AI-система скорочення харчових відходів на виробництві

AI-система скорочення харчових відходів на виробництві

Харчові втрати на виробництві становлять 20–30% від переробленої сировини. AI знаходить їх джерела: невідповідність рецептурних параметрів, брак упаковки, неузгодженість планування та терміну зберігання. Зниження втрат на 1% обороту великого заводу забезпечує економію мільйонів.

Облік та моніторинг втрат

Автоматичний облік відходів:

Нормативний вихід готової продукції vs. фактичний — різниця = втрати. ML-система:

• норматив витрати на рецептуру × виготовлена кількість = теоретична витрата сировини
• фактична витрата (за зважуванням) = теоретична + втрати
• відхилення >3% → alert технологу

Класифікація причин втрат:

NLP + ML на виробничих журналах та дефектних відомостях:

• "Пересолення" — помилка дозування солі
• "Деформація" — порушення температурного режиму випічки
• "Розрив упаковки" — налаштування пакувального автомата
• Автоматична Pareto-діаграма: топ-3 причини = 80% втрат

Оптимізація виробничого процесу

Параметри процесу та вихід продукції:

Регресійна модель, яка визначає, які виробничі параметри впливають на вихід готової продукції:

import shap
import lightgbm as lgb
import pandas as pd

def analyze_waste_drivers(production_data):
    """
    Аналіз драйверів втрат методом SHAP.
    production_data: виробничі параметри + фактичні втрати
    """
    feature_cols = [
        'raw_material_moisture',    # вологість сировини при прийманні
        'mixing_time_min',          # час замішування
        'proofing_temp',            # температура розстійки
        'baking_temp_actual',       # фактична температура випічки
        'baking_time_min',          # час випічки
        'line_speed',               # швидкість лінії
        'ambient_humidity',         # вологість повітря
        'operator_id',              # оператор (анонімізований)
        'shift',                    # зміна
    ]

    X = production_data[feature_cols]
    y = production_data['waste_pct']

    model = lgb.LGBMRegressor(n_estimators=300)
    model.fit(X, y)

    # SHAP для пояснення факторів втрат
    explainer = shap.TreeExplainer(model)
    shap_values = explainer.shap_values(X)

    # Топ-фактори, що збільшують втрати
    importance = pd.DataFrame({
        'feature': feature_cols,
        'shap_importance': np.abs(shap_values).mean(axis=0)
    }).sort_values('shap_importance', ascending=False)

    return model, importance

Оптимальні параметри:

Після побудови моделі — знайти параметри, що мінімізують втрати:

• Оптимальна вологість сировини для прийманн (не приймаємо партії нижче X%)
• Оптимальна швидкість лінії (при високій швидкості зростає брак упаковки)
• Залежність: при підвищенні вологості сировини на 1% → знизити температуру випічки на 5°C

Управління невикористаними залишками

Понижувальна переоцінка продукції:

Для продукції з закінченням терміну або незначним браком:

• AI-система щодня оновлює інвентар залишків з датами закінчення
• При наближенні терміну → автоматично знизити ціну в B2B-каналі
• При неможливості реалізації → направити на переробку (кормування, біогаз)

Виробництво на основі прогнозування попиту:

Виробляти рівно стільки, скільки продаватиметься:

• ML прогноз замовлень на 3–7 днів
• Графік виробництва = прогноз × коефіцієнт безпеки (1.03–1.05)
• Скорочення надвиробництва з 8–12% до 2–4%

Оптимізація сировинних запасів

FIFO + якісний моніторинг:

• Кожна партія сировини при прийманні: вологість, білок, жир → прогноз оптимального терміну переробки
• FEFO (First Expired First Out) замість FIFO: партії з меншим залишком гарантійного терміну йдуть першими
• Попередження: партія сировини закінчиться через 3 дні, терміново потрібно використовувати

Сезонне планування:

Для виробництв, що працюють на сезонній сировині (овочеві консерви, соки):

• прогноз урожайності → обсяг закупівлі для переробки
• оптимальне завантаження потужностей протягом сезону

Термін розробки: 3–4 місяці для системи моніторингу харчових відходів з ML-аналізом причин та рекомендаціями щодо скорочення.