И.И. Наумов1, Д.Ю. Коньшин2, К.А. Мороз3
1–3 Донской государственный технический университет (г. Ростов-на-Дону, Россия)

1 naumov-85@yandex.ru, 2 danill.konshin@yandex.ru, 3 kmoroz@donstu.ru

Постановка проблемы. Современные производственные системы, переходящие к современным стандартам производства, требуют высокой степени адаптивности, прозрачности принятия решений и устойчивости к отказам. Традиционные методы автоматизации, основанные на жестких алгоритмах и централизованной логике управления, оказываются недостаточно гибкими. Они слабо используют потенциал больших данных, плохо масштабируются, испытывают затруднения при работе в условиях сетевых задержек или перебоев связи и требуют значительных усилий для интеграции новых типов оборудования. Ограниченная интеллектуальность локальных контроллеров осложняет реализацию автономной работы, а непрозрачность алгоритмов – принятие решений персоналом и диагностику отклонений.

Цель. Сформировать концептуальную архитектуру для предстоящей разработки интеллектуальной распределенной системы управления производством, ориентированной на применение встраиваемых устройств с поддержкой искусственного интеллекта на периферии, многоагентного подхода и технологий объяснимого искусственного интеллекта.

Результаты. Предложена архитектура, сочетающая вычислительные возможности локальных узлов и облачных компонентов с распределенной логикой на основе многоагентной системы. Отмечено, что система должна обеспечить автономность локального контура, эффективное взаимодействие с облачными сервисами, адаптацию к изменяющимся условиям работы оборудования и прозрачность алгоритмов для инженерного и операционного персонала. Показано, что Edge-устройства, встроенные в производственное оборудование, получают возможность выполнять локальную предобработку данных, выполнять модели машинного обучения, осуществлять моментальное реагирование при сетевых задержках и обеспечивать автономный контур безопасности.

Практическая значимость. Применение предложенной архитектуры позволит предприятиям повысить устойчивость производственных процессов к внешним и внутренним сбоям, улучшить качество и скорость принятия решений, снизить зависимость от централизованных систем управления и повысить энерго- и ресурсную эффективность.

Наумов И.И., Коньшин Д.Ю., Мороз К.А. Концепция архитектуры адаптивной автоматизации производства с локальными и облачными компонентами на базе периферийного искусственного интеллекта и мультиагентной системы // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 2. С. 70–77. DOI: https://doi.org/10.18127/j19998554-202602-06

1. Gao R., Krüger J., Merklein M. et al. Artificial intelligence in manufacturing: State of the art, perspectives, and future directions // CIRP Annals. 2024. V. 73. DOI: 10.1016/j.cirp.2024.04.101.
2. De Gasperis G., Facchini S.D. A comparative study of rule-based and data-driven approaches in industrial monitoring // arXiv e-prints. 2025. arXiv:2509.15848. DOI: 10.48550/arXiv.2509.15848.
3. Ucar A., Karakose M., Kırımça N. Artificial intelligence for predictive maintenance applications: Key components, trustworthiness, and future trends // Applied Science. 2024. V. 14. № 898. DOI: 10.3390/app14020898.
4. Tziouvaras A., Foukalas F. Edge AI for Industry 4.0: An Internet of Things approach // Proceedings of 24th Pan-Hellenic Conference on Informatics. 2020. P. 121–126. DOI: 10.1145/3437120.3437289.
5. Annapareddy S. Edge AI for real-time fault detection in embedded systems // International Journal of Emerging Trends in Computer Science and Information Technology. 2025. P. 235–238. DOI: 10.56472/ICCSAIML25-129.
6. Li B., Palayew S., Li F. et al. PCBDet: An efficient deep neural network object detection architecture for automatic PCB component detection on the edge // Electronics Letters. 2024. V. 60. № 2. Article e13042. DOI: 10.1049/ell2.13042.
7. Areo G. Edge AI for real-time industrial automation: Architecture, challenges, and case studies. 2025.
8. Grant C., Wallace F., Mackay L. et al. Edge AI for predictive maintenance in industrial IoT environments. 2024.
9. Huang K.Y., Hsu Y.L., Chung C.L. et al. Enhancing healthcare AI stability with edge computing and machine learning for extubation prediction // Science Reports. 2025. V. 15. Article 17858. DOI: 10.1038/s41598-025-02317-z.
10. Montes-Sánchez J.M., Uwate Y., Nishio Y. et al. Predictive maintenance edge artificial intelligence application study using recurrent neural networks for early aging detection in peristaltic pumps // IEEE Transactions on Reliability. 2025. V. 74. № 3. P. 3730–3744. DOI: 10.1109/TR.2024.3488963.
11. Artiushenko V., Lang S., Lerez C. et al. Resource-efficient Edge AI solution for predictive maintenance // Procedia Computer Science. 2024. V. 232. P. 348–357. DOI: 10.1016/j.procs.2024.01.034.
12. Li W., Li T. Comparison of deep learning models for predictive maintenance in industrial manufacturing systems using sensor data // Science Reports. 2025. V. 15. Article 23545. DOI: 10.1038/s41598-025-08515-z.
13. Jiménez-Bravo D., Bajo J., González-Pachón J. et al. Multi-agent system architecture for winter road maintenance: a real Spanish case study // Knowledge and Information Systems. 2024. V. 66. P. 1–19. DOI: 10.1007/s10115-024-02128-0.
14. Cai H., You S., Wu J. Agent-based distributed demand response in district heating systems // Applied Energy. 2020. V. 262. Article 114403. DOI: 10.1016/j.apenergy.2019.114403.
15. Baroud S.Y., Yahaya N.A., Elzamly A. Cutting-edge AI approaches with MAS for PdM in Industry 4.0: Challenges and future directions // Journal of Applied Data Sciences. 2024. V. 5. № 2. P. 455–473. DOI: 10.47738/jads.v5i2.196.
16. Rodríguez M., Kubler S., de Giorgio A. et al. Multi-agent deep reinforcement learning based predictive maintenance on parallel machines // Robotics and Computer-Integrated Manufacturing. 2022. V. 78. Article 102406. DOI: 10.1016/j.rcim.2022.102406.
17. Makris S., Alexopoulos K., Michalos G. et al. An agent-based system for automated configuration and coordination of robotic operations in real time – A case study on a car floor welding process // Journal of Manufacturing and Materials Processing. 2020. V. 4. № 3. Article 95. DOI: 10.3390/jmmp4030095.
18. Arshad A., Ekström J., Lehtonen M. Multi-agent based distributed voltage regulation scheme with grid-tied inverters in active distribution networks // Electric Power Systems Research. 2018. V. 160. P. 180–190. DOI: 10.1016/j.epsr.2018.02.015.