Інтелектуальна система автоматизованого моніторингу якості біоматеріалу для зброджування в біогазовій установці (укр.)
DOI:
https://doi.org/10.20535/2617-9741.3.2025.340376Ключові слова:
комп'ютерний зір, зображення, біоматеріал, хмарні сервіси, розімкнута система, відновлювальна енергетикаАнотація
Для вирішення проблеми неефективного та неоперативного контролю біогазових установок розроблено інтелектуальну систему автоматизованого моніторингу. Метою є підвищення стабільності та продуктивності анаеробного зброджування шляхом впровадження проактивного аналізу даних та адаптивного управління.
Дослідження проводилося на пілотній біогазовій установці з використанням ферментованого біоматеріалу. Для збору даних застосовано IoT-пристрій на базі ESP32 з датчиками температури та камерою. Аналіз даних реалізовано на хмарній інфраструктурі AWS з використанням сервісів S3, DynamoDB та Fargate, а також ансамблю моделей машинного навчання (XGBoost, LSTM) та комп'ютерного зору (ResNet-50).
Протягом 6-місячного тестування система продемонструвала високу надійність, забезпечивши збір 98,6 % запланованих вимірювань, та оперативність із середнім часом обробки даних 3,2 хвилини. Для аналізу зображень субстрату валідовано та обрано метод сегментації Оцу з підвищенням контрастності (CLAHE), який показав найнижчий коефіцієнт варіації 3,63 %, що свідчить про його стабільність.
Початкова прогностична модель машинного навчання демонструвала коефіцієнт детермінації (R²) 0,85 та кореневу середньоквадратичну помилку (RMSE) 0,61 м³/добу. Ключовим результатом є ефективність адаптивного механізму донавчання: після першого циклу оновлення на 100 нових, валідованих оператором записах, точність моделі значно зросла. Показник R² підвищився до 0,91, а RMSE зменшилася на 42,6 % до 0,35 м³/добу. Це доводить, що система здатна ефективно навчатися на реальних експлуатаційних даних, постійно покращуючи точність своїх прогнозів та, як наслідок, якість управлінських рекомендацій.
Посилання
EBA Statistical Report 2024 / European Biogas Association [Електронний ресурс]. — 2024. — Режим доступу: https://www.europeanbiogas.eu/eba-statistical-report-2024/ (дата звернення: 02.07.2025).
Polishchuk, V. M. Increasing the yield of biogas and electricity during manure fermentation cattle by optimally adding lime to extruded straw / V. M. Polishchuk, S. A. Shvorov, I. V. Flonts, T. S. Davidenko // Problems of the Regional Energetics. — 2021. — Vol. 49, No. 1. — P. 73–85. — DOI: 10.52254/1857-0070.2021.1-49.02.
Lysenko, V. Mobile system for monitoring plant environment parameters for biogas production / V. Lysenko, T. Lendiel, I. Bolbot, S. Pavlov // Machinery & Energetics. — 2023. — Vol. 14, No. 4. — P. 111–120. — DOI: 10.31548/machinery/4.2023.111.
Espressif Systems — ESP32 Overview [Електронний ресурс]. — [Б. м.], [б. р.]. — Режим доступу: https://www.espressif.com/en/products/socs/esp32 (дата звернення: 12.07.2025).
Pandey, A. Design and implementation of IoT-enabled device for real-time monitoring of greenhouse gas emissions, and pressure in anaerobic reactors / A. Pandey, O. Momeni, P. Pandey // IEEE Access. — 2024. — Vol. 12. — P. 133848–133862. — DOI: 10.1109/ACCESS.2024.3449217.
Galon, M. L. Q. Automated monitoring and control system of solar greenhouse using ESP32 and Blynk application / M. L. Q. Galon, M. V. R. Tumaliwan, M. M. Sejera // Engineering Proceedings. — 2025. — Vol. 92, No. 1. — P. 57. — DOI: 10.3390/engproc2025092057.
Kalamaras, S. D. A low-cost IoT system based on the ESP32 microcontroller for efficient monitoring of a pilot anaerobic biogas reactor / S. D. Kalamaras, M.-A. Tsitsimpikou, C. A. Tzenos [та ін.] // Applied Sciences. — 2025. — Vol. 15, No. 1. — P. 34. — DOI: 10.3390/app15010034.
Wang, W. Analysis of the Mean Absolute Error (MAE) and the Root Mean Square Error (RMSE) in assessing rounding model / W. Wang, Y. Lu // IOP Conference Series: Materials Science and Engineering. — 2018. — Vol. 324, No. 1. — P. 012049. — DOI: 10.1088/1757-899X/324/1/012049.
Al Daoud, E. Comparison between XGBoost, LightGBM and CatBoost using a Home Credit dataset / E. Al Daoud // International Journal of Computer, Electrical, Automation, Control and Information Engineering. — 2018. — Vol. 12, No. 6. — P. 518–522. — Режим доступу: https://publications.waset.org/10009954/ (дата звернення: 15.07.2025).
Grgić, K. A web-based IoT solution for monitoring data using MQTT protocol / K. Grgić, I. Špeh, I. Heđi // 2016 International Conference on Smart Systems and Technologies (SST). — 2016. — P. 249–253. — DOI: 10.1109/SST.2016.7765668.
Kianijaya, M. R. Implementation of data storage for the monitoring system for biogas production optimization / M. R. Kianijaya, M. O. Hasanuddin // 2022 8th International Conference on Wireless and Telematics (ICWT). — 2022. — P. 1–5. — DOI: 10.1109/ICWT55831.2022.9935447.
Amazon Web Services — API Gateway [Електронний ресурс]. — [Б. м.], [б. р.]. — Режим доступу: https://aws.amazon.com/api-gateway/ (дата звернення: 15.07.2025).
Bhaskaran, H. S. Development of a cloud-based IoT system for livestock health monitoring using AWS and Python / H. S. Bhaskaran, M. Gordon, S. Neethirajan // Smart Agricultural Technology. — 2024. — Vol. 9. — P. 100524. — DOI: 10.1016/j.atech.2024.100524.
Amazon Web Services — AWS Fargate [Електронний ресурс]. — [Б. м.], [б. р.]. — Режим доступу: https://aws.amazon.com/fargate/ (дата звернення: 15.07.2025).
Panou, M. Microbiome-oriented data mining of operational monitoring of anaerobic digestion reactor during steady operation period, failure, and restoration / M. Panou, I. Kavakiotis, A. Mitsopoulos [та ін.] // bioRxiv. — 2025. — DOI: 10.1101/2025.02.07.637110.
Lysenko, V. Computer vision technologies for rapid quality analysis of fermentable biomaterial / V. Lysenko, T. Lendiel, S. Pavlov, K. Nakonechna // 2024 IEEE 17th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET). — 2024. — P. 1–5. — DOI: 10.1109/TCSET64720.2024.10755768.
McCormick, M. LSTM and 1-D convolutional neural networks for predictive monitoring of the anaerobic digestion process / M. McCormick, A. E. Villa // Artificial Neural Networks and Machine Learning – ICANN 2019. — 2019. — P. 725–736. — DOI: 10.1007/978-3-030-30484-0_71.
Weiss, K. A survey of transfer learning / K. Weiss, T. M. Khoshgoftaar, D. Wang // Journal of Big Data. — 2016. — Vol. 3. — P. 1–40. — DOI: 10.1186/s40537-016-0043-6.
Лисенко, В. Аналіз алгоритмів машинного навчання для прогнозування виходу біогазу / В. Лисенко, Т. Лендієль, С. Павлов // Енергетика і автоматика. — 2023. — № 3. — С. 100–111. — DOI: 10.31548/energiya3(67).2023.100.
Babich, Y. R2 metric dynamics for K-nearest neighbors regression model trained on series of different sizes / Y. Babich, L. Hlazunova, T. Kalinina, Y. Petrovych // Information and Communication Technologies, Electronic Engineering. — 2024. — Vol. 4. — P. 10–18. — DOI: 10.23939/ictee2024.02.010.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).