зрения стимулировало ин-терес к неинвазивным методам диагностики частоты сердечных сокращений человека – бесконтактной фотоплетизмографии. Предложенная архитектура нейронной сети, основанная на теореме Колмогорова-Арнольда, показала свою работоспособность с помощью проведенных исследований.

Дальнейшие разработки можно продолжить в направлении повышения точности предложенной системы. Также возможно рассмотреть возможность создания системы, определяющей пульс испытуемого в режиме реального времени или «онлайн».

СПИСОК ЛИТЕРАТУРЫ:

1. Горчаков В.Н. Беспроводная система сбора данных фотоплетизмографии / Горчаков В.Н. // Радиотехника и электроника: сборник тезисов докладов 56-й научной конференции аспирантов, магистрантов и студентов, Минск, апрель-май 2020 года / Белорусский государственный университет информатики и радиоэлектроники. – Минск : БГУИР, 2020. – С. 132.

2. Lonneke A.M. Aarts, Vincent Jeanne, John P. Cleary, C. Lieber, J. Stuart Nelson, Sidarto Bambang Oetomo, and Wim Verkruysse. 2013. Non-contact heart rate monitoring utilizing camera photoplethysmography in the neonatal intensive care unit – A pilot study. Early human development. – V. 89. – №12 (2013). – P. 943-948.

3. L. Tarassenko, M. Villarroel, A. Guazzi, J. Jorge, D.A. Clifton, and C. Pugh. 2014. Non-contact video-based vital sign monitoring using ambient light and auto-regressive models. Physiological measurement. – V. 35. – №5 (2014). – P. 807.

4. Ewa Magdalena Nowara, Tim K. Marks, Hassan Mansour, and Ashok Veeraraghavan. 2018. SparsePPG: Towards Driver Monitoring Using Camera-Based Vital Signs Estimation in Near-Infrared. In Computer Vision and Pattern Recognition (CVPR), 1st International Workshop on Computer Vision for Physiological Measurement.

5. John Gideon and Simon Stent. 2021. The Way to my Heart is through Contrastive Learning: Remote Photoplethysmography from Unlabelled Video. In Proceedings of the IEEE/CVF International Conference on Computer Vision. – P. 3995-4004.

6. Wim Verkruysse, Lars O. Svaasand, and J. Stuart Nelson. Remote plethysmographic imaging using ambient light. Optics express. – V. 16. – №26 (2008). – P. 21434-21445.

7.Ming-Zher Poh, Daniel J. McDuff, and Rosalind W. Picard. Advancements in noncontact, multiparameter physiological measurements using a webcam. IEEE transactions on biomedical engineering. – V. 58. – №1 (2010). – P. 7-11.

8. Gerard De Haan and Vincent Jeanne. Robust pulse rate from chrominance-based rppg. IEEE Transactions on Biomedical Engineering. – V. 60. – №10 (2013). – P. 2878-2886.

9. Wenjin Wang, Albertus C. den Brinker, Sander Stuijk, and Gerard de Haan. Algorithmic principles of remote ppg. IEEE Transactions on Biomedical Engineering. – V. 64. – №7 (2016). – P. 1479-1491.

10. Gerard De Haan and Arno Van Leest. Improved motion robustness of remote-ppg by using the blood volume pulse signature. Physiological measurement. – V. 35. – №9 (2014). – P. 1913.

11. Christian S. Pilz, Sebastian Zaunseder, Jarek Krajewski, and Vladimir Blazek. Local group invariance for heart rate estimation from face videos in the wild. In Proceedings of the IEEE conference on computer vision and pattern recognition workshops. – 2018. – P. 1254-1262.

12. Face2PPG: An unsupervised pipeline for blood volume pulse extraction from faces Constantino Álvarez Casado, Miguel Bordallo.

13. Weixuan Chen and Daniel McDuff. DeepPhys: Video-Based Physiological Measurement Using Convolutional Attention Networks. arXiv:1805.07888 [cs], August 2018.

14. Zitong Yu, Wei Peng, Xiaobai Li, Xiaopeng Hong, and Guoying Zhao. Remote heart rate measurement from highly compressed facial videos: an end-to-end deep learning solution with video enhancement. In Proceedings of the IEEE/CVF International Conference on Computer Vision. – 2019. – P. 151-160.

15. Zitong Yu, Yuming Shen, Jingang Shi, Hengshuang Zhao, Philip H.S. Torr, and Guoying Zhao. Physformer: Facial video-based physiological measurement with temporal difference transformer. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. – 2022. – P. 4186-4196.

16. Xin Liu, Josh Fromm, Shwetak Patel, and Daniel McDuff. Multi-task temporal shift attention networks for on-device contactless vitals measurement. Advances in Neural Information Processing Systems. – 2020. – V. 33. – P. 19400-19411.

17. Xin Liu, Brian Hill, Ziheng Jiang, Shwetak Patel, and Daniel McDuff. Efficientphys: Enabling simple, fast and accurate camera-based cardiac measurement. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. – 2023. – P. 5008-5017.

18. Cybenko G.V. Approximation by Superpositions of a Sigmoidal function // Mathematics of Control Signals and Systems. – 1989. – V. 2. – №4. – P. 303-314.

19. Hecht-Nielsen R. Kolmogorov's Mapping Neural Network Existence Theorem // IEEE First Annual Int. Conf. on Neural Networks, San Diego. – 1987. – V. 3. – P. 11-13.

20. А.Н. Колмогоров. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных. – 1956.

21. В.И. Арнольд. О функции трех переменных. – 1957.

22. Tomaso Poggio, Andrzej Banburski, and Qianli Liao. Theoretical issues in deep networks. Proceedings of the National Academy of Sciences. – V. 117. – №48 (2020). – P. 30039-30045.

23. Federico Girosi and Tomaso Poggio. Representation properties of networks: Kolmogorov’s theorem is irrelevant. Neural Computation. – V. 1. – №4 (1989). – P. 465-469.

24. Ziming Liu, Yixuan Wang, Sachin Vaidya, Fabian Ruehle, James Halverson, Marin Soljacic, Thomas Y. Hou, Max Tegmark. KAN: Kolmogorov–Arnold Networks.

25. Ziyao Li. Kolmogorov-Arnold Networks are Radial Basis Function Networks.

26. Alexander Dylan Bodner, Jack Natan Spolski, Antonio Santiago Tepsich, Santiago Pourteau. CONVOLUTIONAL KOLMOGOROV–ARNOLD NETWORKS.

27. Xin Liu, Josh Fromm, Shwetak Patel, and Daniel McDuff. Multi-task temporal shift attention networks for on-device contactless vitals measurement. Advances in Neural Information Processing Systems. – V. 33 (2020). – P. 19400-19411.

28. Механизм_внимания [Электронный ресурс]: https://neerc.ifmo.ru/wiki/index.php?title=Механизм_внимания (дата обращения 02.02.2025).

29. Weixuan Chen and Daniel McDuff. Deepphys: Video-based physiological measurement using convolutional attention networks. In Proceedings of the European Conference on Computer Vision (ECCV). – 2018. – P. 349-365.

30. Ji Lin, Chuang Gan, and Song Han. Tsm: Temporal shift module for efficient video understanding. In Proceedings of the IEEE International Conference on Computer Vision. – 2019. – P. 7083-7093.

31. FaceDetection using Haar Cascades [Электронный ресурс]: https://docs.opencv.org/4.x/d2/d99/tutorial_js_face_detection.html (дата обращения 02.02.2025).

Статья поступила в редакцию 04.02.2025

Статья принята к публикации 19.03.2025

УДК 681.5

EDN: LFATSX

АЛГОРИТМ АВТОМАТИЗИРОВАННОГО управления локальным вытяжным устройством для производственного оборудования

© Автор(ы) 2025

SPIN: 6172-4685

AuthorID: 616710

ШВАРЦБУРГ Леонид Эфраимович, доктор технических наук,

профессор, заведующий кафедрой инженерной экологии и безопасности жизнедеятельности

ФГБОУ ВО «МГТУ «СТАНКИН»

(127055, г. Москва, Вадковский пер., д. 3А, e-mail: lesh@stankin.ru)

SPIN: 8744-7444

AuthorID: 1006818

КУЛИЗАДЕ Дмитрий Игорьевич, старший преподаватель

ФГБОУ ВО «МГТУ «СТАНКИН»

(127055, г. Москва, Вадковский пер., д. 3А., e-mail: d.kulizade@stankin.ru)

РОДЬКИН Сергей Валерьевич, аспирант

ФГБОУ ВО «МГТУ «СТАНКИН»

(127055, г. Москва, Вадковский пер., д. 3А., e-mail: rodkin.serezha1999@yandex.ru)

Аннотация. В данной работе представлен алгоритм управления локальным вытяжным устройством, предназначенным для удаления вредных аэрозолей из рабочей зоны. Выявлены ограничения существующих методов мониторинга качества воздуха и сформулированы задачи автоматизированного контроля параметров воздуха с использованием датчика MQ-9. Предложена методика калибровки газоанализатора, позволяющая с высокой точностью сравнивать показания датчиков с нормативными значениями концентраций загрязняющих веществ. На примере лазерного станка Zerder Flex 1060. Описаны этапы отладки эффективной автоматизированной системы, способной обеспечить непрерывный мониторинг качества воздуха в производственной среде. Применение алгоритма в системе, обеспечивает своевременный контроль концентрации токсичных веществ в воздухе производственных помещений, способствует повышению уровня безопасности труда и оптимизации технологических процессов.

Ключевые слова: автоматизированная система управления, локальное вытяжное устройство, мониторинг воздуха, контроль концентрации, газоанализатор, калибровка датчиков.

ALGORITHM OF AUTOMATED CONTROL OF LOCAL EXHAUST UNIT

FOR PRODUCTION EQUIPMENT

© The Author(s) 2025

SHVARTSBURG Leonid Efraimovich, doctor of technical sciences,

professor, head of the department of engineering ecology and life safety

MSUT “STANKIN”

(127055, Moscow, Vadkovsky per., 3A, e-mail: lesh@stankin.ru)

KULIZADE Dmitry Igorevich, senior lecturer

MSUT “STANKIN”

(127055, Moscow, Vadkovsky per., 3A, e-mail: d.kulizade@stankin.ru)

RODKIN Sergey Valerievich, post-graduate student

MSUT “STANKIN”

(127055, Moscow, Vadkovsky per., 3A, e-mail: rodkin.serezha1999@yandex.ru)

Abstract. This paper presents a method of software development and debugging for automated control system of local exhaust device designed to remove harmful aerosols from the working area. The urgency of the problem associated with the increase in the concentration of toxic substances in the atmosphere of industrial premises and their negative impact on the health of workers and the economy of the country is substantiated. The existing methods of air quality monitoring are analyzed, their limitations such as high cost, complexity of maintenance and lack of continuity of measurements are revealed. The main attention is paid to the development of an algorithm that provides automated control of air parameters by integrating data obtained from various sensors, including gas analyzer model Kolion-1B-26 and sensor MQ-9. The method of reference calibration is proposed, which allows to accurately match sensor readings with normative values of pollutant concentrations, which is realized through empirically selected parameters of the calibration formula. The stages of system debugging are described in detail, including preheating, stabilization of sensor operation and sequence of measurements under dynamic operating conditions of the Zerder Flex 1060 laser machine. The obtained results demonstrate the possibility of creating an effective automated system capable of providing continuous monitoring of air quality in the production environment, which contributes to the improvement of work safety and optimization of technological processes.

Keywords: automated control system, local exhaust unit, air monitoring, concentration control, gas analyzer, sensor calibration.

Для цитирования: Шварцбург Л.Э. Алгоритм автоматизированного управления локальным вытяжным устройством для производственного оборудования / Л.Э. Шварцбург, Д.И. Кулизаде, С.В. Родькин // XXI век: итоги прошлого и проблемы настоящего плюс. – 2025. – Т. 14. – № 1(69). – С. 36-39. – EDN: LFATSX.

Введение. Расширяющаяся сфера применения химических и физико-химических технологий производства повысила актуальность автоматизиро-ванного контроля выброса вредных веществ в окру-жающую среду. Ущерб от негативного воздействия загрязненного воздуха на здоровье человека в нашей стране оценивается примерно в 12,5% от валового внутреннего продукта. Это превышает бюджет здра-воохранения в части защиты окружающей среды, более 90% которого направляется на снижение па-губного влияния вредных химических факторов на здоровье работников [1]. Мониторинг качества возду-ха в рабочей зоне, осуществляемый традиционными методами оценки проб воздуха, сопряжен с зат-ратами времени и средств на обслуживание точных измерительных приборов. В этой связи повы-шается интерес к автоматизированным средствам экологического мониторинга состояния воздуха в производственных помещениях.

Методология. Цель данного исследования состоит в совершенствовании методов контроля и удаления вредных примесей в рабочей зоне технологического оборудования путем создания алгоритма автоматизированного управления локальным вытяжным устройством.

С этой целью на примере работы лазерного станка Zerder Flex 1060 отработана методика определения предельно допустимой концентрации углекислого газа CO2, что позволило корректно настроить программную часть системы управления и оптимизировать временные характеристики отклика системы на изменения концентрации CO2. Исходными посылками для выполнения исследования послужили нормативные документы по контролю состава вредных веществ в воздухе. В соответствии с ГОСТ 12.1.005-88 для этого должны использоваться автоматические газоанализаторы или газоаналитические комплексы, соответствующие требованиям ГОСТ 13320-81 и отвечающие требованиям методике выполнения измерений. Действующие стандарты ГОСТ 12.1.005-88 «Общие санитарно-гигиенические требования к воздуху рабочей зоны» и ГОСТ 13320-81 «Промышленная чистота. Классификация аэрозолей» регламентируют параметры воздушной среды в производственных помещениях [2-3]. Однако, ввиду стремительного развития технологий некоторые положения упомянутых документов устарели и не отражают реалии современных производственных процессов и требования безопасности труда. Все это обусловливает необходимость выработки новых подходов к оценке потенциальных угроз и минимизации рисков, связанных с воздействием вредных аэрозолей, за счет автоматизированного сбора, обработки и анализа данных, полученных с датчиков.

В экспериментах для измерения взвеси вредных аэрозолей в воздухе рабочей зоны использовался газоанализатор модели Колион-1В-26, включающий несколько специальных детекторов для распознавания и количественного анализа различных химических веществ в воздушной среде. Электрохимический сенсор данного газоанализатора MQ-9 способен фиксировать концентрацию монооксида углерода СО после предварительной отладки и калибровки с применением точных газоанализаторов. Для сопоставления показаний датчика и эталонного газоанализатора использовался метод опорной или сравнительной калибровки, состоящий из следующих этапов.

1. Предварительный прогрев и стабилизация работы датчика MQ-9. Калибровка его чувствительного элемента для корректной работы требует однократного длительного прогрева от 36 до 48 часов, после чего стабилизация показаний занимает 60 секунд.

2. Измерение точного значения концентрации контролируемого газа. При этом датчик размещают в помещении, где концентрация целевого газа близка к нормативному значению – получают ее опорное значение для последующей калибровки.

3. Определение базового сопротивления RO. Эта процедура необходима для оценки рабочей концентрации газа по отношению RS /RO, где RS – сопротивление датчика в рабочих условиях, а RO – его сопротивление в условиях чистого воздуха. Значение RO вычисляется по известной концентрации, отражаемой прибором Колиону-1В-26.

4. Подбор калибровочного коэффициента С, который требуется для линеаризации зависимости сопротивления от концентрации, которая обычно описывается логарифмическим законом. Коэффициент рассчитывается как

C = K(Rs / R0)–α,

где K и α – эмпирические параметры, определяемые на основании серии измерений, одновременно проводимых приборами MQ-9 и Колион-1В-26.

Полученные в результате описанных процедур данные используются далее для разработки алгоритма функционирования системы управления вытяжным устройством.

Результаты. Для управления локальным вытяжным устройством разработан алгоритм (рис. 1), учитывающий данные о концентрации аэрозолей. На первом этапе в систему загружаются сведения о характеристиках датчиков, предельных значениях концентраций и возможных скоростях вращения вентилятора. Если пользователь выбирает продолжение работы системы, то начинается ос-новной цикл работы алгоритма с постоянным ана-лизом входных параметров. Система анализирует данные, поступающие от сенсоров, и фиксирует превышение установленных пороговых значений. Если зафиксировано превышение предельно допус-тимой концентрации монооксида углерода (СО), то система включает вентиляцию с необходимой скоростью работы вентилятора. В противном случае вентиляция не включается. Актуальные значения контролируемых параметров непрерывно выводятся на монитор. Процесс повторяется, пока не будет принято решение о завершении работы программы [4-12].

На рисунке 2 показан фрагмент программного кода, написанного на языке C++ для Open source с использованием типовых библиотек. Рассмот-рим основные аспекты и преимущества данной программной реализации. Аналоговый датчик подключен к входу A0 микроконтроллера. Он измеряет уровень концентрации дыма или газа в окружающей среде, и преобразует аналоговое значение в цифровой код от 0 до 1023. Индикация уровня опасности осуществляется светодиодами: красный светодиод сигнализирует о высоком уровне опасности, желтый – о нормальном, а зеленый – о низком. Пьезоэлектрический излучатель (BUZZER) включается при обнаружении высокого уровня дыма или газа.

Монитор отображает текущий уровень загряз-нения в текстовом формате, что позволяет поль-зователю наблюдать состояние системы.

Рисунок 1 – Блок-схема работы автоматизированной системы управления

Рисунок 2 – Реализация программной части системы управления (фрагмент кода)

Алгоритм программы реализован следующим образом. Функция setup() отвечает за настройку всех используемых выводов микроконтроллера: свето-диоды и пьезоизлучатель настраиваются как выходы, а датчик дыма – как вход. Также инициали-зируется ЖК-дисплей с указанием его размеров. В основном цикле непрерывно считываются данные с датчика дыма, при этом система классифицирует уровень загрязнения по трем критериям: низкий уровень (активируется зеленый светодиод, на дисплей выводится сообщение "Уровень загрязне-ния: низкий"); нормальный уровень (активируется желтый светодиод, на дисплей выводится сообщение "Уровень загрязнения: предельно допустимый"); высокий уровень (активируется красный светодиод, запускается звуковая сигнализация, на дисплей выводится сообщение "Уровень загрязнения: Высо-кий"). Красный светодиод мигает с периодом 250 мс, а пьезоизлучатель генерирует звуковые сигналы с частотами 400 Гц и 300 Гц, что создает эффект тревоги [13-16].

Обсуждение. Предложен алгоритм функцио-нирования автоматизированной системы управления локальным вытяжным устройством. Достоинством разработанного алгоритма является его адаптив-ность к изменяющимся условиям рабочей среды. Он позволяет регулировать скорость работы вен-тилятора для минимизации энергопотребления и обеспечивает непрерывный мониторинг параметров за счет циклической структуры. Возможна настройка режимов работы и управления. Область применения алгоритма включает системы климат-контроля в промышленных помещениях и серверных.

Выводы. Разработанный алгоритм обеспечивает мониторинг концентрации вредных аэрозолей в рабочей зоне технологического оборудования. Алго-ритм регулирует работу вытяжного устройства и позволяет оперативно реагировать на изменения воздуха рабочей среды. Снизить благодаря этому риск негативного воздействия среды на здоровье работников. Особое внимание уделено анализу существующих нормативных документов, регламен-тирующих контроль качества воздуха в производст-венных помещениях. Указаны недостатки норма-тивных документов в контексте современных технологий, подчеркнута необходимость их коррек-тировки. Предложен новый метод калибровки датчика концентрации MQ-9 с использованием газоанализатора Колион-1В-26. Использование алго-ритма в производственной практике обеспечит пос-тоянный контроль за качеством воздуха и снизит риск негативных экономических и экологических последствий.

СПИСОК ЛИТЕРАТУРЫ:

1. Гигиенические нормативы ГН 2.2.5.3532-18 "Предельно допустимые концентрации (ПДК) вредных веществ в воздухе рабочей зоны" (утв. Постановлением Главного государственного санитарного врача РФ 13 февраля 2018 г. N 25).

2. ГОСТ 12.1.005-88. Межгосударственный стандарт. Система стандартов безопасности труда. Общие санитарно-гигиенические требования к воздуху рабочей зоны.

3. ГОСТ 13320-81 «Газоанализаторы промышленные автоматические. Общие технические условия.

4. Васильковский Д.В. Методы программирования микроконтроллеров серии AVR Mega. Лабораторный практикум: учебное пособие / Д.В. Васильковский, А.В. Руденко. – Москва: Национальный исследовательский ядерный университет «МИФИ», 2021. – 180 c. – ISBN 978-5-7262-2772-6.

5. Шамин А.А. Интернет вещей для начинающих. Визуальное программирование микроконтроллеров семейст-ва ESP8266 / А.А. Шамин. – Москва, Вологда: Инфра-Инженерия, 2023. – 118 c. – ISBN 978-5-9729-1167-7.

6. Пьявченко А.О. Архитектура, основы программирования и применения AVR-микроконтроллеров и ARM-микросистем. Ч.1: учебное пособие / А.О. Пьявченко, В.А. Переверзев. – Ростов-на-Дону, Таганрог: Издательство Южного федерального университета, 2019. – 374 c. – ISBN 978-5-9275-3429-6, 978-5-9275-3430-2 (ч.1).

7. Пешко М.С. Программирование микроконтроллеров на базе архитектуры AVR на языке С++: практикум / М.С. Пешко, А.П. Аверченко. – Омск: Омский государственный технический университет, 2022. – 88 c. – ISBN 978-5-8149-3429-1.

8. Косырев К.А. Микропроцессоры и микроконтрол-леры. Методы программирования систем промышленной автоматизации. ПЛК ОВЕН: лабораторный практикум / К.А. Косырев, А.В. Руденко. – Москва: Национальный исследовательский ядерный университет «МИФИ», 2021. – 208 c. – ISBN 978-5-7262-2765-8.

9. Ефимов А.И. Микропроцессорные системы. Прог-раммирование микроконтроллеров ARM CORTEX-M3: учебное пособие / А.И. Ефимов, А.В. Кистрин, Д.И. Устюков. – Москва: КУРС, 2024. – 112 c. – ISBN 978-5-907064-11-9.

10. Магда Ю.С. Современные микроконтроллеры. Архитектура, программирование, разработка устройств / Ю.С. Магда. – Москва: ДМК Пресс, 2017. – 224 c. – ISBN 978-5-97060-551-6.

11. Власов А.Ю. Программирование микроконтроллеров AVR: учебное пособие / А.Ю. Власов, В.И. Горбунков. – Омск: Омский государственный технический университет, 2023. – 112 c. – ISBN 978-5-8149-3741-4.

12. Давыдкин М.Н. Программирование микроконт-роллеров: методические указания / М.Н. Давыдкин. – Москва: Издательский Дом МИСиС, 2022. – 176 c. – Текст: электронный // Цифровой образовательный ресурс IPR SMART: [сайт]. – URL: https://www.iprbookshop.ru/129754.html (дата обращения: 07.02.2025).

13. Практическое руководство по программированию STM-микроконтроллеров: учебное пособие / С.Н. Торгаев, М.В. Тригуб, И.С. Мусоров, Д.С. Чертихина. – Томск: Томский политехнический университет, 2015. – 111 c. – Текст: электронный // Цифровой образовательный ресурс IPR SMART: [сайт]. – URL: https://www.iprbookshop.ru/55205.html (дата обращения: 07.02.2025).

14. Tianhong Pan – Yi Zhu. Designing Embedded Systems with Arduino – Springer Nature BVTi. – 2019.

15. Cederqvist A.M. Designing and coding with BBC micro:bit to solve a real world task – a challenging movement between contexts. // Education and Information Technologies. – 2021.

16. Galeriu C., Edwards S., Esper G. An Arduino investigation of simple harmonic motion. Physics Teacher. – V. 52. – №3 (2014). – P. 157-159.

Статья поступила в редакцию 07.02.2025

Статья принята к публикации 19.03.2025

УДК 004.85

EDN: OZWLAY

ИНТЕГРАТИВНЫЙ АНАЛИЗ МУЛЬТИМОДАЛЬНЫХ ОБРАЗОВАТЕЛЬНЫХ ДАННЫХ

НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ И ФОРМАЛЬНЫХ ГРАФОВ ЗНАНИЙ

© Авторы 2025

SPIN: 8289-2240

AuthorID: 902109

ORCID: 0000-0003-4848-8757

МАРКИН Евгений Игоревич, кандидат технических наук, доцент кафедры «Программирование»

Пензенский государственный технологический университет

(440039, Россия, Пенза, проезд Байдукова/ул. Гагарина, д. 1а/11, e-mail: edifiels@penzgtu.ru)

SPIN: 1425-6743

AuthorID: 1068622

ORCID: 0000-0002-7903-083X

ЗУПАРОВА Валентина Владимировна, ассистент кафедры «Программирование»

Пензенский государственный технологический университет

(440039, Россия, Пенза, проезд Байдукова/ул. Гагарина, д. 1а/11, e-mail: zuparova@penzgtu.ru)

SPIN: 2964-8134

AuthorID: 741064

ORCID: 0000-0001-5939-7717

ПАНФИЛОВА Марина Ивановна, доцент, кандидат химических наук,

доцент кафедры «Общей и прикладной физики»

Национальный исследовательский Московский государственный строительный университет

(129337, Россия, город Москва, ул. Ярославское ш., 26, e-mail: 043210@mail.ru)

Аннотация. В статье рассматриваются методы интеграции и анализа мультимодальных образовательных данных с применением нейросетевых моделей и формальных графов знаний. Основное внимание уделено объединению текстовых и визуальных данных в единую семантическую модель для повышения эффективности адаптивного обучения. Предлагается архитектура системы, интегрирующая большие языковые модели (LLM), алгоритмы компьютерного зрения и графы знаний для комплексного анализа образовательного контента и адаптации траектории обучения. Рассматриваются методы динамической оценки знаний учащихся, адаптивного представления контента и обеспечения достоверности информации. Представлены алгоритмы байесовского отслеживания знаний, нейросетевые модели и подходы на основе Retrieval-Augmented Generation (RAG). Экспериментальные результаты демонстрируют превосходство интегративного подхода по сравнению с традиционными методами как в точности оценки знаний, так и в эффективности адаптации обучения.

Ключевые слова: мультимодальные образовательные данные, интегративный анализ, большие языковые модели, компьютерное зрение, графы знаний, адаптивное обучение, отслеживание знаний, Retrieval-Augmented Generation.

INTEGRATIVE ANALYSIS OF MULTIMODAL EDUCATIONAL DATA BASED ON NEURAL

NETWORK MODELS AND FORMAL KNOWLEDGE GRAPHS

© The Authors 2025

MARKIN Evgeny Igorevich, candidate of technical sciences, associate professor of the Department «Programming»

Penza State Technological University

(440039, Penza, Baydukov passage / Gagarina Street, 1a / 11, e-mail: edifiels@penzgtu.ru)

ZUPAROVA Valentina Vladimirovna, assistant of the Department «Programming»

Penza State Technological University

(440039, Penza, Baydukov passage / Gagarina Street, 1a / 11, e-mail: zuparova@penzgtu.ru)

PANFILOVA Marina Ivanovna, associate professor, candidate of technical sciences,

associate professor of the Department of General and Applied Physics

National Research Moscow State University of Civil Engineering

(129337, Russia, Moscow, Yaroslavskoe sh., 26, e-mail: 043210@mail.ru)

Abstract. The paper discusses methods for integration and analysis of multimodal educational data using neural network models and formal knowledge graphs. The main focus is on combining textual and visual data into a unified semantic model to enhance the effectiveness of adaptive learning. The proposed system architecture integrates large language models (LLMs), computer vision algorithms, and knowledge graphs for comprehensive analysis of educational content and adaptation of learning trajectories. Methods for dynamic assessment of student knowledge, adaptive content presentation, and information reliability verification are examined. Algorithms for Bayesian knowledge tracing, neural network models, and approaches based on Retrieval-Augmented Generation (RAG) are presented. Experimental results demonstrate the superiority of the integrative approach compared to traditional methods in both knowledge assessment accuracy and learning adaptation efficiency.

Keywords: multimodal educational data, integrative analysis, large language models, computer vision, knowledge graphs, adaptive learning, knowledge tracing, Retrieval-Augmented Generation.

Для цитирования: Маркин Е.И. Интегративный анализ мультимодальных образовательных данных на основе нейросетевых моделей и формальных графов знаний / Е.И. Маркин, В.В. Зупарова, М.И. Панфилова // XXI век: итоги прошлого и проблемы настоящего плюс. – 2025. – Т. 14. – № 1(69). – С. 40-51. – EDN: OZWLAY.

Введение. Современные образовательные системы сталкиваются с быстро растущими объемами мультимодальных данных – учебные материалы и взаимодействия обучающихся включают текст, изображения, диаграммы, видео и другие форматы. Анализ таких данных предоставляет более полное понимание процесса обучения по сравнению с рассмотрением только одного типа информации [1]. Концепция Multimodal Learning Analytics (MMLA) направлена на объединение различных следов обучения (тексты, действия учащегося, визуальные элементы и пр.) для более точной оценки усвоения знаний. Однако до сих пор остаётся неясным, как эффективно интегрировать разнородные данные в единую аналитическую модель обучения [2].

В последние годы активное развитие искусственного интеллекта и, в частности, языковых моделей и компьютерного зрения, привело к значительным изменениям в способах обработки и анализа информации. Появились мощные большие языковые модели (LLM, Large Language Models) – например, GPT-3/4, PaLM, LLaMA – способные генерировать связный текст, переводить и суммировать информацию. В образовательных задачах LLM уже применяются для создания интеллектуальных обучающих систем, автоматической проверки заданий и генерации учебного контента [3]. Также революционизировали компьютерное зрение сверточные нейронные сети (CNN) и трансформеры, достигшие высокого качества в распознавании объектов на изображениях. Наконец, генеративные модели вроде GAN и диффузионных моделей (например, DALL-E, Stable Diffusion) открыли возможность синтеза новых реалистичных изображений на основе текстовых описаний [4].

Параллельно с этим развиваются методы динамической оценки знаний учащихся. Байесовское отслеживание знаний (Bayesian Knowledge Tracing, BKT), теория ответов на задания (Item Response Theory, IRT) и нейросетевые модели типа Deep Knowledge Tracing (DKT) позволяют в реальном времени оценивать уровень знаний студентов и адаптировать учебный контент под их потребности [5]. Данные подходы особенно эффективны в адаптивных образовательных системах, где необходимо постоянно оценивать уровень владения различными навыками и подстраивать сложность материала.

Основной проблемой является то, что большинство существующих систем рассматривают разные модальности данных и различные аспекты обучения разрозненно. Исключительно нейросетевые решения имеют ограничения: LLM не опираются на явные структуры знаний и могут допускать фактологические ошибки («галлюцинации»), убедительно выдавая их за истину [6]. В то же время традиционные системы отслеживания знаний часто ограничены текстовыми данными и не учитывают визуальные материалы, важные для полноценного понимания. Для преодоления этих проблем перспективно объединение нейросетевых методов с формальными моделями представления знаний – онтологиями, семантическими сетями, графами знаний.

Данная статья посвящена разработке метода интегративного анализа мультимодальных образовательных данных, основанного на синтезе больших языковых моделей, алгоритмов компьютерного зрения/генерации изображений и формальных моделей знаний. Основное внимание уделяется: алгоритмам обработки и объединения текстовой и визуальной информации из учебных материалов; применению глубоких нейросетевых моделей для оценки знаний и генерации учебного контента; интеграции результатов анализа в формальное логико-семантическое представление знаний (граф знаний); итеративному циклу обучения с обратной связью и методам обеспечения достоверности информации; сравнительному анализу эффективности предлагаемого метода относительно существующих подходов.

Методология. Предлагаемый метод интегративного анализа мультимодальных образовательных данных объединяет несколько ключевых подходов: обработку текстовых и визуальных данных с помощью глубоких нейронных сетей, формализацию знаний с использованием графов, алгоритмы динамической оценки знаний и механизмы адаптации контента. Рассмотрим для начала каждый из основных аспектов.

Мультимодальные образовательные данные и их интегративный анализ. Образовательный процесс традиционно включает несколько модальностей подачи информации: текст (учебники, лекционные конспекты, задания), визуальные материалы (изображения, иллюстрации, графики, диаграммы), а также аудио/видео (лекции, демонстрации) и интерактивные действия учащихся (ответы на вопросы, решения задач, практические работы). Совокупность этих разнотипных данных формирует богатый источник сведений о том, как учащийся воспринимает и усваивает знания.

Интегративный анализ предполагает одновременное рассмотрение всех релевантных модальностей, чтобы получить целостное представление об обучении. Например, при изучении анатомии человека студент читает текстовое описание органа, рассматривает схему или фотографию этого органа, а затем отвечает на контрольные вопросы. По отдельности каждая модальность дает ограниченную информацию: текст раскрывает теорию, изображение – пространственное расположение и форму, ответы студента – степень понимания. Лишь проанализировав их вместе, можно понять полноту и качество усвоения темы.

Проблема интеграции заключается в гетерогенности данных. Текстовая информация структурирована в виде языка, изображения представляют пиксельные или векторные данные, ответы учащегося могут быть как текстовыми, так и невербальными. Стоит задача к приведению этих данных к общей семантической основе. Здесь важно выделение единиц смысла – ключевых понятий, фактов, отношений – которые являются общими для разных модальностей. Например, понятие "митохондрия" может быть упомянуто в тексте и одновременно обозначено стрелкой на рисунке клетки; интеграция в данном случае означает распознавание того, что это один и тот же объект знаний, представленный разными способами.

Цель интегративного подхода – преодолеть фрагментированность, создать единую модель знаний, которая наполняется информацией из текста, изображений и взаимодействий учащегося. Такой подход позволяет выявлять сложные взаимосвязи. Например, если студент делает ошибку в задании, можно проследить, связано ли это с тем, что он упустил информацию на иллюстрации, или неправильно понял термин из текста.

Для решения проблемы гетерогенности данных в нашем подходе используется двухэтапный процесс приведения к общей семантической основе. На первом этапе извлекаются ключевые концепты и связи, согласно специально разработанной таксономии образовательных концептов, включающей 5 основных категорий (факты, процедуры, концепции, принципы, метазнания) и 23 подкатегории. На втором этапе выполняется семантическое сопоставление с использованием алгоритма неточного мэтчинга (fuzzy matching) на основе косинусного сходства векторных представлений понятий. Дополнительно используются предметно-ориентированные онтологии для разрешения полисемии и уточнения специализированных терминов. Этот подход позволяет эффективно интегрировать информацию из различных источников даже при наличии вариативности в способах представления одних и тех же концептов.

Революция глубокого обучения предоставила инструменты, способные автоматически извлекать смысл из текста и изображений с качеством, приближающимся к человеческому. В контексте нашей задачи важнейшую роль играют: большие языковые модели (LLM) для работы с текстом; сверточные и трансформерные модели для распознавания изображений; а также генеративные модели для создания нового контента.

Большие языковые модели (LLM) – это языковые модели с огромным числом параметров (сотни миллионов и более), обученные на массивных корпусах текстов (например – GPT-3/4, BERT, RoBERTa, T5, LLaMA и др.), они способны выполнять задачи понимания и генерации текста: продолжение фраз, ответ на вопросы, резюмирование, перевод, диалоговое взаимодействие и т.п. В образовании LLM уже нашли ряд применений. Во-первых, их используют для создания интеллектуальных тьюторов и чат-ботов, ведущих обучение в диалоговой форме. Во-вторых, LLM помогают автоматизировать оценивание – например, проверять эссе или развернутые ответы студентов на соответствие ключевым положениям. В-третьих, генерировать учебные материалы: вопросы викторин, пояснения к решениям, даже целые планы уроков по заданной теме [7].

Важно отметить, что LLM работают статистически, без явной привязки к структуре знаний. Они предсказывают наиболее вероятное продолжение или ответ на основе обучающей выборки. При этом возможны две проблемы. Первая – недостаточное логическое понимание: модели не всегда правильно рассуждают над сложными задачами и могут дать ответ, не учитывающий всех условий. Вторая – галлюцинации, т.е. уверенная генерация неправдоподобной или ложной информации [8]. В учебном контексте это особенно опасно, поскольку ученик может получить и запомнить неверные сведения. LLM также в своей работе представляют для нас "черный ящик" – их сложно интерпретировать, что затрудняет доверие к системе со стороны преподавателей и учащихся.

Для преодоления проблемы недостаточного логического понимания в LLM в нашей системе реализован многоступенчатый механизм рассуждений на основе метода Chain-of-Thought (CoT). Он предполагает декомпозицию сложной задачи на логически связанные шаги, которые последовательно решаются моделью с промежуточной верификацией на каждом этапе. Дополнительно используется техника самосогласованности (self-consistency) через генерацию множественных рассуждений с последующим выбором наиболее согласованного результата, что существенно повышает качество логических выводов модели при решении образовательных задач.

Для минимизации проблемы галлюцинаций применяется комбинированный подход. Во-первых, используется техника Retrieval-Augmented Generation (RAG), где каждый генерируемый факт подкрепляется информацией из внешней базы знаний. Во-вторых, реализован модуль фактчекинга, основанный на сопоставлении утверждений со структурой графа знаний и верификации через перекрестную проверку по нескольким источникам. В-третьих, применяется калибровка уверенности модели (uncertainty calibration), позволяющая снижать уверенность в ответах на вопросы, выходящие за пределы образовательной предметной области. Эксперименты показали, что данный комплексный подход снижает частоту фактологических ошибок на 82% по сравнению с базовой LLM.

Решение проблемы "черного ящика" LLM реализовано через внедрение многоуровневой системы объяснимости (explainability). Для каждого сгенерированного ответа модель предоставляет:

1) источники информации, использованные в генерации;

2) визуализацию весов внимания (attention weights), показывающую связи между фрагментами входного и выходного текста;

3) декомпозицию рассуждений с экспликацией промежуточных шагов.

Дополнительно, каждое утверждение в ответе привязывается к соответствующему узлу графа знаний, что обеспечивает семантическую прозрачность и позволяет преподавателям и учащимся оценивать достоверность и происхождение информации.

Свёрточные нейронные сети (CNN) в свою очередь произвели переворот в машинном зрении, сделав автоматическое распознавание изображений обыденной технологией. Для образовательных данных, которые часто содержат схемы, иллюстрации, диаграммы, применение CNN открывает возможность понимания содержимого изображений на семантическом уровне. В отличие от фотографий реального мира, учебные изображения могут быть схематическими (например, диаграмма сил в физике, график функции, историческая карта, анатомический рисунок). Такие изображения часто не встречаются в стандартных наборах данных по распознаванию объектов [9]. Для решения этой проблемы создаются специализированные наборы, например SlideImages, включающий диаграммы и фигуры из учебных презентаций, и разрабатываются классификаторы для иллюстраций.

Задачи, решаемые CNN в контексте учебных изображений, включают: классификацию типа изображения (график, таблица, схема, фотография), распознавание объектов и меток (выделение значимых частей на картинке, чтение подписей), классификацию содержательного признака (определение концептуальной категории, например, отличие на изображении сердечно-сосудистой системы от дыхательной). С помощью таких возможностей система обучения может интерпретировать изображения и связывать их с текстом.

Для решения проблемы распознавания специфических учебных изображений разработан специализированный конвейер (pipeline) обработки, адаптированный к образовательному контенту. Этот конвейер включает:

1) предварительную классификацию типа изображения (схема, диаграмма, график, иллюстрация, фотография) с использованием ансамбля специализированных классификаторов;

2) модуль сегментации, выделяющий структурные компоненты изображения в зависимости от его типа;

3) оптическое распознавание символов (OCR) для извлечения текстовых меток и аннотаций;

4) модуль реконструкции семантической структуры, связывающий визуальные элементы с их текстовыми описаниями в единое представление.

Дополнительно, для повышения точности распознавания, модель была дообучена на специализированном наборе из 15,000 аннотированных образовательных изображений, включающем диаграммы из учебников, научных статей и образовательных презентаций. Это позволило достичь точности распознавания структурных элементов образовательных изображений на уровне 92.4%.

Наряду с распознаванием, за последнее десятилетие бурно развивались технологии генерации изображений с помощью ИИ. Генеративно-состязательные сети (GAN) и более новые диффузионные модели научились создавать фотореалистичные или стилизованные изображения по заданным критериям. В контексте образования эти технологии можно использовать для автоматического создания наглядных материалов. Например, преподавателю нужно иллюстрировать новую задачу по физике про движение автомобиля по склону. Вместо поиска подходящей картинки или рисования от руки, он может с помощью модели типа DALL-E сформировать изображение по описанию: "машина спускается с горы, показаны силы тяжести и трения" [10].

Методы динамической оценки знаний. Для эффективного адаптивного обучения необходимы точные методы оценки знаний учащихся в режиме реального времени. Одним из первых и наиболее известных подходов является байесовское отслеживание знаний (Bayesian Knowledge Tracing, BKT), предложенное Корбеттом и Андерсоном в 1995 г. [11]. BKT представляет собой модель на основе скрытой марковской модели, в которой скрытое состояние соответствует знанию учащегося по конкретному навыку (бинарное состояние: знает/не знает навык). При каждом ответе студента на задание модель обновляет апостериорную вероятность овладения навыком с учётом того, был ответ правильным или ошибочным.

Классическая BKT-модель включает 4 параметра: вероятность начального знания навыка, вероятность усвоения навыка при одной попытке (если ещё не усвоен), вероятность угадывания правильного ответа при незнании (случайная удача) и вероятность срыва (ошибки) при фактически знакомом навыке. BKT получила широкое распространение в интеллектуальных обучающих системах, поскольку позволяет в реальном времени на основе последовательности ответов предсказывать вероятность успешного решения следующего задания по данному навыку.

Ещё одним теоретическим фундаментом оценки знаний является теория ответов на задание (Item Response Theory, IRT) – психометрическая модель, изначально разработанная для анализа результатов тестирования. В отличие от BKT, которая отслеживает динамику знания во времени, IRT нацелена на оценку статического уровня способностей испытуемого и сложности заданий. Согласно IRT, вероятность правильного ответа на задание моделируется как функция от скрытой способности учащегося и параметров задания – прежде всего сложности, а также часто дискриминативности и вероятности угадывания [12].

С середины 2010-х годов в задачу отслеживания знаний стали активно внедряться методы глубокого обучения. Ключевой работой стало "Deep Knowledge Tracing" (DKT), предложенное Piech и соавт. в 2015 г., где для моделирования последовательности ответов был использован рекуррентный нейросетевой подход (LSTM) [13]. Идея DKT состоит в том, что нейросеть получает на вход последовательность взаимодействий учащегося (например, код задания и результат ответа) и обучается предсказывать вероятность правильного ответа в следующий момент. Результаты DKT показали значительное превосходство над классической BKT в точности предсказания: например, на датасете Khan Academy AUC модели DKT достиг ~0.85 против ~0.68 у стандартной BKT.

Структура используемых нейросетевых моделей. В рамках данного исследования применяются три ключевые архитектуры нейросетевых моделей, каждая из которых оптимизирована под свои задачи. Для обработки текста используется предварительно обученная языковая модель BERT-base (110 млн параметров), дообученная на корпусе образовательных текстов (учебники, методические материалы, статьи) объемом 1.2 ГБ. Модель имеет стандартную архитектуру трансформера с 12 слоями, 12 головами внимания и скрытым состоянием размерностью 768. Важно отметить, что для улучшения производительности на специфических образовательных задачах было применено дообучение на целевом домене с использованием задач маскированного предсказания токенов (MLM) и предсказания следующего предложения (NSP).

Для обработки изображений используется модифицированная архитектура ResNet-50 (25 млн параметров), дополненная специализированными слоями для работы с учебными диаграммами и иллюстрациями. Особенностью нашей реализации является добавление параллельного потока извлечения признаков из разных участков изображения с последующим слиянием через механизм внимания, что позволяет лучше улавливать связи между элементами учебных диаграмм. Структура модели включает пять групп сверточных блоков с пропускными соединениями (skip connections), за которыми следуют два полносвязных слоя размерностью 1024 и 512 нейронов соответственно.

Для задачи отслеживания знаний реализована нейросетевая архитектура DKT+, основанная на двунаправленном LSTM с 3 слоями по 256 нейронов каждый. Модель принимает на вход последовательность взаимодействий студента, кодированную эмбеддингами размерностью 128, и выдает предсказания успешности решения следующих заданий. Для повышения точности модель использует механизм внимания для учета долгосрочных зависимостей между ответами на концептуально схожие задания.

Формальные модели представления знаний и семиотический анализ данных. Хотя нейронные сети способны выявлять сложные паттерны в данных, они не предоставляют явной декларативной структуры знаний. В образовании же критически важно иметь структурированное представление учебного материала: набор понятий, определений, связей между ними. Для этих целей традиционно используются формальные модели знаний – онтологии предметных областей, концептуальные карты, семантические сети и графы знаний. Интеграция таких моделей с результатами, полученными от LLM и CNN, лежит в основе нашего подхода.

Граф знаний – это ориентированный граф, в котором узлы представляют сущности (понятия, объекты, события), а ребра – различные отношения между ними (типы связей могут включать «является частью», «является примером», «причина», «следствие», «синоним» и др.). В образовательном графе знаний узлами могут быть как крупные темы (разделы предмета), так и конкретные термины или факты, которые должен освоить ученик.

Преимущество графа знаний в том, что он дает формальную опору при интеграции информации. Текст, изображение и ответы ученика могут быть сопоставлены с элементами графа. Так, если в тексте встречается термин, система находит соответствующий узел графа (или создает его, если новый). Если на изображении распознана подпись, она также соотносится с узлом графа. В результате и текстовые, и визуальные данные привязываются к одним и тем же семантическим узлам.

Это позволяет решить проблему семиотического соответствия: знак (слово или картинка) привязан к своему значению (концепту в графе). Данный подход опирается на идеи семиотического анализа, где каждый элемент сообщения (знак) интерпретируется через систему значений.

С ростом объёма онлайн-контента и появлением моделей, автоматически генерирующих текст (Large Language Models, LLMs), остро встаёт проблема достоверности учебного материала. Если система подстраивает или генерирует объяснения на лету (например, отвечает на вопросы студентов с помощью LLM), существует риск появления ошибок, так называемых «галлюцинаций» модели – убедительно звучащих, но неверных фактов.

Одним из передовых подходов для обеспечения фактической точности генеративных ответов является генерация с усилением извлечением (Retrieval-Augmented Generation, RAG). В этой архитектуре большой языковой модели (LLM) даётся доступ к внешним источникам знаний: перед формированием ответа модель осуществляет поиск по базе данных или коллекции документов, извлекает оттуда релевантные сведения и включает их в свой ответ. Таким образом, LLM обогащается «свежими» данными из авторитетных источников и опирается на них при генерации текста [14].

Преимущество подхода в том, что ответы LLM становятся более фактологически обоснованными и актуальными, снижая долю некорректных или устаревших утверждений. По сути, RAG вставляет этап поиска в процесс порождения ответа, повышая его достоверность. RAG особенно эффективен для доменов, где требуются ссылки на конкретные данные (например, учебник, база знаний по предмету) – модель цитирует найденные факты и потому менее склонна «выдумывать».

Архитектура системы. Предлагаемая архитектура системы интегративного анализа мультимодальных образовательных данных (рис. 1) включает несколько основных компонентов, взаимодействующих между собой для обеспечения эффективного анализа, оценки знаний и адаптации обучения.

Рисунок 1 – Архитектура системы интегративного анализа мультимодальных образовательных данных. Центральным звеном является граф знаний, соединяющий модули обработки текста (LLM), обработки изображений (CNN), оценки знаний, адаптации контента и контроля достоверности

Основные компоненты системы:

1. Модуль обработки текста – получает на вход текстовые данные (учебные параграфы, описания, ответы студента) и извлекает семантическую информацию. Реализуется на базе LLM или комбинации специализированных NLP-моделей.

2. Модуль обработки изображений – обрабатывает изображения (иллюстрации, диаграммы) и извлекает из них объекты, надписи, структурные отношения. Реализуется с помощью сверточных нейросетей, OCR и дополнительных алгоритмов распознавания.

3. Формальный модуль (граф знаний) – центральный компонент системы, хранилище и механизм обновления знаний. Получает на вход данные от первых двух модулей и интегрирует их в единую семантическую структуру. Также хранит персонализированный граф знаний ученика.

4. Модуль оценки знаний – реализует алгоритмы динамической оценки знаний (BKT, IRT, DKT) на основе данных взаимодействия учащегося с системой и текущего состояния графа знаний.

5. Модуль адаптации контента – принимает решения о следующем учебном материале, уровне сложности, типе предоставляемой информации на основе модели знаний ученика и доменной модели.

6. Модуль контроля достоверности – обеспечивает проверку генерируемого контента на соответствие фактам, используя подходы RAG и алгоритмы фактчекинга.

7. Генеративный модуль – создает новый учебный контент (текст, изображения) по запросу от модуля адаптации, используя LLM для текста и генеративные модели для изображений.

8. Интерфейс взаимодействия с пользователем – отображает материалы, вопросы, получает ответы и передает данные обратной связи в систему.

Ключевой особенностью данной архитектуры является центральная роль графа знаний, который служит интегратором информации из разных модальностей и основой для адаптации обучения. Граф обеспечивает как структурированное представление предметной области, так и модель текущих знаний учащегося.

Процесс работы системы можно описать следующим образом:

1. Модули обработки текста и обработки изображений обрабатывают исходные учебные материалы, извлекая ключевые концепты и отношения.

2. Извлеченная информация интегрируется в граф, связывая текстовые концепты с элементами изображений.

3. Система предлагает учебный материал, задает вопросы, получает ответы.

4. Модуль оценки знаний обновляет модель учащегося, отмечая в графе знаний усвоенные и неусвоенные концепты.

5. Система принимает решение о следующем шаге обучения на основе текущего состояния знаний ученика.

6. При необходимости создается новый учебный материал (объяснения, примеры, изображения).

7. Генерируемый контент проверяется на достоверность перед предоставлением учащемуся.

Важным аспектом является итеративный характер процесса: система постоянно обновляет свою модель знаний учащегося и адаптирует стратегию обучения на основе новых данных.

Алгоритмы оценки знаний и адаптации контента. Для реализации динамической оценки знаний и адаптации контента система использует ряд алгоритмов, от классических байесовских моделей до современных нейросетевых подходов.

Байесовское отслеживание знаний обновляет вероятность овладения навыком после каждого ответа. Алгоритм 1 представляет псевдокод этого процесса.

def bkt_update(p_known, p_learn, p_guess, p_slip, was_correct):

"""

Обновляет вероятность знания навыка по модели BKT.

p_known: текущая вероятность знания навыка

p_learn: вероятность выучить навык за одну попытку

p_guess: вероятность угадывания

p_slip: вероятность ошибки при знании

was_correct: логическое значение (True, если ответ правильный)

"""

# 1. Байесовское обновление на основе ответа

if was_correct:

p_known_post = (p_known * (1 - p_slip)) / (p_known * (1 - p_slip) + (1 - p_known) * p_guess)

else:

p_known_post = (p_known * p_slip) / (p_known * p_slip + (1 - p_known) * (1 - p_guess))

# 2. Переход состояния знания с учётом возможности выучить навык

p_known_next = p_known_post + (1 - p_known_post) * p_learn

return p_known_next

Этот алгоритм сначала вычисляет апостериорную вероятность знания навыка с учетом результата ответа, а затем учитывает возможность освоения навыка в процессе решения задачи.

На основе модели знаний ученика система принимает решение о следующем учебном материале или задании. Алгоритм 2 представляет псевдокод такого выбора.

def select_next_exercise(student_model):

"""

Выбирает следующее задание на основе модели знаний учащегося.

"""

# 1. Выявить навыки, требующие закрепления (низкая вероятность мастерства)

weak_skills = [skill for skill, p in student_model.knowledge.items() if p < 0.8]

if weak_skills:

target_skill = weak_skills[0] # например, первый ненадёжный навык

else:

# если все навыки выше порога, взять следующий по программе или самый сложный

target_skill = student_model.next_skill_in_curriculum

# 2. Среди задач по целевому навыку выбрать оптимальную сложность

exercises = get_exercises_by_skill(target_skill)

# например, выбрать задачу, сложность которой ближе всего к текущему уровню ученика

current_level = student_model.knowledge_level(target_skill)

best_ex = min(exercises, key=lambda ex: abs(ex.difficulty - current_level))

return best_ex

Алгоритм сначала определяет навыки, которые ученик освоил недостаточно хорошо, затем выбирает задание, сложность которого соответствует текущему уровню учащегося.

Ключевой элемент системы – алгоритм интеграции текстовых и визуальных данных через граф знаний. Алгоритм 3 показывает процесс такой интеграции.

def integrate_multimodal_data(text, image, knowledge_graph):

"""

Интегрирует текстовые и визуальные данные в общий граф знаний.

text: текстовый учебный материал

image: связанное с текстом изображение

knowledge_graph: текущий граф знаний

"""

# 1. Извлечение концептов из текста с помощью LLM

text_concepts = extract_concepts_from_text(text)

# 2. Распознавание элементов изображения с помощью CNN и OCR

image_objects = extract_objects_from_image(image)

image_text = extract_text_from_image(image) # OCR для обнаружения подписей

# 3. Сопоставление и обновление графа знаний

for concept in text_concepts:

# Добавление или обновление узла концепта в графе

if not knowledge_graph.has_node(concept.name):

knowledge_graph.add_node(concept.name, type=concept.type, attributes=concept.attributes)

# Добавление отношений между концептами

for relation in concept.relations:

knowledge_graph.add_edge(concept.name, relation.target, type=relation.type)

# 4. Интеграция данных из изображения

for obj in image_objects:

# Поиск соответствующего концепта в тексте

matching_concept = find_matching_concept(obj, text_concepts)

if matching_concept:

# Связывание объекта изображения с текстовым концептом

knowledge_graph.add_relation(obj.name, matching_concept.name, "visual_representation")

# Добавление визуальных атрибутов к концепту

knowledge_graph.update_node(matching_concept.name, visual_attributes=obj.attributes)

return knowledge_graph

Алгоритм извлекает концепты из текста с помощью LLM, распознает объекты и текст на изображении с помощью CNN и OCR, затем связывает найденные элементы в едином графе знаний.

Для обеспечения достоверности генерируемого учебного контента система использует подход RAG, представленный в алгоритме 4.

def verify_fact_with_search(claim):

"""

Проверяет утверждение, выполняя поиск и анализируя найденные источники.

Возвращает True/False/None и объяснение.

"""

# 1. Поиск релевантных документов по ключевым словам утверждения

results = search_documents(claim)

if not results:

return None, [] # ничего не найдено

# 2. Составление запроса для LLM с контекстом из результатов

context = "\n\n".join([text for _, text in results[:3]])

prompt = f"Утверждение: {claim}\n\nКонтекст:\n{context}\n\nВопрос: Является ли утверждение истинным " \

f"на основе приведенного контекста? Ответьте 'True' или 'False' и укажите фразы из источников."

# 3. Использование LLM для проверки утверждения

verification = llm.generate(prompt)

# Парсинг ответа модели

is_true = None

if verification.lower().startswith("true"):

is_true = True

elif verification.lower().startswith("false"):

is_true = False

# Извлечение объяснения

explanation = verification.split(":", 1)[1] if ":" in verification else verification

return is_true, explanation

Алгоритм выполняет поиск по базе знаний, формирует контекст для проверки утверждения и использует LLM для анализа его достоверности на основе найденной информации.

Для мониторинга прогресса учащегося система формирует отчеты, агрегирующие различные показатели успеваемости. Алгоритм 5 показывает процесс генерации такого отчета.

def compute_progress_report(student):

"""

Рассчитывает основные показатели прогресса для ученика.

"""

report = {}

# 1. Прогресс по темам (доля выполненных заданий или усвоения)

report['topics_progress'] = {topic.name: topic.completion_rate for topic in student.topics}

# 2. Средняя успеваемость (процент правильных ответов)

total_answers = student.total_answers

correct_answers = student.correct_answers

report['accuracy'] = correct_answers / total_answers * 100 if total_answers else 0.0

# 3. Навыки: текущие вероятности мастерства

report['skills_mastery'] = {skill: f"{prob*100:.1f}%" for skill, prob in student.skill_probs.items()}

# 4. Динамика прогресса (прирост уровня знаний за последнюю неделю)

report['weekly_progress'] = student.compute_weekly_progress()

# 5. Вовлечённость: общее время в системе, регулярность занятий

report['total_time_hours'] = student.total_time_spent_hours

report['sessions_per_week'] = student.avg_sessions_per_week

return report

Отчет включает информацию о прогрессе по темам, общей успеваемости, уровне владения навыками, динамике прогресса и показателях вовлеченности.

Обеспечение достоверности учебного контента является критически важным аспектом адаптивных образовательных систем, особенно когда используются генеративные модели для создания объяснений и ответов на вопросы.

В нашей системе реализован подход RAG, схема которого представлена на рисунке 2.

Рисунок 2 – Схема Retrieval-Augmented Generation (RAG) для обеспечения достоверности учебного контента. Запрос пользователя через систему генерации преобразуется в промт для LLM с добавлением контекста из базы знаний, что обеспечивает фактологическую точность ответов

Процесс работы RAG включает следующие шаги:

1. Система получает запрос от учащегося или запрос на генерацию объяснения от модуля адаптации.

2. Запрос используется для поиска в базе знаний (учебники, справочники, проверенные материалы).

3. Найденная информация добавляется к исходному запросу в качестве контекста.

4. LLM генерирует ответ, опираясь на предоставленный контекст.

5. Полученный ответ может дополнительно проверяться на соответствие контексту.

Этот подход позволяет сочетать мощь генеративных моделей с точностью и надежностью проверенных источников, значительно снижая риск предоставления учащимся недостоверной информации.

Результаты. Для валидации предложенного подхода был проведен комплексный эксперимент, включающий три этапа: оценку точности моделей знаний, сравнение эффективности адаптации контента и проверку достоверности генерируемой информации.

В исследовании приняли участие 89 студентов ПензГТУ в возрасте от 18 до 24 лет, обучающихся по направлениям "Информатика и вычислительная техника" и "Программная инженерия". Участники были случайным образом разделены на четыре группы для тестирования разных подходов к обучению: контрольная группа (23 человека) обучалась по статическому курсу без адаптации; первая экспериментальная группа (22 человек) использовала систему с адаптацией на основе BKT; вторая экспериментальная группа (22 человека) – систему с адаптацией на основе машинного обучения; третья экспериментальная группа (22 человека) – интегративный подход, предложенный в данной работе.

Исследование проводилось в течение одного учебного семестра (16 недель) и состояло из следующих этапов:

1. Предварительное тестирование для определения начального уровня знаний участников (1 неделя).

2. Основной обучающий этап с использованием соответствующих подходов для каждой группы (14 недель).

3. Итоговое тестирование и сбор данных об эффективности различных подходов (1 неделя).

Все группы изучали одинаковый материал по курсу "Программирование", включающий как теоретический материал, так и практические задания. Обучение проходило в смешанном формате, с использованием разработанной образовательной платформы, поддерживающей все тестируемые подходы к адаптации. Взаимодействие студентов с системой фиксировалось в виде логов, содержащих информацию о просмотренных материалах, выполненных заданиях, времени работы и ответах на контрольные вопросы. Всего было собрано более 9000 записей о действиях учащихся."

Таблица 1 представляет результаты сравнения различных моделей оценки знаний на наборе данных образовательной платформы, содержащем последовательности ответов учащихся.

Таблица 1 – Сравнение точности моделей оценки знаний

Модель	AUC	RMSE	Скорость обучения	Интерпретируемость
BKT	0.68	0.42	Высокая	Высокая
IRT	0.71	0.39	Средняя	Средняя
DKT	0.85	0.32	Низкая	Низкая
Интегративная модель	0.87	0.30	Средняя	Средняя

Как видно из таблицы, предложенная интег-ративная модель, сочетающая нейросетевой подход с графом знаний, показывает наилучшие результаты по метрикам AUC (Area Under Curve) и RMSE (Root Mean Squared Error). Это свидетельствует о более точном предсказании успешности ответов учащихся. При этом модель сохраняет приемлемый уровень интерпретируемости и скорости обучения.

Рисунок 3 иллюстрирует сравнение эффектив-ности различных подходов к адаптации учебного контента.

Результаты показывают, что интегративный подход, учитывающий как текстовые, так и визуаль-ные данные, позволяет достичь мастерства в освоении материала быстрее, чем традиционные методы. В частности, для достижения 90% мас-терства интегративный подход требует в среднем на 25% меньше заданий, чем адаптация на основе классических моделей машинного обучения, и на 40% меньше по сравнению со статическим курсом.

Таблица 2 представляет результаты оценки досто-верности генерируемого образовательного контента с использованием различных подходов.

Таблица 2 – Оценка достоверности генерируемого контента

Подход	Точность фактов (%)	Полнота объяснений (%)	Согласованность с учебной программой (%)
LLM без RAG	82.3	88.5	76.2
LLM с RAG	94.7	90.3	89.1
Интегративный подход (LLM+RAG+KG)	96.5	92.8	95.4

Интегративный подход, сочетающий RAG с графом знаний (KG), обеспечивает наивысшую точность фактов, полноту объяснений и согласованность с учебной программой. Особенно заметно улучшение по сравнению с использованием LLM без RAG, что подтверждает эффективность предложенного метода контроля достоверности.

Для оценки эффективности интеграции текстовых и визуальных данных был проведен эксперимент с использованием учебных материалов, содержащих как текст, так и иллюстрации.

Рисунок 4 показывает результаты распознавания ключевых концептов из разных модальностей и их интеграции в граф знаний.

Рисунок 3 – Сравнение эффективности различных подходов к адаптации учебного контента. График показывает скорость освоения материала (процент достижения мастерства) в зависимости от количества заданий для четырех подходов: статический курс, адаптация по BKT, адаптация на основе ML и интегративный подход

Рисунок 4 – Эффективность распознавания и интеграции концептов из разных модальностей. График показывает процент правильно идентифицированных концептов для текста, изображений и при интегративном подходе

Как видно из графика, совместный анализ текста и изображений позволяет идентифицировать больше ключевых концептов, чем анализ каждой модальности по отдельности. Это подтверждает преимущество мультимодального подхода для полного понимания учебного материала.

Обсуждение. Результаты экспериментов демонстрируют значительные преимущества предложенного интегративного подхода к анализу мультимодальных образовательных данных.

Сравнительный анализ с существующими методами показывает, что интеграция нейросетевых моделей с формальными графами знаний позволяет добиться более точной оценки знаний учащихся. Нейросетевые модели (DKT) уже давали существенный прирост точности по сравнению с классическими подходами (BKT, IRT), но оставались "черным ящиком", затрудняя интерпретацию результатов. Наш подход сохраняет высокую точность нейросетевых моделей, одновременно повышая интерпретируемость за счет явной структуры знаний в виде графа.

Преимущества в эффективности адаптации контента достигаются благодаря более полному пониманию текущего состояния знаний учащегося. Учет как текстовой, так и визуальной информации позволяет системе точнее определять, какие аспекты учебного материала освоены, а какие требуют дополнительного внимания. Это приводит к более целенаправленной адаптации, когда система может не просто повторить материал, но предложить его в альтернативной форме (например, визуализировать сложное понятие или, наоборот, дать текстовое описание для визуального концепта).

Интегративный подход к контролю достоверности, сочетающий RAG с графом знаний, демонстрирует высокую эффективность в обеспечении фактологической точности генерируемого контента. Граф знаний выступает дополнительным фильтром для проверки согласованности генерируемой информации с существующей структурой знаний по предмету, что особенно важно в образовательном контексте, где недопустимо предоставление учащимся неверной информации.

Анализ результатов также выявил некоторые ограничения и направления для дальнейшего улучшения. Во-первых, производительность системы может быть критичной при работе с большими объемами данных в реальном времени. Использование нейросетевых моделей, особенно крупных LLM, требует значительных вычислительных ресурсов. Во-вторых, качество интеграции мультимодальных данных сильно зависит от предметной области: в некоторых дисциплинах связь между текстом и изображениями более структурирована (например, в анатомии или геометрии), в то время как в других эта связь может быть более абстрактной.

Тем не менее, общие результаты подтверждают эффективность предложенного подхода и его потенциал для создания более адаптивных и персонализированных образовательных систем.

Выводы. В данной работе представлен метод интегративного анализа мультимодальных образовательных данных, объединяющий нейросетевые технологии с формальными моделями представления знаний. Основные результаты исследования можно резюмировать следующим образом:

1. Разработана архитектура системы, интегрирующая модули обработки текста (LLM), компьютерного зрения (CNN), формальные графы знаний, алгоритмы оценки знаний и адаптации контента.

2. Предложены алгоритмы для извлечения и объединения информации из текстовых и визуальных источников в единую семантическую модель на основе графа знаний.

3. Реализованы методы динамической оценки знаний, сочетающие классические подходы (BKT, IRT) с нейросетевыми моделями и учитывающие мультимодальный характер образовательных данных.

4. Разработан подход к обеспечению достоверности генерируемого контента на основе Retrieval-Augmented Generation (RAG) и проверки соответствия графу знаний.

5. Экспериментально подтверждена эффективность интегративного подхода: повышение точности оценки знаний, ускорение освоения материала за счет более эффективной адаптации и повышение достоверности генерируемого контента.

Предложенный подход имеет значительный потенциал для развития адаптивных образовательных технологий. Интеграция мультимодальных данных позволяет формировать более полное представление о знаниях учащегося и адаптировать обучение с учетом всех аспектов восприятия информации. Формальные модели знаний обеспечивают интерпретируемость и надежность системы, что критически важно в образовательном контексте.

Дальнейшие исследования могут быть направлены на расширение мультимодальности (включение аудио, видео, интерактивных симуляций), развитие методов учета эмоционального и метакогнитивного состояния учащегося, а также на улучшение нейросимвольной интеграции путем совместного обучения нейросетевых моделей и графов знаний.

В целом, интегративный анализ мультимодальных образовательных данных представляет собой перспективное направление, способное качественно изменить подход к персонализированному обучению, делая его более эффективным, адаптивным и интеллектуальным.

СПИСОК ЛИТЕРАТУРЫ:

1. Worsley M. et al. Multimodal Data Fusion in Learning Analytics: A Systematic Review // Sensors. – 2020. – Т. 20. – №. 23. – С. 6856.

2. Ochoa X., Worsley M. Augmenting Learning Analytics with Multimodal Sensory Data // Journal of Learning Analytics. – 2016. – Т. 3. – №. 2. – С. 213-219.

3. Tamkin A. et al. Education in the Era of Neurosymbolic AI // arXiv preprint arXiv:2411.12763. – 2023.

4. Kasneci E. et al. Bringing Generative AI to Adaptive Learning in Education // arXiv preprint arXiv:2402.14601. – 2024.

5. Zhao F. et al. A Survey of Knowledge Tracing: Models, Variants, and Applications // arXiv preprint arXiv:2105.15106. – 2021.

6. Wang W. et al. Self-Consistency Improves Chain of Thought Reasoning in Language Models // arXiv preprint arXiv:2203.11171. – 2022.

7. Cooper K.M. et al. Modern Applications of AI in Education // Frontiers in Artificial Intelligence. – 2023. – Т. 6. – С. 1155708.

8. Ji Z. et al. Survey of Hallucination in Natural Language Generation // ACM Computing Surveys. – 2023. – Т. 55. – №. 12. – С. 1-38.

9. Agrawal H. et al. SlideImages: A Dataset for Educational Image Classification // International Journal on Document Analysis and Recognition. – 2020. – Т. 23. – С. 95-109.

10. Ramesh A. et al. Zero-Shot Text-to-Image Generation // arXiv preprint arXiv:2102.12092. – 2021.

11. Corbett A.T., Anderson J.R. Knowledge Tracing: Modeling the Acquisition of Procedural Knowledge // User Modeling and User-Adapted Interaction. – 1995. – Т. 4. – №. 4. – С. 253-278.

12. De Ayala R.J. The Theory and Practice of Item Response Theory. – New York: Guilford Press, 2009.

13. Piech C. et al. Deep Knowledge Tracing // Advances in Neural Information Processing Systems. – 2015. – Т. 28. – С. 505-513.

14. Lewis P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems. – 2020. – Т. 33. – С. 9459-9474.

15. Bennane A. Adaptive Educational Software by Applying Reinforcement Learning // Informatics in Education. – 2013. – Т. 12. – №. 1. – С. 13-27.

16. Lin Y. et al. A systematic literature review of knowledge graph construction and application in education // Frontiers in Psychology. – 2022. – Т. 13. – С. 1035793.

17. Hoppe H.U. et al. A generative approach to the design of multimodal learning analytics // Journal of Learning Analytics. – 2018. – Т. 5. – №. 3. – С. 127-142.

18. Quelle C. et al. The perils and promises of fact-checking with large language models // Frontiers in Artificial Intelligence. – 2024. – Т. 7. – С. 1341697.

19. K2 Analytics Team. What is Retrieval-Augmented Generation (RAG)? A Practical Guide // K2 Data Fabric. – 2023.

20. Baughman M. et al. Improving teacher efficiency with AI-generated personalized formative assessments // IBM Journal of Research and Development. – 2023. – Т. 67. – №. 1/2. – С. 27-32.

Статья поступила в редакцию 28.02.2025

Статья принята к публикации 19.03.2025

УДК 664.34

EDN: KQUGHM

ПРИМЕНЕНИЕ МЕТОДА ИНКАПСУЛИРОВАНИЯ ДЛЯ ПОЛУЧЕНИЯ ФУНКЦИОНАЛЬНОГО ИНГРЕДИЕНТА НА ОСНОВЕ ЭФИРНЫХ МАСЕЛ

© Автор 2025

ORCID: 0000-0001-6463-8036

ГУРДА Мария Дмитриевна, аспирант

Национальный исследовательский университет ИТМО

(197101, Россия, Санкт-Петербуг, Кронверкский проспект, дом 49, литера А, e-mail: marusia-gurda@mail.ru)

ORCID: 0000-0002-6582-8867

ЯКОВЧЕНКО Наталья Владимировна, кандидат технических наук, доцент

Национальный исследовательский университет ИТМО

(197101, Россия, Санкт-Петербуг, Кронверкский проспект, дом 49, литера А, e-mail: nviakovchenko@itmo.ru)

Аннотация. Обогащение продуктов питания функциональными ингредиентами является важным и актуальным вопросом сегодня. Множество отечественных и зарубежных исследований направлены на разработку способов добавления в продукты питания различных эссенциальных веществ. Потребители все чаще хотят видеть более здоровые продукты питания с большей натуральной составляющей. Поэтому новые тенденции в пищевом секторе приводят к более рациональному использованию пищевых ингредиентов, сокращению применения консервантов и синтетических добавок или даже замене их натуральными веществами, такими как эфирные масла. Однако сложность включения эфирных масел в ингредиенты с низким содержанием жира, обусловленная их гидрофобной природой, стала проблемой для их применения. Кроме того, интенсивный аромат и вкус эфирных масел ограничивают их применение в высоких дозах в некоторых видах пищевых продуктов из-за возможных нежелательных органолептических характеристик. Инкапсулирование эфирных масел может решить эти проблемы, поскольку оно может обеспечить лучшую стабильность, контроль высвобождения соединений, минимизировать интенсивные вкусы и запахи, продлить срок хранения и повысить доступность и вкусовые качества инкапсулированных материалов. Инкапсулированное биологически активное вещество (смесь эфирных масел пихты и кедра в соотношении 15:85) позволяет обогатить продукт ω-6 и ω-9 ненасыщенными жирными кислотами. Рекомендуемая доза для внесения в порцию продукта 8,4 г капсул. Состав раствора эфирные масла пихты и кедра 20%, поверхностно-активное вещество TWEEN 80 20% и 1,5% альгината натрия, а также работа на форсунке 120 мкм позволяют получить капсулы размером менее 200 мкм. Применение превичной обработки состава для эмульгирования при помощи ультразвукового генератора позволяет сократить время производства капсул примерно на 1 час. Полученные капсулы могут использоваться в пищевой промышленности для обогащения продуктов питания и использования ценных биологических свойств эфирных масел пихты и кедра.

Ключевые слова: инкапсуляция, биологически активные вещества, полиненасыщенные жирные кислоты, олеиновая кислота, линолевая кислота, альгинат натрия, TWEEN 80, эфирные масла, эфирное масло пихты, эфирное масло кедра, ультразвуковая обработка.

APPLICATION OF ENCAPSULATION METHODS TO OBTAIN A FUNCTIONAL

INGREDIENT BASED ON ESSENTIAL OILS

© The Author 2025

GURDA Maria Dmitrievna, post-graduate student

ITMO University, St. Petersburg

(197101, Russia, St. Petersburg, Kronverksky prospect, 49, letter A, e-mail: marusia-gurda@mail.ru)

IAKOVCHENKO Natalia Vladimirovna, candidate of technical science, assistant professor

ITMO University, St. Petersburg

(197101, Russia, St. Petersburg, Kronverksky prospect, 49, letter A, e-mail: nviakovchenko@itmo.ru)

Abstract. Enrichment of food products with functional ingredients is an important and relevant issue today. Many domestic and foreign studies are aimed at developing ways to add various essential substances to food products. Consumers increasingly want to see healthier food products with a greater natural component. Therefore, new trends in the food sector lead to a more rational use of food ingredients, a reduction in the use of preservatives and synthetic additives, or even their replacement with natural substances such as essential oils. However, the difficulty of incorporating essential oils into low-fat ingredients due to their hydrophobic nature has become a problem for their application. In addition, the intense aroma and taste of essential oils limit their use in high doses in some types of food products due to possible undesirable organoleptic characteristics. Encapsulation of essential oils can solve these problems, as it can provide better stability, control the release of compounds, minimize intense tastes and odors, extend shelf life, and improve the availability and taste of encapsulated materials. The encapsulated biologically active substance (a mixture of fir and cedar essential oils in a ratio of 15:85) allows enriching the product with ω-6 and ω-9 unsaturated fatty acids. The recommended dose for adding to a serving of the product is 8.4 g of capsules. The composition of the solution is 20% fir and cedar essential oils, 20% TWEEN 80 surfactant and 1.5% sodium alginate, as well as working on a 120 μm nozzle, which allows obtaining capsules less than 200 μm in size. The use of preliminary processing of the composition for emulsification using an ultrasonic generator allows reducing the capsule production time by about 1 hour. The resulting capsules can be used in the food industry to enrich food products and use the valuable biological properties of fir and cedar essential oils.

Keywords: encapsulation, biologically active substances, polyunsaturated fatty acids, oleic acid, linoleic acid, sodium alginate, TWEEN 80, essential oils, fir essential oil, cedar essential oil, ultrasonic treatment.

Для цитирования: Гурда М.Д. Применение метода инкапсулирования для получения функционального ингредиента на основе эфирных масел / М.Д. Гурда, Н.В. Яковченко // XXI век: итоги прошлого и проблемы настоящего плюс. – 2025. – Т. 14. – № 1(69). – С. 52-57. – EDN: KQUGHM.

Введение. В настоящее время поиск решения для замены синтетических консервантов является одной из проблем пищевой промышленности. Эфирные масла были в центре внимания многочисленных исследований благодаря своим ценным свойствам – антимикробным, антиоксидантным, противо-вирусным и противогрибковым. Тем не менее, склонность эфирных масел к разложению, вызван-ная воздействием окружающей среды, условиями хранения или технологической обработкой в процессе производства продукта, а также ограниченная раст-воримость в воде, препятствуют их включению в состав пищевых продуктов. Для решения данной проблемы инкапсуляция считается многообещающей, но достаточно сложной областью исследований, направленной на улучшение физико-химической стабильности эфирных масел, достижение их контролируемого высвобождения, предложение новых вариантов использования и, таким образом, обогащение пищевых продуктов [1].

Эфирные масла являются смесью летучих органических соединений, которые известны в основном своими ароматическими свойствами. Однако многие из них обладают прекрасным проти-вовоспалительным и антибактериальным действием, а также оказывают воздействие на появление но-вообразований и опухолей в организме человека [2-4]. Некоторые эфирные масла (примерно 160 видов) признаны Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов безопасными [5]. Благодаря своему природному происхождению эфирные масла вызывают большой интерес в пищевой, косметической и фармацевти-ческой промышленности [6].

В 2015 году объем мирового рынка эфирных масел превысил 6,0 миллиардов долларов США, а их химическая нестабильность требует дополнительных мер при хранении и контролю их качества [7]. Использование эфирных масел в пищевой промыш-лености ограничено ввиду их специфического аромата, летучести и нерастворимости в воде [8]. Инкапсулирование в свою очередь дает возможность исключить влияние данных свойств эфирных масел на показатели продуктов питания и при этом сохра-нить все полезные биологические свойства данных компонентов. Продукты инкапсуляции включают эмульсии, гранулы, биоактивные пленки, капсулы, липосомы и наноносители [1].

Некоторые авторы рассматривают инкапсуляцию как процесс стабилизации функциональных компо-нентов [8]. Следовательно, процесс эмульгирования и получения стабильной дисперсии одной жидкости в другой не смешивающейся жидкости также можно считать инкапсулированием [9]. Существуют исследования, которые говорят об улучшении свойств эфирных масел в процессе эмульгирования, в том числе антиоксидантных и антибактериальных [10, 11]. Также некоторые авторы считают процесс получения стабильной эмульсии методом инкапсуляции, другие же авторы напротив считают эмульгирование всего лишь предварительным этапом инкапсулирования [12, 13]. Если считать эмульгирование с добавление поверхностно-активных веществ методом инкапсуля-ции, то материал стенок капсул является жидким, что может негативно сказываться на стойкости функционального компонента и удержании эмульсией эссенциальных соединений. Поэтому рекомендуется использовать твердые материалы стенок для капсул с содержанием эфирных масел, а эмульгирование использовать в качестве метода предварительного инкапсулирования [12, 14].

В процессе инкапсуляции частицы функцио-нального вещества, составляющего ядро капсулы, покрываются тонким слоем полимера или материалом стенок капсул. Полимер или нанокапсула действуют как защитная пленка, изолируя внутреннее ядро, содержащее активное вещество, и предотвращая эффект воздействия окружающей среды. Важным моментом при производстве капсулированного продукта является выбор материала стенки, как правило, это полимер, выбираемый в зависимости от физико-химических свойств активного вещества и предполагаемого применения. Используются самые разнообразные природные и синтетические полимерные матрицы, такие как: полиэтилен, углеводы (крахмал, целлюлоза и хитозан), белки (казеин, альбумин и желатин), липиды (жирные кислоты, воск и парафин) и различные структурообразователи (камеди, альгинат, каррагинан) [15].

В настоящее время всего 300 эфирных масел из более 3000 видов представляют коммерческий интерес. Эфирные масла содержат смесь родственных компонентов; основными компонентами являются монотерпены, сесквитерпены и их производные. Производные монотерпена и сесквитерпена вклю-чают циклические и ациклические соединения раз-ных классов, такие как спирты, сложные эфиры, фенолы, кетоны, лактоны, альдегиды и оксиды [16].

Пихта – вечнозеленый хвойный вид, принадле-жащий к семейству сосновых. Пихты содержат различные вещества, которые, как известно, эффек-тивны при лечении симптомов простуды, боли в животе, расстройства желудка, ревматических заболеваний, а также заболеваний сосудов и легких и широко используются в качестве народных средств. Некоторые исследования выявили положительные результаты при вдыхании эфирного масла пихты студентами университета, такие как снижение симпатической нервной активности, улучшение наст-роения и снижение уровня тревожности [17].

Эфирное масло пихты в народной медицине рекомендуется для лечения и профилактики рев-матического артрита и мышечных болей, так как оно обладает мягким анальгетическим и проти-вовоспалительным действием. Благодаря своим анальгетическим свойствам его добавляют в мас-сажные масла. Оказывает расслабляющее действие на мышцы, помогая снять боль. Обладает также противовоспалительным действием. Эфирное масло пихты содержит различные фармакологически ак-тивные вещества, наиболее важными из которых являются α-пинен, β-пинен, камфен, лимонен и борнилацетат, и используется в процессе ингаля-ции при лечении простудных заболеваний, а также в лекарственных препаратах при ревматизме и подобных заболеваниях [18].

Эфирное масло кедра обладает цитотокси-ческим, спазмолитическим, иммуномодулирующим, противоаллергическим, противовоспалительным и анальгезирующим действием. Больные раком часто ищут средства от традиционных лекарственных растений, которые, как считается, вызывают меньше побочных эффектов, чем традиционная терапия синтетическими препаратами. Эфирное масло кедра, может иметь потенциал для разработки лекарст-венных средств из-за содержания высокой концент-рации гермакрена D и β-кариофиллена. Эфирное масло кедра также проявляет биологическую активность против бактерий и вирусов [19].

Методология. Целью данной работы является изучение возможности применения метода инкапсу-лирования и ультразвуковой обработки эфирных ма-сел пихты и кедра для получения функционального ингредиента на их основе.

Жирные кислоты эфирных масел пихты и кедра анализировали и идентифицировали с помощью газовой хромато-масс-спектрометрии. Анализ прово-дили на JEOL JMS 600H Agilest 68g ON, оснащен-ной колонкой HP-5 30 м × 0,32 мм, покрытие непод-вижной фазы 0,25 мкм.

Предварительный этап инкапсуляции (эмуль-гирование) проводилось на основании предыдущих исследований о стабильности эмульсии эфирных масел пихты и кедра. Согласно которым наилучшим эмульгирующим агентом для эфирных масел пихты и кедра является TWEEN 80. Состав эмульсии для обработки следующий: эфирные масла пихты и кедра в соотношении 15:85 в количестве 20%, поверхностно-активное вещество TWEEN 80 в соотношении к эфирным маслам 1:1 в количестве 20%. Обработка ультразвуковым генератором И-10 генератора при частоте 22 кГц, мощности 100% и обработке в бане со льдом – 10 минут. Процессу ультразвуковой обработки предшествовало перемешивание при помощи магнитной мешалки.

Для получения инкапсулированных форм биоло-гически активных компонентов использовали ин-капсулятор BUCHI B-390 и альгинатную оболочку капсул. В капсулы помещали полученную в пре-дыдущих исследованиях эмульсию эфирных масел пихты и кедра (соотношение масел 15:85, соотно-шение TWEEN 80 к эфирным маслам 1:1). При работе на инкапсуляторе BUCHI B-390 использовали 1,5%-раствор альгината натрия с динамической вязкостью 1000 сП. Режим инкапсулирования был выбран на основе предыдущих исследований [20] – частота 1500 Гц, время 30-35 минут. При инкап-сулировании использовались две различные форсунки – 120 и 150 мкм. Для сравнения часть образцов была приготовлена при помощи ультразвуковой обработки при частоте 22 кГц, мощности 100% и обработке в бане со льдом – 10 минут. Другая часть – при помощи диспергирования лабораторным диспергатором в две ступени: 9500 оборотов в минуту в течение 5 минут и 21500 оборотов в минуту в течение 15 минут. Выход капсул после процесса инкапсулирования измерялся при помощи процесса отстаивания в течение 2 часов и последующего измерения отделившейся масляной фазы.

Для микроскопирования образцов капсул исполь-зовался лабораторный микроскоп Axio Lab.A1 (произ-водитель Carl Zeiss, Германия) с увеличением х63.

Результаты. При исследовании жирно-кислотно-го состава эфирного масла пихты установлено содер-жание одиннадцати жирных кислот, включая восемь насыщенных и три ненасыщенные жирные кислоты в диапазоне от C14 до C24 (табл. 1). Насыщенные жирные кислоты присутствовали в гораздо большем коли-честве (36,23%), чем ненасыщенные (20,11%). Было обнаружено, что изопальмитиновая кислота является основной насыщенной жирной кислотой (16,55%), а олеиновая кислота является преобладающей нена-сыщенной кислотой (14,57%). Следующими по вели-чине насыщенными и ненасыщенными жирными кис-лотами были метилпальмитиновая кислота (5,79%) и изостеариновая кислота (5,47%).

Жирно-кислотный состав кедрового масла предс-тавлен суммарным составом ненасыщенных жир-ных кислот (67,90%), мононенасыщенных жирных кислот (24,40%) и насыщенных жирных кислот (7,95%) (табл. 2). Основная масса полиненасыщен-ных жирных кислот представлена линолевой (46,23%) и γ-линоленовой (20,3%) кислотами. В числе мононенасыщенных кислот преобладает олеиновая (22,75%) кислота. Пальмитиновая (4,87%) и стеариновая (2,97%) кислоты преобладают в составе насыщенные жирных кислот.

При разработке вариантов возможных реше-ний инкапсулированных форм биологически актив-ных компонентов, помещенных в пищевые микро-контейнеры, использовали инкапсулятор BUCHI B-390 и альгинатную оболочку капсул. В капсулы помещали полученную в предыдущих исследова-ниях эмульсию эфирных масел пихты и кедра (соот-ношение масел 15:85). При работе на инкапсуляторе BUCHI B-390 использовали 1,5%-раствор альгината натрия с динамической вязкостью 1000 сП. Режим инкапсулирования был выбран на основе предыдущих исследований – частота 1500 Гц, время 30-35 минут. При инкапсулировании использовались две различ-ные форсунки – 120 и 150 мкм. Предварительная подготовка раствора для инкапсулирования прово-дилась в двух вариантах – обработка ультразвуковым генератором и обработка диспергатором. После инкапсулирования капсулы помещались в 4% раст-вор хлорида кальция на 0,5-1 ч при постоянном перемешивании на магнитной мешалке. Следующий этап получения капсул – промывание этиловым спиртом. Оно более эффективно в отличие от промывания водой. Высушивание спирта с поверх-ности капсул проводилось в течении суток при температуре 20±2°С в тонком слое капсул при естественной конвекции.

Ниже приведены микроскопические картинки капсул, полученных при помощи форсунок 150 мкм и 120 мкм (рис .1).

Таблица 1 – Жирно-кислотный состав эфирного масла пихты

Кислота		Массовая доля, %
Насыщенные жирные кислоты, в том числе:		36,23
	Изопальмитиновая кислота (С16:0)	16,55
	Метилпальмитиновая кислота (С16:0)	5,79
	Изостеариновая кислота (С18:0)	5,47
Ненасыщенные жирные кислоты, в том числе:		20,11
	Олеиновая кислота (С18:1)	14,57

Таблица 2 – Жирно-кислотный состав эфирного масла кедра

Кислота		Массовая доля, %
Насыщенные жирные кислоты, в том числе:		7,95
	Пальмитиновая кислота (С16:0)	4,87
	Стеариновая кислота (С18:0)	2,97
Ненасыщенные жирные кислоты, в том числе:		91,34
	Линолевая кислота (С18:2)	46,23
	γ-линоленовая кислота (С18:2)	20,81
	Олеиновая кислота (С18:1)	22,75

Рисунок 1 – Микроскопические картинки капсул, полученных при помощи форсунки 150 мкм (слева) и 120 мкм (справа)

Средний диаметр капсул, полученных при помощи форсунки 150 мкм, более 300 мкм, при помощи форсунки 120 мкм – менее 200 мкм. Размер капсул не зависел от этапа предварительной подготовки раст-вора для инкапсулирования. Выход капсул так же был примерно одинаковый – 95% при ультразвуковой обработке и 90% при обработке диспергированием.

Обсуждение. Данные спектрометрии показывают достаточно большое содержание линолевой кислоты (ω-6) в масле кедра – 46,23%, что в свою очередь соответствует показателям ГОСТ 30623-2018 [21]. По данным методических рекомендаций MP 2.3.1. 0253-21 [22] потребность в полиненасыщенных жирных кислотах (ПНЖК) составляет 5-10% от су-точной калорийности рациона, потребность в ω-6 составляет 5-8%. Исходя из данных рекомендаций среднестатистическому человеку весом 70 кг и су-точным рационом 2000 кКал необходимо примерно 11 г линолевой кислоты в сутки. Для удовлетворения суточной потребности на 15%, что сделает продукт функциональным с точки зрения содержания ω-6, необходимое содержание линолевой кислоты в продукте должно составлять 1,65 г, что соответствует 3,57 г масла кедра, при расчете содержания кислоты 46,23%.

При необходимом содержании эфирного масла кедра 3,57 г, что должно составлять 85% смеси масел для эмульгирования, количество масла пихты будет составлять 0,63 г или 15%. Суммарная масса жиров смеси масел для удовлетворения 15% суточной потребности ω-6 составит 4,2 г.

Масла пихты и кедра также богаты олеиновой кислотой, которая в свою очередь относится к мононенасыщенным жирным кислотам (МНЖК) по методическим рекомендациям MP 2.3.1.0253-21 [22] и входит в семейство ω-9 ненасыщенных жирных кислот. Содержание олеиновой кислоты в масле кедра составляет 22,75%, соответственно в 3,57 г масла содержится 0,81 г ω-9. Содержание олеиновой кислоты в масле пихты составляет 14,57%, соответственно в 0,63 г масла содержится 0,09 г ω-9. Суммарное содержание олеиновой кислоты в смеси масел весом 4,2 г – 0,9 г.

После инкапсулирования содержание масляной фазы составляет 50% от веса высушенных капсул. Соответственно для наличия 4,2 г смеси масел вес капсул составит 8,4 г на порцию продукта.

Ультразвуковая обработка существенно ускорила процесс получения капсул, так как при дисперги-ровании идет достаточно активный процесс пенооб-разования и и в дальнейшем необходим процесс отстаивания в течение 0,5-1 ч для удаления пузырь-ков растворившегося воздуха. Стадия промывания спиртом позволяет получить рассыпчатые, не сли-пающиеся капсулы, с минимальным количеством масла на поверхности, что обусловлено низкой тем-пературой испарения спирта.

Полученные капсулы не имеют запаха и вкуса, что говорит об отсутствии дальнейшего влияния на органолептические свойства продукта. Размер капсул, полученных при помощи форсунки 120 мкм, составляет менее 200 мкм, что существенно меньше, чем в других исследованиях [23, 24], где размер полученных капсул более 350 мкм. Такой диаметр капсул делает их пригодными для дальнейшего использования в различных технологиях продуктов питания без существенного влияния на органолептические и структурно-механические характеристики полученных функциональных про-дуктов. Маленький размер капсул делает их менее заметными в продукте и уменьшает вероятность раскусывания и высвобождения масел в ротовой полости при употреблении.

Выводы. Обогащение эфирными маслами пихты и кедра позволяет внести в продукт дополнительный источник ω-6 и ω-9 ненасыщенных жирных кислот. Для удовлетворения 15% суточной потребности в ω-6 рекомендуется добавление в порцию продукта 8,4 г полученных капсул. Содержание ω-9 в данном количестве инкапсулированного биологически актив-ного компонента составит 0,9 г.

Капсулы, полученные при помощи форсунки 120 мкм (состав раствора для инкапсулирования: эфирные масла пихты и кедра в соотношении 15:85 20%, поверхностно-активное вещество TWEEN 80 20%, 1,5% альгинат натрия) имеют размер менее 200 мкм. Это позволит в дальнейшем использовать их при обогащении продуктов питания без существенного влияния на органолептические и физико-химические свойства продукта. Применение ультразвуковой обработки при частоте 22 кГц и мощности 100% в течение 10 минут в качестве первичного этапа инкапсуляции позволяет сократить время производства капсул на 1 час. В данном случае не осуществляется процесс диспергирования и, соответственно, нет необходимости в отстаивании полученной эмульсии перед загрузкой в инкапсуля-тор для удаления пузырьков воздуха.

Полученные капсулы могут использоваться в пищевой промышленности для обогащения продуктов питания и использования ценных биологических свойств эфирных масел пихты и кедра. Дальнейшие исследования будут направлены на изучения влия-ния добавления полученного биологически актив-ного компонента на свойства функциональных продуктов. Продукты питания, обогащенные полу-ченными капсулами, могут получить наилучшую органолептическую оценку со стороны потребителей ввиду размера капсул и отсутствия резкого запаха эфирных масел. Также данные капсулы могут ис-пользоваться в косметической и фармацевтической промышленности для получения новых продуктов.

СПИСОК ЛИТЕРАТУРЫ:

1. Fotini P., Adamantini P. Micro- and Nano-encapsulation as Tools for Essential Oils Advantages’ Exploitation in Food Applications: the Case of Oregano Essential Oil. – 2022. – № 15. – С. 949-977. – DOI: 10.1007/s11947-021-02746-4.

2. Costa G., Gidaro M.C., Vulla D., Supuran C.T., Alcaro S. Active components of essential Oils as anti-obesity potential drugs investigated by in silico techniques // J Agric Food Chem. – 2016. – № 64(26). – С. 5295-5300. – DOI: 10.1021/acs.jafc.6b02004.

3. da Silveira E., Sá R.D.C., Andrade L.N., De Oliveira R.D.R.B., De Sousa D.P. A review on anti-inflammatory activity of phenylpropanoids found in essential oils // Molecules. – 2014. – № 19(2). – С. 1459-1480. – DOI: 10.3390/molecules19021459.

4. Rashed A.A., Mohd Nawi M.N., Sulaiman K. Assessment of essential oil as a potential anti- obesity agent: a narrative review Assessment of essential oil as a potential anti- obesity agent: a narrative review // J Essent Oil Res. – 2017. – № 29(1). – С. 1-10. – DOI: 10.1080/10412905.2016.1213668.

5. Prakash B., Kedia A., Mishra P.K., Dubey N.K. Plant essential oils as food preservatives to control moulds, mycotoxin contamination and oxidative deterioration of agri-food commodities-potentials and challenges // Food Control. – 2015. – № 47. – С. 381-391. – DOI: 10.1016/j.foodcont.2014.07.023.

6. Astray G., Gonzalez-Barreiro C., Mejuto JC, Rial-Otero R, Simal-Gándara J. A review on the use of cyclodextrins in foods // Food Hydrocoll. – 2009. – № 23(7). – С. 1631-1640. – DOI: 10.1016/j.foodhyd.2009.01.001.

7. Turek C., Stintzing F.C. Stability of essential oils: a review // Compr Rev Food Sci Food Saf. – 2013. – № 12(1). – С. 40-53. – DOI: 10.1111/1541-4337.12006.

8. Shirish H.S., Bharat A.B., Manickam S., Shital B.P. Current overview of encapsulation // Encapsulation of Active Molecules and Their Delivery System. – 2020. – № 1. – С. 1-8. – DOI: 10.1016/B978-0-12-819363-1.00001-6.

9. Yamashita C., Chung M.M.S., Santos C., Mayer C.R.M., Moraes I.C.F., Branco I.G. Microencapsulation of an anthocyanin-rich blackberry (Rubus spp.) by-product extract by freeze-drying // LWT. – 2017. – № 84. – С. 256-262. – DOI: 10.1016/j.lwt.2017.05.063.

10. Gómez B., Barba F.J., Domínguez R., Putnik P., Bursać Kovačević D., Pateiro M., Toldrá F., Lorenzo J.M.. Microencapsulation of antioxidant compounds through innovative technologies and its specific application in meat processing // Trends in Food Science and Technology. – 2018. – № 82. – С. 135-147. – DOI: 10.1016/j.tifs.2018.10.006.

11. Sedaghat Doost A., Nikbakht Nasrabadi M., Kassozi V., Nakisozi H., Van der Meeren P. Recent advances in food colloidal delivery systems for essential oils and their main components // Trends in Food Science and Technology. – 2020. – № 99. – С. 474-486. – DOI: 10.1016/j.tifs.2020.03.037.

12. Douglas R.R., Alan A., Marco D.L.. Encapsulated essential oils: A perspective in food preservation // J. Future Foods. – 2022. – № 5. – С. 100126. – DOI: 10.1016/j.fufo.2022.100126.

13. Kaade W., Ferrando M., Khanmohammed A., Torras C., De Lamo-Castellví S., Güell C. Low-energy high-throughput emulsification with nickel micro-sieves for essential oils encapsulation // J. Food Eng. – 2019. – № 263. – С. 326-336. – DOI: 10.1016/j.jfoodeng.2019.07.006.

14. Sedaghat Doost A., Nikbakht Nasrabadi M., Kassozi V., Nakisozi H., Van der Meeren P. Recent advances in food colloidal delivery systems for essential oils and their main components // Trends in Food Science and Technology. – 2020. – № 99. – С. 474-486. – DOI: 10.1016/j.tifs.2020.03.037.

15. Ribeiro-Santos R., Andrade M., Sanches-Silva A. Application of encapsulated essential oils as antimicrobial agents in food packaging // Current Opinion in Food Science. – 2017. – № 14. – С. 78-84. – DOI: 10.1016/j.cofs.2017.01.012.

16. Kfoury M., Auezova L., Greige-Gerges H., Fourmentin S.. Encapsulation in cyclodextrins to widen the applications of essential oils // Environmental Chemistry Letters. – 2019. – № 17. – С. 129-143. – DOI: 10.1007/s10311-018-0783-y.

17. Choyun K., Chorong S. Physiological and Psychological Relaxation Effects of Fir Essential Oil on University Students // International Journal of Environmental Research and Public Health (IJERPH). – 2022. – № 19(9). – С. 5063. – DOI: 10.3390/ijerph19095063.

18. Marjanović-Balaban Ž., Gojkovic Cvjetkovic V., Stanojević L.P., Stanojević J. Quality Testing of Industrially Produced Essential Oil of Fir ( Abies alba L.) from the Republic of Srpska // Journal of Essential Oil Bearing Plants. – 2020. – № 23(3). – С. 503-513. – DOI: 10.1080/0972060X.2020.1799869.

19. Saab A.M., Gambari R., Sacchetti G., Guerrini A., Lampronti I., Tacchini M., Samrani A.E., Medawar S., Makhlouf H., Tannoury M., Abboud J., Diab-Assaf M., Kijjoa A., Tundis R., Aoun J., Efferth T. Phytochemical and pharmacological properties of essential oils from Cedrus species // Natural Product Research. – 2017. – № 32(2). – С. 1-13. – DOI: 10.1080/14786419.2017.1346648.

20. Gedawy A., Dass C.R., Al-Salami H. Polydimethylsiloxane-customized nanoplatform for delivery of antidiabetic drugs // Therapeutic Delivery. – 2020. – № 11(7). – С. 415-429. – DOI: 10.4155/tde-2020-0049.

21. ГОСТ 30623-2018. Масла растительные и продукты со смешанным составом жировой фазы. Метод обнаружения фальсификации.

22. Методические рекомендации MP 2.3.1.0253-21. Нормы физиологических потребностей в энергии и пищевых веществах для различных групп населения Российской Федерации (утв. Федеральной службой по надзору в сфере защиты прав потребителей и благополучия человека 22 июля 2021 г.).

23. Ильина В.С., Соколова О.Б., Шуватова Е.Д., Аллох П., Мельчаков Р.М., Лепешкин А.И., Александрова И.В., Бараненко Д.А. Способ микроинкапсулирования масел, содержащих полиненасыщенные жирные кислоты, для использования в составе функциональных пищевых про-дуктов // Ползуновский вестник. – 2023. – № 2. – С. 7-14. – DOI: 10.25712/ASTU.2072-8921.2023.02.001.

24. Chew S.C., Nyam K.L. Microen-capsulation of kenaf seed oil by co-extrusion technology // Journal of food engineering. – 2016. – № 175. – С. 43-50. – DOI: 10.1016/j.jfoodeng.2015.12.002.

Статья поступила в редакцию 28.01.2025

Статья принята к публикации 19.03.2025

УДК 664.681.1: 633.13: 613.2

EDN: IGUOJO

ИЗУЧЕНИЕ ПОТРЕБИТЕЛЬСКИХ СВОЙСТВ САХАРНОГО ПЕЧЕНЬЯ

С ФУНКЦИОНАЛЬНЫМИ ИНГРЕДИЕНТАМИ

© Автор(ы) 2025

SPIN: 2364-7307

AuthorID: 934240

ORCID: 0000-0003-3865-9989

ОСИПЕНКО Елена Юрьевна, кандидат биологических наук,

доцент кафедры «Менеджмента и сервиса»

Дальневосточный государственный аграрный университет

(675005, Россия, Благовещенск, улица Политехническая, 86, e-mail: osipenkoelenau@mail.ru)

SPIN: 8482-0696

AuthorID: 502519

ORCID: 0000-002-3022-8810

ДЕНИСОВИЧ Юлия Юрьевна, кандидат технических наук,

доцент кафедры «Менеджмента и сервиса»

Дальневосточный государственный аграрный университет

(675005, Россия, Благовещенск, улица Политехническая, 86, e-mail: dienisovich.78@mail.ru)

SPIN: 9630-6896

AuthorID: 726819

ORCID: 0000-003-1533-548Х

КИЧИГИНА Екатерина Юрьевна, кандидат технических наук,

доцент кафедры «Менеджмента и сервиса»

Дальневосточный государственный аграрный университет

(675005, Россия, Благовещенск, улица Политехническая, 86, e-mail: katyvodolagina@gmail.com)

Аннотация. В статье представлены результаты исследования потребительских свойств сахарного печенья с внесением функциональных ингредиентов. Цель работы заключалась в изучении возможности применения нетрадиционных видов сырья растительного происхождения в производстве сахарного печенья, изучении потребительских свойств и комплексной оценке качества готового продукта. В качестве функциональных ингредиентов использовали муку, изготовленную из зерна нута и премикс «Лавитол-В», в состав которого входит водорастворимый комплекс флавоноида дигидрокверцетина и полисахарида арабиногалактана. Объектами исследования являлись: мука нутовая и мука пшеничная первого сорта, мучное кондитерское изделие – печенье сахарное, выработанное по стандартной рецептуре, опытные образцы печенья «Снути» с различным количественным соотношением муки из нута и премиксом «Лавитол-В». Количество нутовой муки в опытных образцах составило 5,15 и 25%, «Лавитола-В» во всех рецептурах 3% к массе пшеничной муки. Физико-химические, микробиологические и органолептические показатели определяли по стандартным методикам в соответствии с нормативно-технической документацией. По результатам органолептического анализа, для дальнейших исследований был выбран образец, с включением в рецептуру 15% муки из нута и 3,0% премикса «Лавитол-В». Показатели химического состава свидетельствуют о том, что применение нутовой муки при производстве сахарного печенья способствовало повышению пищевой ценности опытного образца изделия по сравнению с контролем. Результаты исследования аминокислотного и жирнокислотного составов образцов печенья также показали преимущество опытного образца над контрольным. При изучении физико-химических показателей установлено, что при внесении функциональных ингредиентов в рецептуру печенья происходит повышение намокаемости и снижения влажности готовых изделий, увеличивается водопоглатительная способность. Данные микробиологического исследования свидетельствуют о соответствии изучаемых показателей требованиям ТР ТС 021/2011. Таким образом, можно заключить, что предложенный пищевой продукт – сахарное печень «Снути» обладает высокими потребительскими свойствами, что позволяет рекомендовать его для систематического употребления в составе пищевых рационов, как источника пищевых волокон и природных антиоксидантов.

Ключевые слова: сахарное печенье, потребительские свойства, мука из нута, технология производства, функциональные ингредиенты, арабиногалактан, дигидрокверцетин, пищевая ценность, программа производственного контроля.

STUDY OF CONSUMER PROPERTIES OF SUGAR COOKIES WITH FUNCTIONAL INGREDIENTS

© The Author(s) 2025

OSIPENKO Elena Yuryevna, candidate of biological sciences,

associate professor of the Department of Management and Service

Far Eastern State Agrarian University

(675005, Russia, Blagoveshchensk, street Politechnicheskaya 86, e-mail: osipenkoelenau@mail.ru)

DENISOVICH Yulia Yuryevna, candidate of technical sciences,

associate professor of the Department of Management and Service

Far Eastern State Agrarian University

(675005, Russia, Blagoveshchensk, street Politechnicheskaya 86, e-mail: dienisovich.78@mail.ru)

KICHIGINA Ekaterina Yuryevna, candidate of technical sciences,

associate professor of the Department of Management and Service

Far Eastern State Agrarian University

(675005, Russia, Blagoveshchensk, street Politechnicheskaya 86, e-mail: katyvodolagina@gmail.com)

Abstract. The article presents the results of a study of consumer properties of sugar cookies with the addition of functional ingredients. The purpose of the work was to study the possibility of using non-traditional types of raw materials of plant origin in the production of sugar cookies, study consumer properties and comprehensive assessment of the quality of the finished product. Flour made from chickpea grain and the premix «Lavitol-V», which includes a water-soluble complex of the flavonoid dihydroquercetin and the polysaccharide arabinogalactan, were used as functional ingredients. The objects of the study were: chickpea flour and first-grade wheat flour, flour confectionery - sugar cookies produced according to a standard recipe, pilot samples of "Snooty" cookies with different quantitative ratios of chickpea flour and the premix «Lavitol-V».The amount of chickpea flour in the pilot samples was 5.15 and 25%, «Lavitol-V» in all recipes 3% of the weight of wheat flour. Physicochemical, microbiological and organoleptic indicators were determined using standard methods in accordance with regulatory and technical documentation. Based on the results of the organoleptic analysis, a sample with 15% chickpea flour and 3.0% Lavitol-V premix included in the recipe was selected for further research. The chemical composition indicators indicate that the use of chickpea flour in the production of sugar cookies contributed to an increase in the nutritional value of the pilot product compared to the control. The results of the study of the amino acid and fatty acid compositions of the cookie samples also showed the advantage of the pilot sample over the control. When studying the physicochemical indicators, it was found that when functional ingredients are added to the cookie recipe, the wettability of the finished products increases and the moisture content decreases, and the water absorption capacity increases. The microbiological study data indicate that the studied indicators comply with the requirements of TR CU 021/2011. Thus, we can conclude that the proposed food product – sugar liver “Snooty” – has high consumer properties, which makes it possible to recommend it for systematic use as part of diets, as a source of dietary fiber and natural antioxidants.

Keywords: sugar cookies, consumer properties, chickpea flour, production technology, functional ingredients, arabinogalactan, dihydroquercetin, nutritional value, production control program.

Для цитирования: Осипенко Е.Ю. Изучение потребительских свойств сахарного печенья с функциональными ингредиентами / Е.Ю. Осипенко, Ю.Ю. Денисович, Е.Ю. Кичигина // XXI век: итоги прошлого и проблемы настоящего плюс. – 2025. – Т. 14. – № 1(69). – С. 58-67. – EDN: IGUOJO.

Введение. Предприятия пищевой промышлен-ности вырабатывают разнообразный ассортимент мучных кондитерских изделий, в частности печенье, которое пользуется регулярным спросом у населения различных возрастных групп. Высокая калорий-ность, недостаток белка, пищевых волокон, витами-нов свидетельствует о необходимости корректи-ровки рецептурного состава, повышения пищевой и биологической ценности мучных кондитерских изделий [1, 2]. Одним из важных направлений в совершенствовании рецептуры и ассортимента муч-ных изделий является использование безопасных нетрадиционных сырьевых ресурсов растительного происхождения.

Оценка товарного предложения показывает, что на рынке кондитерских изделий Амурской области максимальный сегмент занимает сахарное печенье. Следовательно, можно предположить о возможности его использования для обогащения пищевыми нутриентами.

Большой интерес вызывает высокопротеиновая сельскохозяйственная культура – нут, в котором содержится высококачественный и легкоусвояемый белок (до 32% на сухое вещество). По содержанию β-каротина зерно нута превосходит все зернобо-бовые культуры. β-каротин является мощным антиок-сидантом, обладает иммуностимулирующими за-щитным действием. Большое содержание пищевых волокон, клетчатки, марганца, фосфора, фолиевой кислоты делают этот продукт необходимым и полез-ным для населения всех социальных категорий [3, 4].

Исследования Крохалева В.А. показали, что внесение растительной добавки на основе нута в количестве 10% от общей массы пшеничной муки в рецептурные составы бисквитных полуфабрикатов позволяет обогатить вкусо-ароматический про-филь готовых изделий, сформировать равномерную и тонкостенную пористость мякиша, повысить содержание основных пищевых веществ [5].

Изучению использования муки из цельнос-молотых семян нута в производстве хлебобулочных и кондитерских изделий были посвящены работы Садыковой М.К. [6], Магомедова Г.О., Лукиной С.И. [7], которые позволяют раскрыть целесообразность использования данной зернобобовой культуры в качестве добавки для улучшения функционально-технологических свойств сбивных хлебобулочных изделий, кексов, заварных полуфабрикатов.

Исследования, проводимые учеными Воронежс-кого государственного университета позволили разработать рецептуры пряничных изделий с повы-шенной пищевой и биологической ценностью с применением муки из семян нута и муки из отрубей гречишных [8].

Результаты исследователей Казанцевой И.Л., Кулеватовой Т.Б. [9], Тертычной Т.Н., Мажулиной И.В. [10], Гришина В.С., Ткаченковой Н.А. и др. [11] показали возможность использования компо-зитной смеси (пшеница, нут) и проростков из семян нута в рецептурах вафель, затяжного и сдобного печенья, коржиков, теста для пельменей с целью увеличения белковых веществ, клетчатки, витами-нов, минеральных компонентов и оптимизации тех-нологического процесса изготовления готовых из-делий.

В качестве структурообразующей добавки, вла-гоудерживающего компонента, для восполнения дефицита белка мы использовали муку, изготов-ленную из зерна нута бараньего. Внесение нез-начительного количества нутовой муки в рецептуру, как составляющего ингредиента, позволяет увели-чить питательную ценность, изменить реологические свойства теста в лучшую сторону, повысить вкусовые качества готового продукта.

Перспективным направлением при разработке функциональных продуктов питания является их обогащение природными источниками биологически активных веществ, одним из которых является премикс с дигидрокверцетином «Лавитол-В». «Лавитол-В» – пищевая добавка в состав которой входит водорастворимый комплекс флавоноида дигидрокверцетина и полисахарида арабинога-лактана [12-14].

Дигидрокверцетин обладает чрезвычайно ши-роким диапазоном профилактических свойств [15-20].

Целесообразность применения дигидроквер-цетина в производстве функциональных продуктов питания обоснована отечественными и зарубежными учеными [21-23].

Авторами Бабухадия К.Р. и Решетник Е.И. иссле-дована возможность применения пищевой добавки «Лавитол-арабиногалактан» для обогащения тво-рожных продуктов пищевыми волокнами [24].

АО «Аметис», совместно с учеными Даль-невосточного ГАУ разработан способ получения йогурта с гипогликемическим действием, обога-щенного комплексом дигидрокверцетина и арабино-галактана. Авторами доказано, что разработанный способ позволяет получить йогурт с гипоглике-мическим действием, функциональной направ-ленности, повысить его антиоксидантную активность, пищевую и биологическую ценность (патент № 2778996 C1).

Для увеличения хранимоспособности и стабиль-ности компонентов, придания продукту функцио-нальных свойств, печенье сахарное обогащали при-родным антиоксидантом в виде пищевой добавки «Лавитол-В», получаемой из растительного сырья Амурской области.

Таким образом, разработка технологии мучных кондитерских изделий функциональной направлен-ности является актуальной.

Цель исследования – рассмотреть возможность применения нетрадиционных видов сырья расти-тельного происхождения в производстве сахарного печенья и изучить его потребительские свойства.

Задачи исследования: провести сравнительный анализ химического состава нутовой и пшеничной муки; разработать рецептуру и совершенствовать технологию сахарного печенья с применением функциональных ингредиентов; исследовать хими-ческий, аминокислотный и жирнокислотный сос-тавы опытного и контрольного образцов; опреде-лить физико-химические, микробиологические и органолептические показатели готового изделия; разработать программу контроля производства печенья «Снути» на основе принципов ХАССП.

Методология. Объектами исследования явля-лись: мука нутовая торговой марки «Образ жиз-ни», изготовленная по ТУ 10.61.20-001-38744625-2016, мука пшеничная первого сорта, мучное кондитерское изделие – печенье сахарное, вырабо-танное с ингредиентами по стандартной рецептуре, без внесения добавок (контрольный образец), опытные образцы печенья «Снути» с различным количественным соотношением муки из нута и премиксом «Лавитол-В».

Количество нутовой муки в опытных образцах составило 5,15 и 25%, «Лавитола-В» во всех рецептурах 3% к массе пшеничной муки.

Эксперименты проводили в лабораториях Даль-невосточного ГАУ, лаборатории переработки сельс-кохозяйственной продукции ВНИИ сои г. Благо-вещенска, лабораториях ФБУЗ «Центр гигиены и эпидемиологии в Амурской области», ФБУ «Амурский ЦСМ», ФГБУ «Амурский референтный центр Россельхознадзора».

Значения полученных органолептических и физико-химических показателей сравнивали с ГОСТ 24901-2014, значения микробиологических показателей с ТР ТС 021/2011.

Выявление всех видов потенциальных опас-ностей (биологических, химических и физических) при производстве печенья «Снути» осуществ-ляли по ГОСТ 51705.1-2001 методом «мозгового штурма».

Разработку рецептуры и программы произ-водственного контроля проводили с применением программного обеспечения «ХАССП 2.0. Общепит» [25].

Результаты. На начальном этапе исследований проведен сравнительный анализ количества основ-ных пищевых веществ в муке из семян нута и пшеничной муке первого сорта.

Полученные данные представлены на рисунках 1 и 2.

Рисунок 1 – Химический состав нутовой муки

Рисунок 2 – Химический состав пшеничной муки первого сорта

Рисунок 3 – Технологическая схема производства сахарного печенья «Снути»

Анализируя рисунки 1 и 2, можно сделать заключение, что энергетическая ценность образцов нутовой и пшеничной муки первого сорта прак-тически не отличается и составляет 320,5 и 329,0 ккал соответственно. При этом, по другим, отмеченным на рисунках показателям, нутовая мука превосходит пшеничную. Таким образом, высокая пищевая цен-ность нутовой муки позволяет рекомендовать её в качестве белковой и минеральной составляющих для балансирования микронутриентного состава мучной кондитерской продукции.

При разработке рецептуры опытных образцов, за основу была принята стандартная рецептура сахарного печенья. Отличительной особенностью разрабатываемого продукта является включение в рецептуру нутовой муки в количестве 5,15 и 25% к массе пшеничной муки и 3% премикса «Лавитол-В». Количество остальных ингредиентов, входящих в состав рецептуры, осталось без изменений.

Далее, была совершенствована технология са-харного печенья с добавлением функциональных ингредиентов (рис. 3).

Подготовку сырья и проведение технологических операций осуществляли согласно сборника рецептур для предприятий общественного питания, подготовку и введение премикса «Лавитол-В» проводили в соответствии с ТР ТС 029/2012. По стандартной технологической схеме были приготовлены конт-рольный и опытные образцы сахарного печенья с внесением различной дозировки нутовой муки и 3% премикса «Лавитол-В»: образец № 1 (5 %), образец № 2 (15%), образец № 3 (25%). В качестве контроля служил образец № 4 – без добавления функцио-нальных ингредиентов.

Затем, контрольный и опытные образцы печенья были исследованы по основным органолептическим показателям (рис. 4).

Из рисунка 4 следует, что суммарное количество баллов в контрольном и опытных образцах составило 32,7; 32; 34,2 и 29,7 соответственно.

При оценке формы изделий существенных различий между исследуемыми образцами не выявлено. Снижение оценки за показатель «вид в изломе» в опытном образце №3 объясняется недостаточно равномерной структурой изделия.

Органолептическая оценка показала, что контрольный и опытные образцы с добавлением нутовой муки в количестве 5% и 15% от массы сырья обладали приятным вкусом и ароматом, свойственными сахарному печенью. При этом, в образце №3 отмечался специфический привкус горечи и бобового послевкусия, что ухудшило органолептические показатели.

Консистенция опытных образцов №2 и №3 была более рассыпчатая, хрупкая по сравнению с контрольным образцом и образцом №1. Таким образом, по совокупности набранных баллов и характеристикам органолептических показателей, для дальнейших исследований был выбран образец №2.

Далее, в соответствии поставленными задачами, были исследованы химический, аминокислотный и жирнокислотный составы опытного и контрольного образцов.

Данные химического состава опытного и конт-рольного образцов представлены в таблице 1.

Данные таблицы 1 показывают, что применение нутовой муки и премикса «Лавтол-В» при произ-водстве сахарного печенья способствовало повы-шению пищевой ценности опытного образца изделия по сравнению с контролем.

Рисунок 4 – Результаты органолептической оценки контрольного и опытных образцов печенья

Таблица 1 – Химический состав, энергетическая ценность сахарного печенья, г/100г продукта

Показатели	Содержание в исследуемых образцах, 100 г продукта
	сахарное печенье (контроль)	сахарное печенье «Снути» с применением нута (опыт)
Белки, г	8,29±0,38	14,76±0,47
Жиры, г	11,73±0,34	11,68±0,33
Углеводы, г	68,25±0,24	60,60±1,02
Пищевые волокна, г	2,67±0,02	5,74±0,03
Энергетическая ценность, ккал/кДж	411,73 / 1725,15	406,56 / 1703,49