Интеллектуальное облачное управление САР: интеграция обучения с подкреплением DDPG и AWS IoT для оптимизации производства в аквакультуре

Умнее аквариумы для голодного мира

В то время как мир ищет более устойчивые источники белка, рыбоводческие фермы испытывают давление: нужно производить больше морепродуктов, потребляя при этом меньше воды, энергии и химикатов. Рециркулирующие системы аквакультуры — закрытые установки, где вода постоянно очищается и повторно используется — представляют собой перспективный путь, но ими сложно управлять. Небольшие изменения кислорода, кислотности или температуры быстро вызывают у рыб стресс и могут привести к гибели. В этой статье исследуется, как новое поколение облачно‑подключённых систем управления на базе искусственного интеллекта может обеспечивать стабильную, надёжную и коммерчески жизнеспособную работу таких высокотехнологичных ферм.

От лабораторных экспериментов к промышленным фермам

В предыдущих работах команда показала, что один из типов программ принятия решений, известный как обучение с подкреплением, может научиться регулировать графики кормления и обработки воды в опытных ёмкостях, сохраняя стабильные условия и снижая энергопотребление. Однако эти успехи достигались преимущественно в контролируемых лабораторных условиях с мощными компьютерами и надёжным интернетом. Коммерческие рыбоводческие фермы, напротив, — это промышленные площадки с множеством баков, нестабильной связью и ограниченными вычислительными ресурсами на месте. В этом исследовании поставлен практический вопрос: как перенести ИИ‑контроллер из лаборатории в реальную эксплуатацию так, чтобы он был надёжным, доступным по цене и безопасным для ферм с десятками или сотнями ёмкостей?

Построение четырёхслойной цифровой нервной системы

Чтобы решить эту задачу, авторы разработали четырёхуровневую архитектуру, которая действует как цифровая нервная система фермы. В основании — баки, насосы и фильтры, где содержатся рыбы. Над ними размещена плотная сеть промышленных датчиков, непрерывно измеряющих кислород, pH, температуру и ключевые соединения азота. Эти датчики передают данные на небольшие локальные компьютеры — пограничные (edge) устройства — которые запускают облегчённую версию ИИ‑контроллера. Вверху находятся облачные службы, координирующие множество edge‑устройств одновременно, хранящие месяцы данных, дообучающие модели при необходимости и предоставляющие панели управления для фермеров. Задачи, требующие реакции за доли секунды, например увеличение аэрирования при падении кислорода, выполняются локально; более медленные и тяжёлые вычисления перемещаются в облако.

Обучение мощного ПО для работы на скромном оборудовании

Ключевая задача заключалась в том, чтобы упаковать сложную модель принятия решений в небольшие энергоэффективные машины, не потеряв при этом её качества. Команда использовала приёмы из области мобильного ИИ — снижение точности представления чисел (quantization) и отсечение редко используемых связей в нейронной сети (pruning). Эти шаги сократили модель с 32 мегабайт до всего 8,3 мегабайта — снижение на 74% — при этом решения оставались в пределах примерно 1,5% от полной версии. На основе 15,5 миллиона реальных замеров с фермы за шесть месяцев упрощённая модель совпадала с выбором оригинального контроллера более чем в 94% случаев и могла отвечать примерно за 50 тысячных секунды, что достаточно быстро для управления в реальном времени.

Безопасность при сбоях сети

Поскольку рыбы не могут ждать восстановления беспроводного канала, система была спроектирована с жёсткими средствами безопасности. Каждое edge‑устройство может продолжать запускать ИИ локально при отказе интернет‑соединения, отслеживая кислород, pH и температуру и переходя через уровни реакции: нормальная работа, мягкие коррекции при дрейфе параметров и аварийные действия при превышении порогов. Исследователи целенаправленно создавали задержки, теряли сообщения и даже полностью разрывали связь на срок до 72 часов. В ходе этих испытаний система сохранила почти всё своё контрольное поведение при незначительных сетевых сбоях и обеспечивала безопасное качество воды даже при длительных отключениях, с подробными журналами, показывающими, как быстро она обнаруживала проблемы и восстанавливалась после возвращения связи.

Доказательство работоспособности в коммерческом масштабе

Чтобы проверить, выдерживает ли такая архитектура испытание реальной эксплуатацией, команда развернула её на действующем рециркулирующем предприятии с 108 баками и более чем тремя миллионами литров воды. Та же архитектура применялась к кластерам малого, среднего и большого объёма с лишь незначительной настройкой. В течение 180 дней работы данные с тысяч датчиков поступали в систему примерно со скоростью 15 000 измерений в минуту, при этом ИИ по‑прежнему принимал решения в среднем за ~47 миллисекунд. Сравнение лаборатории и фермы показало, что точность, надёжность и время отклика оставались высокими, а стоимость управления единицей воды резко снижалась при масштабировании, превосходя традиционные промышленные контроллеры и существующие IoT‑платформы по скорости, надёжности и энергопотреблению.

Что это значит для будущего рыбоводства

Для неспециалистов вывод прост: авторы предлагают не только умный алгоритм, но и собрали и протестировали полную схему того, как ИИ может управлять реальными рыбоводческими фермами безопасно и экономично. Сочетая прочные датчики, локальные «умные коробки» и облачную координацию, они демонстрируют, что продвинутое программное обеспечение контроля может выдерживать ненадёжные сети, аппаратные сбои и повседневный производственный хаос. В результате получилась система, которая в большинстве случаев поддерживает рыбу в здоровых условиях, быстро реагирует при проблемах и снижает эксплуатационные расходы. При широком внедрении аналогичные интеллектуальные облачно‑пограничные системы могут помочь аквакультуре поставлять больше устойчивого белка растущему населению, не требуя большего расхода воды, земли или энергии.

Цитирование: Elmessery, W.M., Shams, M.Y., El-Hafeez, T.A. et al. Intelligent cloud-based RAS management: integration of DDPG reinforcement learning with AWS IoT for optimized aquaculture production. Sci Rep 16, 9617 (2026). https://doi.org/10.1038/s41598-025-33736-7

Ключевые слова: аквакультура, рециркулирующие рыбоводческие фермы, облачно‑пограничный ИИ‑контроль, IoT‑системы датчиков, устойчивая морепродукция