AI оптимізація рецептур: де ламається ручний підбір складів
Рецептура з десятка компонентів із п'ятьма-сімома варіантами дозування кожного дає сотні тисяч сполучень. Лабораторія перевіряє за цикл десятки зразків, решта залишається недослідженою — і у виробництво йде перший прийнятний склад, а не найкращий.
Ручний підбір складу впирається не в кваліфікацію хіміка, а в пропускну здатність перебору компонентів.
Перебір іде послідовно: змінюють один інгредієнт, фіксують решту, дивляться на цільову характеристику. Так губляться парні й потрійні взаємодії — компоненти, які окремо нейтральні, разом дають потрібний ефект за в'язкістю, адгезією чи часом затвердіння. Чим більше в рецептурі функціональних добавок, тим дорожче обходиться кожна пропущена комбінація.
Окремий розрив — між лабораторним зразком і масштабуванням. Склад, стійкий у колбі на сотні грамів, на лінії поводиться інакше: змінюються теплоперенесення, порядок уведення й час змішування. Перенесення з'їдає кілька ітерацій, і кожна — новий цикл лабораторних проб.
Нарешті, цикл розробки складу рідко фіксується цілком. Серії дослідів залишаються в розрізнених файлах і журналах, частина результатів не індексується, і при зміні інженера контекст іде разом із ним — компанія платить за ті самі досліди повторно.
Саме на цих трьох точках — перебір, перенесення і втрачені дані — працює AI оптимізація рецептур. Як це закривається, розбираємо нижче.
Що дає моделювання складів: строки, стабільність, менше браку
Емпіричний підбір рецептури впирається в цикл проб: заміс, витримка, випробування — і лише потім висновок про склад. Одна ітерація займає тижні, а помітна частина результатів не переноситься з лабораторії в цех.
Модель вчиться на лабораторних журналах і паспортах промислових партій: компоненти, діапазони введення, режими змішування й сушіння, фактичні властивості на виході.
Далі планувальник експериментів пропонує наступну точку в просторі складів — ту, що дає максимум інформації про систему, а не найближчу до попередньої.
Прогноз властивостей рахуємо на термодинамічних моделях, наприклад DWSIM, тому склад перевіряється на сумісність компонентів і поведінку в робочому діапазоні температур ще до завантаження сировини.
- Цикл підбору складу: місяці проб стискаються до тижнів — частину натурних дослідів замінює розрахунок.
- Частка успішних проб: у цільову область властивостей потрапляє більшість запропонованих складів, а не одиниці.
- Відтворюваність партії: модель тримає допуск за розкидом сировини, а не лише за середньою точкою.
- Стабільність властивостей: прогноз будується за партією, а не за одиничним зразком, — розкид між партіями звужується.
Окремо закривається клас відмов «пройшло в лабораторії — не пройшло в цеху»: у модель заведено обсяги завантаження, режими обладнання й температурні профілі, тому рецептура оцінюється в умовах виробництва, а не в колбі.
На виході інженер отримує не одну «оптимальну» точку, а вікно допусків — із яким розкидом сировини партія залишається в специфікації.
Режими пошуку складу: повний перебір, спрямований пошук, гібрид
Режим пошуку обирають за розмірністю простору складів і за тим, наскільки жорсткі обмеження щодо компонентів задав технолог.
Повний перебір матриці гарантує, що найкращий варіант не пропущено, але кількість комбінацій зростає як добуток градацій за кожним інгредієнтом: десять компонентів із п'ятьма дозуваннями дають сотні тисяч рядків, а синтез і замір кожного все одно займають час і матеріал.
Спрямований пошук складу замість перебору будує модель залежності «склад — властивість» і пропонує наступну точку для перевірки, відсікаючи явно непридатні області за обмеженнями.
Гібридний підбір рецептури поєднує обидва підходи: грубий перебір окреслює робочу область, а спрямований пошук згущує експерименти всередині неї.
| Варіант | Коли підходить | Обмеження |
|---|---|---|
| Повний перебір матриці | Мало компонентів, широкий діапазон дозувань, потрібно описати властивість по всій області | Кількість комбінацій зростає мультиплікативно і впирається в пропускну здатність лабораторії вже на шести-семи інгредієнтах |
| Спрямований пошук складу | Багато компонентів, дорогий синтез, є апріорні обмеження щодо компонентів | Потрібні стартові дані для моделі; на розрідженій області сходиться до локального результату |
| Гібридний підбір рецептури | Змішані обмеження: частина компонентів дискретна, частина неперервна | Складніший у налаштуванні: контроль обох стадій пошуку і роздільна валідація результату |
Етапи впровадження: від аудиту лабораторних даних до передачі моделі
Роботу починаємо не з моделі, а з ревізії того, що вже накопичено. Лабораторні журнали за багато років зазвичай різнорідні: одиниці вимірювання змінювалися, частина партій дублюється, за окремими компонентами є довгі пропуски.
Поки це не розібрано, будь-яке навчання дає гарну метрику на папері й розходження з реальним виходом продукту.
- Аудит лабораторних даних. Зводимо записи дослідів в єдину таблицю, приводимо одиниці, розмічаємо партії сировини й умови процесу. Фіксуємо, які діапазони складів реально підтверджені експериментами, а які модель не має права екстраполювати.
- Схема ознак. Визначаємо, що описує склад: масові частки компонентів, властивості вхідної сировини, режимні параметри. Окремо позначаємо цільові показники й обмеження за допустимими коридорами.
- Навчання на історії дослідів. Ділимо масив хронологічно, а не випадково — інакше модель підглядає в майбутні досліди й показує недосяжну точність. Налаштовуємо співвідношення між точністю прогнозу та його стійкістю.
- Валідація на відкладених складах. Перевіряємо рецептури, яких модель ніколи не бачила. Рахуємо не середню помилку, а частку складів, що потрапили в допуск із першого розрахунку, — це і є робоча метрика.
- Промислова перевірка складу. Відібрані рецептури варимо на реальному обладнанні й звіряємо факт із прогнозом. Розходження повертаємо в масив як нові дані.
- Передача команді. Віддаємо модель, регламент її застосування й порядок донавчання на свіжих дослідах, щоб система розвивалася без нас.
Артефакти проєкту: карта обмежень, регламенти, документація
Здача проєкту з оптимізації рецептур — це не демонстрація працюючої моделі, а комплект, за яким технолог запустить наступну партію без нашої участі. Нижче — що залишається в замовника в закритому контурі: конфігурації, схеми, правила й регламенти.
- Карта обмежень і нормативів — технологічні межі за кожним компонентом, сумісність сировини, вимоги безпеки й допустимі діапазони режимів. У кожного обмеження вказано джерело: внутрішній регламент, паспорт партії сировини або вимога замовника.
- Схема ознак і правила розрахунку — які властивості сировини й параметри процесу входять у модель, як рахуються похідні величини, звідки беруться дані й як обробляються пропуски в журналах.
- Конфігурації моделі й журнал експериментів — параметри навчання, склад ознак, метрики якості на відкладеній вибірці. Це дозволяє перенавчити модель на нових партіях і порівняти результат із попереднім прогоном.
- Регламент відтворення партії — як із рекомендації моделі отримати технологічну карту: порядок завантаження, точки контролю, дії при виході показника за допуск.
- Правила доступу до даних — розмежування ролей, хто бачить сировинні журнали, хто результати розрахунків, як фіксуються зміни рецептури і хто їх підтверджує.
- Документація моделі — карта залежностей, очікувана точність за класами рецептур і межі застосовності: де прогноз достовірний, а де потрібна лабораторна перевірка.
- Інструкції для технологів — короткі сценарії на кожен крок: задати обмеження, отримати варіанти, оцінити прогноз, занести фактичний результат партії назад.
Передача технологам іде окремим етапом: розбір спірних рецептур, навчання внутрішнього адміністратора, перевірка за чек-лістом приймання. Поки технолог не відтворив партію самостійно, проєкт не вважається закритим.
Кейс: цикл підбору складу скоротився, частка успішних проб зросла
Як було влаштовано до впровадження
У замовника — виробника промислових покриттів — рецептуру підбирали перебором: технолог задавав матрицю часток компонентів, лаборанти готували наважки, зразки йшли на випробування з адгезії, в'язкості та стійкості.
На одну рецептуру йшло 40–60 лабораторних проб, цикл підбору складу займав 10–12 тижнів, а приймальні випробування з першого проходу проходила приблизно кожна третя партія.
Частина відбракування спливала лише на укрупненій установці — коли тижні роботи вже витрачено, а причину доводилося шукати заново.
Що змінили
Зібрали історичні протоколи випробувань, паспорти партій і журнали режимів у єдину таблицю «склад → умови → результат», розмітили пропуски й розходження між серіями.
Поверх навчили дві моделі: одну — передбачати цільові показники за частками компонентів, другу — оцінювати ймовірність проходження приймальних випробувань. У пошук заклали обмеження: доступність сировини, сумісність компонентів, діапазони часток, вихід за які технологія не тягне.
Далі працює активний відбір: наступна проба ставиться там, де модель або обіцяє найкращий результат, або найбільше сумнівається. Прогноз завжди перевіряється реальною наважкою — система ранжує проби, але не видає готовий рецепт замість лабораторії.
Що стало
Кількість проб на рецептуру скоротилася з 40–60 до 12–14, частка успішних із першого проходу зросла з третини до двох із лишком третин, строк виходу на склад — з 10–12 тижнів до 3–4.
Вихід придатного продукту при масштабуванні піднявся з 68% до 91%: модель підказує, які співвідношення поводяться нестабільно при переході з лабораторного зразка на реактор.
Кожну рекомендацію команда звіряла з фактичними випробуваннями — розходження прогнозу й заміру тримається в межах, за яких проба залишається осмисленою. Базу поповнюють новими серіями, тому точність ранжування зростає в міру накопичення даних.
Як перевірити рецептуру на стійкість до сировини різної якості?
Перевіряти рецептуру на стійкість до сировини за «середньою партією» не можна: модель, навчена на паспортних значеннях, підбирає склад під центр допуску.
Це типове перенавчання моделі — метрика на відкладеній вибірці тримається, а при відхиленні партії на півтори сигми за вологістю чи дисперсністю властивості виходять за межу допуску.
Тому на вхід моделі подається розподіл, а не точка. Розкид властивостей сировини беремо з журналу вхідного контролю сировини: за кожною позицією будуємо інтервали за домішками, вологістю та кореляціями між ними, а не лише «мінімум — максимум».
Перебір усередині інтервалів ведемо за методом Монте-Карло — тисячі віртуальних партій, для кожної рецептура рахується окремо.
Вибір способу залежить від того, що вже є в архіві, і наскільки жорсткі вимоги до властивостей.
| Підхід | Коли підходить | Обмеження |
|---|---|---|
| Історичні партії з вхідного контролю | є архів за кілька сезонів | рідкісні викиди до нього не потрапляють |
| Синтетичний розкид за допусками | допуски за сировиною формалізовано | не бачить кореляцій між домішками |
| Оптимізація за найгіршою партією | критичні в'язкість, адгезія, колір | звужує простір рецептур |
| Інтервальна оцінка властивостей | потрібен ризик, а не одне число | потребує більше даних |
Критерій приймання — не середня помилка, а частка партій у допуску: рецептура стійка, якщо тримає цільові властивості на 90–95% змодельованих партій.
Фінальна перевірка — на сліпих партіях, що не брали участі в навчанні: видно, що модель спирається на фізику процесу, а не на запам'ятовані сполучення.
Слабкі місця підходу: точність моделі, якість даних, підтримка
Точність передбачення рецептури не універсальна: вона тримається всередині тієї області складів і режимів, яку покривають минулі досліди. За її межами модель екстраполює, і замість правдоподібного числа виходить упевнена, але неправильна відповідь.
Тому ми явно окреслюємо зону застосовності й видаємо інтервальний прогноз із зазначенням, на яких даних його побудовано.
Друге обмеження — якість історії. Паперові журнали дослідів зберігають цінність, але в непридатному для розрахунку вигляді: різні одиниці, скорочення, незафіксовані партії сировини й умови.
Переведення в структуровану таблицю й розбір суперечностей займають помітну частину проєкту — це не підготовка, а робота, без якої модель не навчиться.
А якщо історичних даних мало?
Тоді спираємося на перенесення зі споріднених складів і на план контрольованих дослідів: кілька десятків точок у потрібному діапазоні часто дають більше, ніж сотні розрізнених записів.
Зона застосовності при цьому звужується чесно — ми прямо кажемо, де прогноз надійний, а де потрібна перевірка в лабораторії.
Хто відповідає за результат і як модель живе після запуску?
Супровід — частина роботи, а не окрема послуга: стежимо за розходженням прогнозу й фактичного виходу, фіксуємо момент, коли сировина або режим вийшли за межі навченої області, і запускаємо донавчання.
У нас є відповідальний інженер і регламент ескалації, а спірна рекомендація перевіряється на контрольній партії до передачі у виробництво. Відповідальність за результат розподілена за цими кроками, а не розчиняється у звіті.
Обговоримо задачу: які дані є і що потрібно на виході
Щоб повернутися не із загальними словами, а з робочою схемою, нам потрібен мінімум ввідних: що вже є за складами й результатами випробувань, які обмеження задані нормативкою й регламентом виробництва, що вважається успішним результатом.
Опишіть задачу у вільній формі — таблиці, вивантаження з лабораторного журналу й внутрішні документи на першій розмові не потрібні.
У відповідь надсилаємо не комерційну пропозицію «на все», а конкретику за вашим випадком:
- розбір даних для старту: що реально потрібно з реєстрів випробувань і паспортів складів, а що збирати не доведеться;
- перелік нормативних обмежень, які система зобов'язана дотримувати, і спосіб перевірки кожного запропонованого варіанта рецептури на відповідність їм;
- критерії приймання — за якими показниками й на якому наборі складів вважаємо результат прийнятим, а не «схоже на правду»;
- схему робіт за етапами з точками, де ви приймаєте проміжний результат або зупиняєте проєкт;
- строки першого етапу і те, що на ньому буде видно до вкладень у повну систему;
- склад матеріалів, що передаються: конфігурації, скрипти підготовки даних, регламент перенавчання на нових випробуваннях;
- план відкату: як повернутися до поточного порядку підбору, якщо результат виявиться гіршим за очікуваний.
Опишіть задачу й додайте те, що є, — повернемося з оцінкою, схемою робіт і планом першого етапу.
