Аннотация

Бумажные фабрики по всему миру работают в условиях постоянной изменчивости процессов — колебания композиции массы, деградация сукон, изменение влажности и смена сортов, — с которыми фиксированные установки и реактивное управление не могут справиться. В данной статье представлена концепция перехода от реактивного управления процессом к управлению на основе ИИ с использованием непрерывно обновляемого цифрового двойника процесса (Process Digital Twin), ориентированной на продукт структуры данных (Product Clone) и запатентованного ИИ-движка (CrossRank), который определяет оптимальные диапазоны работы на основе собственных производственных данных фабрики. Методология была применена в нескольких промышленных внедрениях. На фабрике по производству флютинга было достигнуто снижение обрывов бумаги на 68% и увеличение производительности на 5% в течение четырёх месяцев; на газетной фабрике количество обрывов полотна снизилось с 7 до 0,5 в день, что позволило восстановить ежегодный доход в размере 40 млн долларов США.

Ключевые слова: цифровой двойник, искусственный интеллект, оптимизация процессов, снижение обрывов, бумагоделательная машина.

Введение

Современная бумагоделательная машина является одной из наиболее сложных непрерывных производственных систем в промышленности, обрабатывающей сотни взаимодействующих переменных одновременно: степень помола и концентрация массы, давление в напорном ящике, усилия в зазорах прессов, давление пара в сушильных цилиндрах и др. Любая из этих переменных может изменяться; когда несколько переменных изменяются одновременно — как это происходит при смене сортов, переходе на другую композицию массы или сезонных изменениях влажности, — операторы сталкиваются с системой, слишком сложной для оптимального управления в реальном времени путём ручного вмешательства.

На протяжении десятилетий отрасль реагировала на это с помощью распределённых систем управления (DCS), систем контроля качества (QCS) и статистического управления процессами (SPC) [1]. Все эти инструменты имеют фундаментальное ограничение: они статичны в динамичном мире. Установка, оптимальная в начале, перестаёт быть оптимальной через тридцать минут, когда изменился состав вторичного волокна или уплотнилось прессовое сукно.

Финансовые последствия значительны. Каждый обрыв бумаги на машине среднего размера обходится в 3 000 – 10 000 долларов США из-за потерянного производства, потраченного впустую волокна и времени на перезаправку. Потери, связанные с качеством, составляют 3 – 8% стоимости продукции. Пар и электроэнергия, на которые приходится 25–35% эксплуатационных расходов, обычно расходуются на 10–20% выше технически достижимого минимума.

В данной статье представлена концепция перехода от реактивного управления процессом к управлению на основе ИИ [3], подтверждённая документированными промышленными внедрениями.

Материалы и методы

Условия эксплуатации: индийские бумажные фабрики

Индийская бумажная промышленность представляет собой особую эксплуатационную среду, которая усиливает проблемы изменчивости [4]. Приблизительно 25–30% производства бумаги в Индии зависит от импортируемой макулатуры переменного качества. Фабрики на агроостатках (багасса, пшеничная солома, рисовая солома) сталкиваются с изначально переменной морфологией волокна, зольностью и характеристиками обезвоживания — часто от смены к смене. На большинстве фабрик имеется инфраструктура DCS и QCS, но данные разрознены, имеют плохую привязку по времени и редко интегрируются с лабораторными данными, MES и ручными записями в единый аналитический слой. Данные существуют; они пока не используются систематически.

Этот профиль изменчивости является именно тем условием, для работы в котором разработан CrossRank компании Braincube — интеллектуальный уровень решения. Поскольку алгоритм не делает предположений о нормально распределённых, однопричинных связях, он остаётся надёжным при изменении композиции массы, источника волокна или зольности от партии к партии — условиях, при которых классические регрессионные методы управления потребовали бы частой перенастройки.

Для фабрик на агроостатках и смешанных вторичных волокнах это означает, что тот же подход с цифровым двойником и CrossRank, подтверждённый на изменчивости композиции и сортов в существующих внедрениях [Раздел 3], структурно применим к индийским условиям эксплуатации, где доминирующим источником изменчивости является сырьё, а не только смена сортов. Однако для получения полного эффекта на индийской фабрике потребуется тот же предварительный этап, что и в каждом внедрении на сегодняшний день: 12–24 месяца данных DCS, QCS и лабораторных данных с привязкой по времени для создания специфического для фабрики цифрового двойника, поскольку CrossRank изучает рабочие диапазоны на основе собственной истории каждой фабрики, а не на основе обобщённой модели.

Концепция зрелости процессов интеллектуального управления

Переход от традиционного управления процессами к операциям на основе ИИ проходит через пять уровней зрелости. Каждый уровень строится на предыдущем и приносит измеримую ценность независимо.


Рисунок 1: Пятиуровневая модель зрелости интеллектуального управления процессами

Источники данных и интеграция

Аналитическая концепция интегрирует данные из всех производственных систем. В Таблице 1 приведены основные источники данных, фиксируемые переменные и ключевые проблемы интеграции.

Таблица 1: Основные источники данных и характеристики интеграции

Источник	Переменные	Ключевая проблема
DCS	Давления, температуры, расходы, скорости приводов (1–10 с)	Объём; синхронизация с временными метками QCS
QCS	Масса, влажность, толщина, зольность (30–60 с)	Задержка сканера; артефакты смены сорта
MES	Сорт, идентификатор рулона, данные заказов, смены	Изолированность от историка процесса
Лаборатория	Степень помола, разрыв, раздирание, продавливание (1–4/смену)	Нечасто; требует временной привязки
Журналы операторов	Замена сукон, добавление брака, визуальные заметки	Неструктурированы; требуют стандартизации

Цифровой двойник процесса и клон продукта (копия продукта)

Цифровой двойник процесса (Process Digital Twin) представляет собой непрерывно обновляемую, контекстуализированную копию машины, построенную на основе вышеуказанных интегрированных источников данных [2]. Он учитывает переменную задержку, загрязнение от смены сорта, шум датчиков и дрейф оборудования, служа единым аналитическим источником достоверных данных. Три характеристики реальных данных бумагоделательных машин постоянно нарушают наивный анализ:

- Временные задержки: эффект изменения настройки рафинёра может проявиться в прочности листа на разрыв только через 20–40 минут. Цифровой двойник отображает эти задержки, чтобы выявленные зависимости отражали истинные причинно-следственные связи.
- Переходы между сортами: 30–60 минут для смены сорта представляют собой особенное состояние работы. Цифровой двойник маркирует эти периоды, чтобы анализ установившихся режимов не был искажён.
- Шум датчиков и выбросы: традиционные корреляционные методы очень чувствительны к выбросам. Движок CrossRank (Раздел 2.5) использует вероятностный подход, который по своей природе устойчив.

Клон продукта или копия продукта (Product Clone) реорганизует те же данные вокруг каждой единицы продукции — каждого рулона или партии — и полного набора условий процесса, которые её произвели. Вместо вопроса «какой была температура в 14:32?» фабрика может задать вопрос «какой набор условий стабильно даёт рулоны в соответствии со спецификацией?» и получить обоснованный, практически применимый ответ.

ИИ-движок CrossRank

CrossRank является запатентованной методологией интеллектуального анализа данных, разработанной для реальных промышленных данных, которые по своей природе не являются нормальными, содержат выбросы и включают как непрерывные, так и дискретные типы переменных — условия, которые делают классическую регрессию Пирсона неприменимой. В Таблице 2 приведено сравнение двух подходов.

Таблица 2: Регрессия Пирсона vs. CrossRank — сравнительные характеристики

Атрибут	Проблема метода	CrossRank
Выход	Уравнение регрессии (без диапазона)	Наиболее влияющий диапазон переменной
Чувствительность к выбросам	Высокая чувствительность — один выброс разрушает оценку	Врождённо устойчив
Ненормальные данные	Ненадёжен	Полностью надёжен для всех распределений
Дискретные переменные	Не может обрабатывать	Естественная поддержка бинарных/категориальных входов
Пороговые эффекты	Не обнаруживает	Точно определяет пороги и пиковые отклики

Оценка CrossRank, равная 84, означает, что входная переменная правильно разделяет 84% точек с хорошими выходными показателями и плохими. Алгоритм одновременно определяет конкретный диапазон входных значений [x₁, x₂], в котором это разделение максимально. На Рисунке 2 показано, как этот выходной сигнал проходит через полную архитектуру — от необработанных данных датчиков цеха через уровни цифрового двойника и CrossRank к финальным рекомендациям для оператора.


Рисунок 2: Пятиуровневая архитектура — от данных цеха к рекомендациям оператору

Результаты и обсуждение 

Снижение обрывов

Обрывы бумаги являются наиболее заметным и дорогостоящим источником потерь производства на бумагоделательной машине. Подход на основе ИИ определяет на основе собственных исторических данных фабрики конкретные рабочие диапазоны по соответствующим переменным, связанным со стабильной, безобрывной работой, и направляет операторов обратно в эти диапазоны по мере изменения условий.

Сигналы раннего предупреждения охватывают всю машину: изменчивость обезвоживания и колебания концентрации в напорном ящике на мокром конце; асимметрия нагрузки в зазоре и снижение проницаемости сукна в прессовой части; колебания давления пара и скачки влажности в сушильном колпаке в сушильной части. Рекомендации выдаются в виде чёткого, приоритезированного указания, например: «Риск обрыва повышен. Основной драйвер: концентрация в напорном ящике 3,8% (рекомендуемый диапазон: 3,2–3,5%). Вторичный драйвер: давление пара в прессе 4,1 бар (рекомендуется: 4,4–4,6 бар)».

Внедрение на фабрике по производству флютинга и крафт-лайнера демонстрирует достижимые результаты (Таблица 3).

Таблица 3: Результаты снижения обрывов — фабрика по производству флютинга

Параметр	Описание
Проблема	Повторяющиеся обрывы в среднем 5–7/день; причины распределены по мокрой части, прессовой и сушильной; ручной анализ не позволял выявить основные драйверы
Метод	Цифровой двойник процесса построен на основе исторических данных DCS и QCS; CrossRank определил рабочие диапазоны для стабильной работы; доведено до операторов в виде обновлённых производственных стандартов
Результаты	Снижение обрывов бумаги на 68% в течение 4 месяцев; увеличение производительности на 5% (~1 850 дополнительных часов безобрывного производства в год)
Ключевой вывод	Наиболее влиятельными драйверами обрывов были межсекционные комбинации переменных — зависимости, которые CrossRank выявляет из данных, но которые крайне сложно изолировать вручную

Стабилизация качества

Стабилизация качества направлена на удержание свойств готовой бумаги в рамках спецификаций заказчика на протяжении всей кампании, при смене сортов и при изменяющихся входных условиях. Работая с клоном продукта (копией продукта), CrossRank определяет, какие условия процесса разделяют продукцию, соответствующую и не соответствующую спецификации, по параметрам, включая массу (г/м²), профиль влажности, толщину, прочность на разрыв/раздирание и зольность. В одном документированном внедрении определение двух температур процесса, наиболее сильно влияющих на качество, повысило долю хороших партий с 32% до более чем 50%, даже на высоких скоростях линии.

Расширение прав и возможностей операторов и динамические стандарты

Глобальный производитель упаковки и целлюлозы объединил более 25 предприятий с использованием панелей мониторинга, интегрирующих DCS, QCS, MES и лабораторные данные. Методология «Проблема-Причина-Коррекция» была встроена непосредственно в панели мониторинга, чтобы операторы одновременно видели отклонение и корректирующее действие. Производственные стандарты стали динамическими — при изменении стандарта панели мониторинга обновляются автоматически без участия ИТ. Приблизительно 80% глобальных предприятий выразили заинтересованность во внедрении после ознакомления с пилотными результатами.

Восстановление работы в масштабе

Фабрика по производству газетной бумаги, имевшая в среднем 7 обрывов полотна в день и работавшая ниже проектной скорости, демонстрирует поэтапную ценность модели (Таблица 4).

Таблица 4: Поэтапное восстановление — фабрика по производству газетной бумаги

Этап	Вмешательство
Этап 1: Оптимизированный	CrossRank определил новые уставки для наиболее влиятельных переменных
Этап 2: Расширенный	Расширение охвата модели на дополнительные секции процесса
Этап 3: Трансформированный	Скорость машины увеличена на 12% для удовлетворения спроса без дополнительных капитальных затрат

Концепция оценки ценности

Предварительная оценка бизнес-ценности до внедрения является серьёзным барьером для цифрового внедрения. Структурированный аудит данных — с использованием 12–24 месяцев данных DCS, QCS, журналов обрывов и производственных записей — может предварительно количественно оценить потенциальные выгоды. В Таблице 5 представлен иллюстративный расчёт для индийской фабрики по производству бумаги для письма и печати производительностью 200 тонн в день.

Таблица 5: Иллюстративный годовой потенциал ценности — фабрика по производству бумаги для письма и печати, 200 т/день, Индия

Измерение ценности	Ориентировочный годовой эффект (₹ крор)
Снижение обрывов (50–68%)	3,5–6,0
Прирост производительности (3–8%)	4,0–10,0
Экономия энергии (8–15%)	2,5–5,0
Экономия химикатов/волокна (5–10%)	1,5–3,0
Оптимизация обслуживания	1,0–2,5
Всего (иллюстративно)	12,5–26,5 крор/год

Воздействие на устойчивое развитие

Каждое улучшение эксплуатационных показателей напрямую ведёт к снижению потребления ресурсов, поддерживая соблюдение экологических норм по сбросам и выбросам для целлюлозно-бумажного сектора [5]. Снижение обрывов сокращает удельное потребление волокна на 3–8% и удельное энергопотребление на 4–10% (ГДж/тонну). Оптимизация сушки снижает потребление пара на 8–15% и прямые выбросы CO₂ на 6–12%. Оптимизация рафинёров снижает потребление электроэнергии на 5–12%.

Для индийских фабрик эти улучшения всё чаще становятся обязательными. Схема Perform-Achieve-Trade (PAT) Бюро по энергоэффективности устанавливает целевые показатели удельного энергопотребления (SEC) «от входа до выхода» для назначенных бумажных фабрик с штрафами за несоблюдение и торгуемыми сертификатами энергосбережения за перевыполнение [6]. Оптимизация процессов на основе ИИ является одним из наиболее экономически эффективных путей к соблюдению требований PAT и выполнению обновлённых обязательств Индии по Национально определяемым вкладам (NDC) в отношении интенсивности выбросов [7].

Выводы

Бумажная промышленность десятилетиями работала на одной и той же фундаментальной парадигме управления: установить цели, измерить отклонения, корректировать вручную. Этот подход достиг своего предела. Изменчивость современных бумагоделательных машин — по композиции массы, состоянию оборудования и условиям эксплуатации — превышает возможности статических уставок и времени реакции человека для оптимального управления.

Цифровой двойник процесса и клон продукта (копия продукта) в сочетании с анализом CrossRank на основе ИИ предоставляют технически подтверждённое средство для перехода от реактивного управления к управлению на основе ИИ с использованием данных, которые фабрики уже генерируют. Документированные доказательства подтверждают, что частота обрывов может быть снижена на 50–68%, производительность увеличена на 5–12%, а значительная экономия энергии и материалов может быть достигнута в течение месяцев после внедрения.

Для индийских бумажных фабрик, работающих с более сложной изменчивостью сырья из агроостатков и импортируемых вторичных волокон, данная концепция особенно применима. Комплексный подход также поддерживает соблюдение целевых показателей SEC по схеме PAT и вносит измеримый вклад в обязательства Индии по NDC, делая обоснование устойчивого развития и операционной эффективности взаимно усиливающими друг друга.

Литература

1. Shewhart, W.A. (1931). Economic Control of Quality of Manufactured Product. Van Nostrand, New York.
2. Grieves, M. (2014). Digital Twin: Manufacturing Excellence through Virtual Factory Replication. Digital Twin White Paper.
3. Tao, F., Cheng, J., Qi, Q., Zhang, M., Zhang, H., and Sui, F. (2018). Digital Twin-Driven Product Design, Manufacturing and Service with Big Data. International Journal of Advanced Manufacturing Technology, 94, 3563-3576.
4. IPPTA (2025). Concept Note - Zonal Seminar-I 2026: Paper Industry's Digital and Sustainability Imperatives. IPPTA, New Delhi.
5. Central Pollution Control Board (2022). Revised Environmental Standards for the Pulp and Paper Industry. CPCB, New Delhi.
6. Bureau of Energy Efficiency, Govt. of India (2023). Perform Achieve Trade (PAT) Scheme - Paper Sector Guidelines. BEE, New Delhi.
7. Ministry of Environment, Forest and Climate Change (2022). India's Updated Nationally Determined Contribution. MoEFCC, New Delhi