This study aims to identify the most suitable IoT communication protocol for a digital twin architecture, focusing on meeting the demands of real-time data transmission with stability and security. The research methodology involves a comparative performance analysis of MQTT over TCP, MQTT over WebSocket, and HTTP protocols, evaluating their latency, connectivity stability, and IoT application feasibility using an ESP32 microcontroller and DHT22 sensor setup. The experimental results demonstrate that MQTT over TCP achieves the lowest average latency at 290.5 ms, while MQTT over WebSocket exhibits more stable latency profiles with a 193.2 ms standard deviation; HTTP, despite its broader compatibility, showed higher average latency of 342.6 ms with a 307.9 ms standard deviation. These findings provide valuable insights for digital twin implementations, enabling developers to make informed protocol selections based on specific requirements, whether prioritizing real-time performance through MQTT protocols or emphasizing system compatibility and simplicity through HTTP.

This paper presents the development and experimental validation of a wearable system for stress and cardiovascular monitoring that integrates three sensors: a Photo-Plethysmography (PPG) sensor, a Galvanic Skin Response (GSR) sensor, and a DS18B20 digital temperature sensor. The ESP32 microcontroller serves as the core of the system, performing signal filtering using the Exponential Moving Average (EMA) method and lightweight on-device classification with machine learning models (CNN, LSTM). Wireless communication is enabled using Wi-Fi and Bluetooth Low-Energy (BLE), allowing remote monitoring and cloud-based analytics. The system was tested on 10 volunteers under various physical and emotional scenarios, including sitting, walking, exercising, yoga, cycling, and watching movies. The results demonstrated significant physiological variations: the heart rate increased from 75 bpm at rest to 125 bpm during stress episodes, the skin conductance increased by up to 25%, and body temperature changed by 2-3°C depending on activity level. The embedded ML models achieved a stress classification accuracy of 92% (F1 = 0.90). The prototype also showed high energy efficiency, operating for more than 12 hours on a single charge. The proposed architecture offers promising applications for personalized health monitoring, stress management, and integration with medical information systems (FHIR, HL7).

В данной работе представлен обзор литературы о текущих тенденциях передовых технологий в области цифровых двойников в пищевой промышленности. Возрастающий спрос на более свежие и качественные продукты питания подтолкнул исследователей к поиску решений в данной сфере. Помимо увеличения объемов производства, важно также повысить эффективность логистических процессов, чтобы сократить количество отходов. Оптимизированная цепочка поставок продуктов питания не только снижает конечную стоимость для потребителей, но и увеличивает доходы производителей, уменьшает воздействие на окружающую среду и позволяет поставлять более свежие и полезные продукты. Сбор и анализ данных о прослеживаемой продукции и потребностях участников процесса могут улучшить работу цепочки поставок, предоставляя ценную информацию для менеджеров. Для мониторинга продукции и анализа данных, которые помогают в принятии управленческих решений, предлагаются такие технологические решения, как Интернет вещей (IoT), искусственный интеллект (AI), цифровой двойник (DT) и технология распределенного реестра (DLT). Однако интеграция этих технологий, особенно DT, интеллектуальных моделей и DLT, еще недостаточно изучена. В последние годы парадигма цифрового двойника (DT), развивающаяся в контексте Индустрии 4.0, привлекает все больше внимания со стороны как исследователей, так и профессионалов благодаря своим динамическим возможностям. Большинство исследований в этой области остаются теоретическими и сосредоточены на гипотетическом анализе, в то время как эмпирических исследований реальных случаев применения значительно меньше. Несмотря на это, DT активно используется для анализа и повышения производительности на предприятиях пищевой промышленности (FPC), хотя его влияние на бизнес-стратегии еще недостаточно изучено.

Бұл мақалада тамақ өнеркәсібінде қолданылатын ақылды қаптама технологияларына шолу жасалады. Тұрақтылық, өнім қауіпсіздігін жақсарту және жоғары сапа стандарттарына ұмтылу өмір туралы ғылымдардың барлық салаларында маңызды. Осы талаптарды қанағаттандыру үшін тағам секторында ақылды қаптама қолданылады. Бұл жүйелер өнімнің сапа жағдайын үздіксіз бақылай алады және тұтынушымен ақпарат бөлісе алады. Осылайша, тағам қалдықтарын азайтуға және тұтынушы қанағаттанушылығын оңтайландыруға болады. Бұл шолуда әртүрлі ақылды қаптама технологиялары қарастырылады және талқыланады. Негізгі үш топ: мәліметтер тасымалдаушылары, индикаторлар және сенсорлар. Қазіргі уақытта олар кеңінен таралмаған, бірақ олардың әлеуеті белгілі. Мақалада ақылды қаптаманы қай салаларда енгізу керектігі, жүйелердің қалай жұмыс істейтіні және олардың қандай құндылықтарды ұсынатыны қарастырылады. Сонымен қатар, ақылды қаптама тұжырымдамаларының артықшылықтары мен кемшіліктері, сондай-ақ осы саладағы болашақ даму перспективалары талқыланады. Сонымен бірге экологиялық тиімділік пен қайта өңдеуге жарамдылық мәселелеріне назар аударылады. Мақала тағам өндірушілері, зерттеушілер және ақылды қаптама технологияларымен айналысатын мамандар үшін пайдалы болуы мүмкін. Зерттеу нәтижелері тағам өндірісінде өнім сапасын бақылаудың жаңа деңгейін қамтамасыз етуге, логистикалық тізбектердің тиімділігін арттыруға және ақпараттық қауіпсіздік талаптарын орындауға бағытталған. Осыған байланысты ақылды қаптама технологиялары цифрлық трансформацияның маңызды бөлігі болып табылады. Кілтті сөздер: ақылды қаптама, индикаторлар, сенсорлар, тағам қауіпсіздігі, тағам өнеркәсібі, ақпараттық қауіпсіздік, IoT, деректерді қорғау.

Industrial energy consumption in shift-based manufacturing exhibits pronounced temporal asymmetry—here defined as direction-dependent conditional dynamics in which the transition from production to shutdown states follows a systematically different temporal trajectory than the reverse transition. At the facility studied, this asymmetry also manifests in the marginal distribution of hourly consumption values: pooling all 4724 observations yields a bimodal, right-skewed histogram (skewness ≈ −0.4) comprising two sub-populations corresponding to production hours (14–19 kWh/h) and shutdown hours (0–2 kWh/h). Although individual hourly observations are serially dependent and therefore not i.i.d., the marginal distributional shape is consequential because ARIMA-class models assume approximately Gaussian innovations, and residuals from models fit to this bimodal series inherit its non-Gaussianity. More fundamentally, the conditional distribution P(E_t|E_{t − 1}, …) is direction-dependent: the production-to-shutdown transition is abrupt (1–2 h, 18:00–20:00), while the shutdown-to-production ramp is slower and more variable (2–4 h, 05:00–07:00). Symmetric ARMA models, applying identical autoregressive coefficients regardless of transition direction, cannot represent this directional asymmetry, rendering their assumptions and associated error metrics structurally unreliable for this class of data. This paper addresses this asymmetry directly by presenting and evaluating two hybrid forecasting architectures—Prophet+LSTM and SARIMA+LSTM—for 24 h-ahead energy prediction at an industrial bread factory in Kazakhstan, instrumented with 15 IoT energy meters. The two-stage design exploits the complementary asymmetry-handling properties of each component: the statistical model (Prophet or SARIMA) captures deterministic seasonal structure, while the LSTM corrects asymmetric residuals that the statistical model systematically misrepresents. In a rigorous 14-day holdout evaluation, Prophet+LSTM achieves an MAE of 3.39 kWh—outperforming the Seasonal Naïve baseline by 12.3% and reducing Prophet-alone error by 32.7%—with statistical significance at the 10% level confirmed via Diebold–Mariano testing (DM = +1.747, p = 0.081). The LSTM residual correction reduces Prophet’s systematic negative bias by 69% (from −3.60 to −1.13 kWh), as confirmed by ablation testing. In eight weeks of production operation with incremental retraining, MAE improved 35% (7.02 → 4.58 kWh). These results demonstrate that explicitly modelling temporal asymmetry through hybrid statistical-neural architectures substantially improves industrial energy forecasting accuracy.