Статья рассматривает построение робастных моделей машинного обучения для предиктивного управления качеством в непрерывных пищевых биотехнологических процессах, где временные ряды сенсорных измерений систематически искажаются пропусками, выбросами и негауссовым шумом, обусловленными загрязнением датчиков, стерилизационными циклами и особенностями отбора лабораторных проб. На материале 24-месячного мониторинга линии непрерывной ферментации пробиотических культур (45 физических сенсоров с шагом 1 минута и лабораторные показатели качества биомассы с интервалом 4 часа; свыше 1,05 млн временных меток) показано, что дисперсионный вклад аппаратных помех доминирует над технологической вариабельностью, что подтверждается резким ростом отношения сигнал/шум после фильтрации и выраженной «тяжелохвостостью» распределений для критических параметров, таких как pH и растворенный кислород. Предложена вычислительная схема, объединяющая робастное масштабирование признаков, временную кросс-валидацию без утечки будущей информации, оптимизацию по функции потерь Хьюбера и сравнительный анализ методов восстановления пропусков (MICE, k-NN, простые эвристики) с нейросетевым восстановлением на основе шумоподавляющего автоэнкодера и гибридного подхода, учитывающего пространственно-временные корреляции между каналами. Продемонстрировано, что автоэнкодер существенно снижает ошибку реконструкции по RMSE для температуры, pH, давления и расхода субстрата, достигая точности, сопоставимой с погрешностью измерения, а рекуррентная модель LSTM с механизмом внимания сохраняет приемлемую точность прогноза концентрации биомассы при деградации данных вплоть до 40% пропусков, превосходя линейные и ансамблевые базовые методы. Дополнительно выявлен эффект насыщения: дальнейшее улучшение качества сигналов ниже порога порядка 35 дБ SNR дает ограниченный прирост прогностической точности, что позволяет обосновывать экономически рациональные требования к измерительной подсистеме и вычислительным ресурсам при внедрении цифровых двойников и предиктивного обслуживания сенсорной сети.
