В нефтехимическом производстве качество продукции зависит не только от явных параметров (температура, давление, pH), но и от множества скрытых, операционных и логистических факторов: номера тары для сырья, дня недели, фамилии оператора, истории реактора. Именно выявление таких «неочевидных причин» — главная ценность интерпретируемого ИИ в регулируемой среде.
Принцип: много маленьких программ вместо одного «чёрного ящика»
Вместо единой сложной системы предлагается набор небольших, специализированных приложений:
- Каждое решает одну узкую задачу (прогноз pH, выявление влияния тары и т.д.)
- Использует интерпретируемые модели (деревья решений, регрессия)
- Принимает input.csv и возвращает output.json
- Легко валидируется как стандартная SOP
Такой подход снижает риски и позволяет внедрять ИИ постепенно, начиная с наиболее критичных точек.
Производственный цикл и источники неочевидных данных
На схеме — ключевые этапы нефтехимического производства и источники данных, которые редко учитываются, но критически влияют на стабильность процесса.
Почему именно неочевидные признаки?
Как верно замечено практиками: если pH вышел за пределы — «ясен пень, косяк», и тут ИИ не нужен. Но когда все параметры в норме, а качество падает, — именно тогда включается анализ скрытых факторов:
- «Сырьё из тары №452 даёт дрейф pH»
- «Партии, загруженные в пятницу после 16:00, чаще бракуются»
- «Реактор №3 после мойки даёт стабильный продукт, а №7 — нет»
Именно эти паттерны и выявляют небольшие программы на основе деревьев решений.
Типовые решения для нефтехимии
Прогноз отклонения pH на стадии синтеза
Входные данные: температура, состав, номер тары сырья, фамилия оператора, день недели
Модель: дерево решений
Выгода: выявление влияния логистики и персонала, а не только технологических параметров.
Анализ влияния истории реактора
Входные данные: что варили до этого, время с последней мойки, номер сменного узла
Модель: Permutation Feature Importance
Выгода: оптимизация графика мойки и техобслуживания.
Прогноз стабильности суспензии при фильтрации
Входные данные: влажность, гранулометрия, праздничные дни, интенсивность обучения персонала
Модель: дерево решений
Выгода: снижение заторов и простоев на фильтрах.
Рекомендации по корректировке режима нейтрализации
Входные данные: отклонения по pH, цвету, прозрачности
Модель: дерево решений на исторических CAPA
Выгода: быстрое принятие решений без участия старшего технолога.
Прогноз ресурса мембран/фильтров
Входные данные: количество циклов, температура, состав промывки
Модель: полиномиальная регрессия
Выгода: планово-предупредительная замена, снижение рисков прорыва.
Техническая реализация
Каждое приложение:
- Написано на C# с использованием Accord.NET 3.8.0 (стабильная, без breaking changes)
- Принимает input.csv с колонками, включая контекстные признаки
- Возвращает output.json с полем errorMessage для надёжной интеграции
- Содержит метод PrintHello() с описанием формата данных
Пример вызова: PhDeviationPredictor.exe batch_data.csv result.json
Читайте также: ИИ на страже качества: применение деревьев решений в фармацевтическом производстве
Для связи с автором: info@ajdocs.ru
Заключение
ИИ в нефтехимии становится ценным инструментом не тогда, когда он подтверждает очевидное, а когда помогает увидеть то, что скрыто за шумом рутинных данных. Набор небольших, интерпретируемых, валидируемых программ — это путь к доверию технологов, регуляторов и руководства.
© 2025. Практические решения на основе интерпретируемых моделей машинного обучения.
Все приложения реализованы на Accord.NET 3.8.0 и готовы к валидации в GxP-среде.