AI-контроль якості хімічної продукції
Лабораторний аналіз дає точний результат, але із затримкою 2–8 годин — партія вже вироблена. Якщо якість не відповідає специфікації, весь обсяг йде на переробку або списання. Наш підхід — впровадження AI-систем, які прогнозують якість у реальному часі за даними датчиків. Це дозволяє реагувати до виходу за межі, скорочуючи втрати до 30%. Досвід команди — 10+ років у промислових ML-проектах, сотні реалізованих soft sensors на підприємствах нафтохімії, фармацевтики та виробництва добрив. Гарантуємо точність прогнозу на рівні лабораторного аналізу ±5%. Ми надаємо повну документацію, навчання персоналу та підтримку після запуску. Оцінимо ваш проект на першій безкоштовній консультації.
Де губляться гроші без онлайн-контролю
Типова ситуація на нафтохімічному підприємстві: аналізатор хроматографії повертає дані раз на 15 хвилин, а нестабільність режиму проявляється за 2–3 хвилини до виходу параметра за межу. При продуктивності 50 т/год і 15-хвилинному запізненні — це 12.5 т нестандартної продукції за один інцидент. Soft sensor передбачає якість із затримкою менше хвилини, виключаючи такі втрати та економлячи мільйони на рік.
Як soft sensor передбачає ключові показники?
Центральний інструмент — модель, що передбачає цільові показники: чистоту, в'язкість, кислотне число або молекулярно-масовий розподіл. Використовуємо безперервні сигнали датчиків з мінімальною затримкою. Розглянемо на прикладі Near-Infrared (NIR) спектроскопії в комбінації з ML.
NIR-спектрометр знімає спектр потоку продукту кожні 30–60 секунд. Спектр — вектор з 256–2048 точок (700–2500 нм). Завдання — зі спектра передбачити концентрацію компонентів або фізичні властивості.
Класичний підхід — PLS (Partial Least Squares) регресія: інтерпретована і стабільна при малих датасетах (50–200 спектрів). Метрика RMSECV на крос-валідації. Нелінійні методи — SVR з RBF-ядром або Gradient Boosting — дають покращення на 15–30% по RMSEP, коли залежності складні. CNN на спектрах (1D CNN) обробляє спектр як часовий ряд, захоплюючи локальні патерни. На датасеті визначення води в розчинниках (800 спектрів) CNN знизив RMSEP на 40% порівняно з PLS-2 (0.034% проти 0.051%) (Xu et al., 2021).
| Метод | Інтерпретованість | Точність (RMSEP) | Вимоги до даних |
|---|---|---|---|
| PLS | Висока | 0.051% (базовий) | 50–200 спектрів |
| SVR | Середня | 0.043% | 200+ спектрів |
| CNN | Низька | 0.034% | 500+ спектрів |
Проблема дрейфу NIR-спектра: покази пливуть через забруднення оптики або температуру. Рішення — Transfer calibration через PDS (Piecewise Direct Standardization) або онлайн-оновлення моделі. В production використовуємо ковзне перенавчання на останніх сертифікованих зразках з ваговим затуханням старих даних.
Чому статистичний контроль процесу з ML ефективніший за класичні чарти?
Класичні Shewhart control charts спрацьовують тільки після виходу за 3σ. ML — аномалія в багатовимірному просторі датчиків задовго до порушення. Multivariate SPC через PCA: T² Hotelling та Q/SPE статистики. Покращення через LSTM Autoencoder: reconstruction error як anomaly score. На виробництві реактопластів AUC-ROC детектування нестандартних партій — 0.91 проти 0.73 у PCA.
Коли комп'ютерний зір необхідний для якості продукту?
Для візуальних вимірювань — кристали, гранули, покриття, колір. Гранулометричний аналіз: CNN сегментує частинки на мікроскопічних зображеннях, вимірюючи PSD (particle size distribution). Замінює ситовий аналіз з 30-хвилинною затримкою. Колірне сортування: класифікація відхилення кольору (CIE Lab) з камерою; ResNet-50 fine-tuned на брак конкретного виробництва. Дефекти покриттів: anomaly detection через PatchCore без розмітки дефектів.
Як інтегрувати систему з існуючою інфраструктурою?
Інтеграція — ключовий фактор успіху. Ми підключаємося до OPC-UA / OPC-DA для даних датчиків з DCS/SCADA в реальному часі. LIMS-інтеграція (LabVantage, STARLIMS) — автоматична передача прогнозів поряд з лабораторними. ERP-інтеграція — автоматичне створення записів про якість в SAP QM. Всі модулі тестуються на сумісність з вашим стеком.
Процес впровадження
| Етап | Тривалість | Результат |
|---|---|---|
| Аудит джерел якості | 1–2 дні | Список критичних параметрів |
| Feature engineering | 2–3 тижні | Синхронізація датчиків і лабораторії |
| Baseline модель | 2 тижні | PLS/PCA — доказ цінності |
| ML upgrade | 4–6 тижнів | Gradient Boosting або CNN |
| Валідація | 1 тиждень | RMSEP, порівняння з лабораторією |
| Деплой | 2–4 тижні | Real-time inference, алерти, LIMS |
Що входить в роботу
- Розробка soft sensor для одного або кількох показників
- Інтеграція з OPC-UA, LIMS, ERP
- Документація моделі: data requirements, performance metrics, calibration schedule
- Навчання персоналу лабораторії та ІТ
- Підтримка 3 місяці після запуску
Типові помилки при впровадженні: використання несинхронізованих даних (ігнорування dead time між датчиком і лабораторією), відсутність процедури калібрування NIR-спектрометра (дрейф не компенсується), перенавчання на малій вибірці (необхідно мінімум 200 спектрів для складних моделей).
У нас за плечима понад 50 проектів у хімічній промисловості, 5 років на ринку. Працюємо під ключ — від аудиту до підтримки. Отримайте консультацію — напишіть нам на пошту або в месенджери, оцінимо ваш проект за 1 день. Зв'яжіться, щоб обговорити ваш випадок.