Аннотация

Целлюлозно-бумажная промышленность переживает масштабную трансформацию благодаря использованию искусственного интеллекта (ИИ) и принятию решений на основе данных для повышения эффективности производства, сокращения потребления ресурсов и улучшения качества продукции. В данной статье рассматривается внедрение ИИ в таких важнейших областях, как оптимизация влажности бумаги на накате и автоматизация технологических процессов в рамках инициативы по цифровизации бумагоделательной машины PM6. Внедрение рекомендаций на основе ИИ в режиме реального времени позволило производителям существенно сократить расход пара и затраты, улучшить регулирование влажности и повысить эксплуатационную эффективность.

Решения на основе ИИ используют машинное обучение, статистические методы и прогнозную аналитику для совершенствования производственных процессов. Эти технологии обеспечивают точное управление процессом, позволяя динамически корректировать параметры на основе текущих и исторических данных. При отбелке целлюлозы ИИ минимизирует избыточный расход химических реагентов при сохранении оптимальной белизны, обеспечивая стабильное качество продукции и снижение воздействия на окружающую среду. Кроме того, прогнозное техническое обслуживание на основе ИИ повышает надёжность оборудования, сокращает простои и продлевает срок службы производственных активов.

Современные инструменты визуализации данных также поддерживают принятие решений благодаря отслеживанию ключевых показателей эффективности (KPI), выявлению неэффективных операций и оптимизации использования сырья. Примеры внедрения этих решений на ведущих предприятиях показывают преимущества ИИ в повышении производительности, снижении доли дефектов и сокращении эксплуатационных затрат. Применение ИИ не только способствует автоматизации процессов и устойчивому развитию, но и позволяет решать важные задачи интеграции данных, масштабируемости систем и адаптации персонала.

В статье описан преобразующий потенциал ИИ в целлюлозно-бумажной промышленности, представлены методы, результаты и перспективные тенденции. Интеграция систем управления на основе ИИ с аналитикой в реальном времени и облачными платформами позволяет отрасли развивать инновации, обеспечивать устойчивый рост и сохранять конкурентоспособность в меняющихся условиях рынка.

Ключевые слова: искусственный интеллект (ИИ), машинное обучение, прогнозная аналитика, оптимизация технологических процессов, контроль влажности бумаги на накате, отбелка целлюлозы, принятие решений на основе данных, устойчивое развитие, контроль качества, цифровая трансформация, Индустрия 4.0.

Введение

Эффективность и оптимизация технологических процессов имеют решающее значение для сохранения конкурентоспособности в целлюлозно-бумажной промышленности. Инициатива JKPM по цифровизации PM6 предусматривает внедрение ИИ для автоматизации контроля влажности бумаги на накате и повышения эффективности эксплуатации. Традиционно регулирование влажности осуществлялось посредством ручных корректировок и периодических лабораторных измерений, что приводило к нестабильности и неэффективности. Внедрение моделей искусственного интеллекта и машинного обучения (МО) обеспечивает упреждающий подход к мониторингу процесса и принятию решений в реальном времени.

Кроме того, целью данной работы является создание виртуального датчика для прогнозирования жёсткости бумаги в машинном направлении (Stiffness MD) на бумагоделательной машине PM6 и обеспечения соответствия стандартам качества. Модель ориентирована на следующие задачи:

• Устранение колебаний жёсткости в машинном направлении, влияющих на качество продукции.
• Применение машинного обучения для оптимизации процесса, минимизации простоев и сокращения затрат.
• Предоставление прогнозных рекомендаций по оптимизации влажности для поддержания жёсткости в машинном направлении без ухудшения качества.

Использование данных в реальном времени и прогнозных моделей позволяет сократить число ручных вмешательств и соответствует задачам Индустрии 4.0. В настоящем материале рассматриваются сбор данных, разработка модели ИИ, её интеграция в реальном времени и влияние формируемых ею рекомендаций на повышение влажности бумаги на накате и снижение расхода пара. Кроме того, инициатива соответствует целям устойчивого развития благодаря оптимизации энергопотребления и сокращению производственных отходов.

Искусственный интеллект и производство бумаги

ИИ преобразует бумажную промышленность, совершенствуя контроль влажности бумаги на накате, повышая качество продукции и энергоэффективность, а также сокращая затраты. Ниже рассмотрены основные направления его применения.

1. Прогнозирование влажности в реальном времени

• Модели ИИ анализируют исторические и текущие данные датчиков, установленных на бумагоделательной машине.
• Прогнозные алгоритмы предсказывают уровень влажности, позволяя заблаговременно корректировать процесс до возникновения отклонений.
• Это снижает риск пересушивания и недостаточной сушки, обеспечивая оптимальное качество бумаги.

2. Автоматизированная корректировка технологических параметров

• Системы на основе ИИ предоставляют практические рекомендации по оптимизации интенсивности сушки, подачи пара и дозирования химических реагентов.
• Такие корректировки помогают поддерживать равномерную влажность бумажного полотна.
• Операторы получают уведомления и рекомендации в реальном времени, что уменьшает потребность в ручных вмешательствах.

3. Повышение стабильности качества продукции

• Традиционные методы часто приводят к колебаниям качества бумаги из-за нестабильности ручного управления.
• ИИ обеспечивает равномерное распределение влаги, сводя к минимуму такие дефекты, как скручивание, образование складок и хрупкость.
• В результате получается более надёжная и качественная готовая продукция.

4. Энергоэффективность и устойчивое развитие

• ИИ оптимизирует расход пара и топлива в сушильных частях, существенно сокращая потери энергии.
• Интеллектуальное управление процессом минимизирует ненужный нагрев, снижая выбросы парниковых газов.
• Повышение эффективности на основе ИИ способствует внедрению устойчивых методов производства.

5. Сокращение затрат и оптимизация использования ресурсов

• Контроль влажности на основе ИИ помогает сократить расход целлюлозы благодаря точному поддержанию содержания воды.
• Оптимизированная сушка снижает затраты на энергию, связанные с использованием пара и электроэнергии.
• Сокращение потерь сырья и энергии обеспечивает значительную экономию средств для производителей.

6. Повышение прозрачности процесса и эффективности мониторинга

• Информационные панели на основе ИИ предоставляют операторам данные в реальном времени о динамике влажности, эффективности сушки и работе системы.
• Инструменты визуализации данных помогают выявлять неэффективные операции и принимать обоснованные решения по совершенствованию процесса.
• Непрерывный мониторинг позволяет быстро обнаруживать отклонения и предотвращать потенциальные производственные проблемы.

7. Ускорение принятия решений и автоматизация

• ИИ устраняет задержки, связанные с ручным анализом и принятием решений на основе предположений, позволяя быстрее корректировать технологические параметры.
• Автоматизированное управление повышает скорость производства без ущерба для качества.
• Системы на основе ИИ обучаются на прошлых тенденциях, постоянно совершенствуя стратегии контроля влажности.

Методология

1. Сбор и очистка данных

Модель ИИ обучалась на поминутных технологических данных PM6 за шесть месяцев. Данные извлекались из журналов распределённой системы управления (РСУ, DCS) и лабораторных отчётов и включали следующие основные технологические переменные:

• Вид бумаги.
• Расход пара.
• Скорость машины.
• Условия окружающей среды.
• Влажность бумаги на накате.
• Значения жёсткости в машинном направлении (Stiffness MD).

Для обеспечения точности моделирования применялись методы очистки данных с целью удаления выбросов и противоречивых значений. При предварительной обработке использовались стандартные статистические методы, включая анализ z-оценок и фильтрацию по дисперсии. Пропущенные значения восстанавливались методами интерполяции, что обеспечило формирование согласованного и надёжного набора данных для обучения.

2. Формирование признаков

Выбор признаков имел решающее значение для повышения точности модели. Применялись следующие методы:

• Корреляционный анализ: выявление ключевых переменных, влияющих на влажность бумаги на накате.
• Анализ главных компонент (PCA): снижение размерности с сохранением существенных признаков.
• Переменные с временным запаздыванием: включение исторических значений данных для повышения устойчивости прогнозирования.
• Анализ временных рядов: моделирование колебаний влажности при различных условиях эксплуатации.

3. Разработка модели

Были испытаны несколько алгоритмов машинного обучения:

• Линейная регрессия.
• Регрессия «случайный лес» (Random Forest).
• Регрессия методом частичных наименьших квадратов (PLS).

Прогнозная модель была разработана на основе поминутных данных РСУ PM6 и данных ручного контроля качества, зафиксированных в журналах измерений. Набор данных включал технологические параметры и показатели качества, собранные за определённый временной интервал. Для некоторых параметров вводилось временное запаздывание. Для эффективного обучения модели (рисунок 2) набор данных последовательно разделялся на данные для моделирования и вневыборочные данные в определённом соотношении с целью повышения точности модели.

Была выбрана регрессионная прогнозная модель, поскольку выходные переменные являются непрерывными. Для построения модели использовался линейный метод регрессии частичных наименьших квадратов (PLS). Эффективность модели оценивалась по коэффициенту детерминации R² и показателям точности (рисунок 1).

Таблица 1. Сравнение точности моделей машинного обучения (данные рисунка 1)

Рисунок 1. Фрагмент программного кода.

4. Интеграция в реальном времени

Модель ИИ была развёрнута на платформе интеграции информационных и операционных технологий (IT/OT), обеспечивающей мониторинг и формирование рекомендаций в реальном времени. Рабочий процесс включал:

• Сбор и ввод данных: непрерывная передача данных от датчиков и РСУ в модель ИИ.
• Прогнозирование и оптимизация: ИИ прогнозирует уровень влажности и предлагает корректировки.
• Интерфейс оператора: рекомендации выводятся на интерактивную панель управления (рисунок 3).
• Управление с замкнутым контуром: автоматическая обратная связь с РСУ для согласованной корректировки параметров.
• Интеграция с облачной платформой: обеспечение безопасного хранения данных и возможностей удалённого мониторинга.

Рисунок 2. Интерфейс панели мониторинга.

5. Логика оптимизации

Модель ИИ динамически оптимизирует уровень влажности с учётом следующих параметров:

• Прогнозируемая жёсткость в машинном направлении (Stiffness MD).
• Показатели пухлости (bulk).
• Текущие условия окружающей среды.
• Исторические тенденции.
• Механизмы адаптивного обучения.

Был создан механизм с замкнутым контуром обратной связи для уточнения прогнозов с течением времени и обеспечения непрерывного обучения и адаптации. Такой подход позволяет системе совершенствоваться по мере изменения условий эксплуатации (рисунок 4).

Рисунок 3. Модель жёсткости.

Результаты

1. Оптимизация влажности

• Исходная влажность: 4.13%.
• Целевая влажность: 4.50%.
• Достигнутое улучшение: повышение влажности на 0.37% (рисунок 5).

Рисунок 4. Оптимизация влажности.

2. Снижение расхода пара

• Исходный расход пара: 1.60 т/т бумаги.
• Целевой расход пара: 1.52 т/т бумаги.
• Достигнутое снижение: сокращение расхода пара на 5% (рисунок 6).

Рисунок 5. Расход пара.

3. Экономический эффект

• Годовая экономия средств: INR 1.71 Cr.
• Сокращение потребления целлюлозы: 502 тонны в год.
• Увеличение производства бумаги: 1199 тонн в год.

Перспективы дальнейшего развития

1. Оптимизация профиля проклейки на основе ИИ

В рамках второго этапа нашей инициативы по цифровизации мы внедряем оптимизацию профиля проклейки на основе ИИ. Оптимизация профиля проклейки имеет решающее значение для точного обеспечения размеров, жёсткости и пухлости. Традиционные методы настройки профилирующего устройства клеильного пресса основаны на ручных корректировках, методе проб и ошибок и опыте оператора. Однако достижения в области ИИ и машинного обучения теперь позволяют автоматизировать и оптимизировать этот процесс для повышения точности и эффективности.

Решения на основе ИИ будут прогнозировать ключевые свойства материала в зависимости от положения регулировочных органов профилирующего устройства, устраняя ошибки человека и сокращая время настройки. На основе большого объёма исторических и текущих данных ИИ будет динамически регулировать профилирующее устройство для оптимизации жёсткости и пухлости. Этот переход обеспечит:

• Повышение точности: модели на основе ИИ обеспечат точное регулирование жёсткости и пухлости в отдельных точках профиля.
• Повышение эффективности процесса: автоматическая корректировка уменьшит зависимость от ручной настройки и метода проб и ошибок.
• Повышение стабильности: решения на основе ИИ обеспечат однородность между производственными партиями, уменьшая изменчивость.
• Сокращение отходов: оптимизированные настройки минимизируют расход сырья, обеспечивая экономию средств.

По мере перехода ко второму этапу основное внимание будет сосредоточено на интеграции этой системы на основе ИИ с мониторингом в реальном времени и прогнозным техническим обслуживанием для дальнейшего повышения эксплуатационной эффективности. Эта инициатива изменит стандарты контроля качества в промышленном производстве.

2. Совершенствование настройки моделей

• Повторно настраивать модели каждые шесть месяцев либо при существенных изменениях технологического процесса.
• Внедрить обнаружение аномалий в реальном времени для дальнейшего повышения точности.
• Использовать инструменты объяснимого ИИ для повышения доверия операторов к рекомендациям системы.

3. Расширение сфер применения

• Распространить решения на основе ИИ на прогнозирование зольности и оптимизацию профиля влажности на скоростном клеильном прессе.
• Внедрить прогнозирование обрывов бумажного полотна на основе ИИ для минимизации простоев.
• Разработать цифровые решения для моделирования изменений технологического процесса до их внедрения.

4. Автоматизация

• Полностью интегрировать рекомендации на основе ИИ в РСУ для автоматизированного регулирования влажности.
• Разработать интеллектуальную систему аварийных оповещений на основе ИИ для устранения проблем в реальном времени.
• Внедрить модели прогнозного технического обслуживания для сокращения незапланированных простоев.

Заключение

Инициатива JKPM по цифровизации PM6 демонстрирует преобразующий потенциал ИИ в производстве бумаги. Благодаря использованию данных в реальном времени и прогнозного моделирования удалось добиться существенных улучшений в оптимизации влажности бумаги на накате, снижении расхода пара и повышении производственной эффективности.

Основные выводы:

• Модели на основе ИИ улучшают управление процессом и способствуют устойчивому развитию.
• Рекомендации в реальном времени сокращают число ручных вмешательств и затраты.
• Обратная связь в замкнутом контуре обеспечивает непрерывное обучение и совершенствование процесса.
• Интеграция с цифровыми технологиями может дополнительно повысить возможности прогнозирования.

Благодаря ориентации на задачи Индустрии 4.0 данная инициатива задаёт ориентир для будущего применения ИИ в целлюлозно-бумажной промышленности.

Список литературы