Современные тенденции цифровизации промышленности всё чаще включают в себя не только автоматизацию, но и интеллектуализацию процессов – переход от реактивного управления к предиктивному. В целлюлозно-бумажной промышленности, где качество продукции определяется совокупностью сотен параметров: от температуры в варочном котле до натяжения полотна на каландре, потенциал искусственного интеллекта особенно высок. Однако внедрение ИИ-решений сталкивается с объективными ограничениями: высокая инерционность технологических цепочек, жёсткие требования к надёжности, а также необходимость интеграции с устаревшей автоматикой, часто эксплуатируемой более 15-20 лет. В таких условиях наиболее перспективным оказывается не облачный ИИ, а локальный, встраиваемый интеллект – алгоритмы, выполняемые непосредственно на уровне ПЛК или встраиваемого исполнителя, без зависимости от внешних серверов.

Ключевое преимущество такого подхода – совместимость с существующей инфраструктурой. Большинство предприятий ЦБП уже используют модульные системы ввода-вывода (например, ОВЕН MK110/MV110), датчики давления (Danfoss MBS 3000), температуры (Pt100) и натяжения (ОВЕН ПДН-500), а также SCADA-системы (в том числе SCADA+). Эти компоненты генерируют потоки данных, достаточные для построения простых, но эффективных моделей машинного обучения. Важно, что для большинства задач – таких как оценка шероховатости по давлению в каландре или прогнозирование нарушения подачи массы – не требуются нейросети с миллионами параметров; достаточно линейных регрессий, деревьев решений или методов ближайших соседей (k-NN), реализуемых на микроконтроллерах или встраиваемых исполнителях с ограниченными ресурсами.

Одной из наиболее востребованных задач является оценка печатно-технических свойств картона в реальном времени. Согласно технологическим требованиям, гладкость поверхности и шероховатость являются ключевыми параметрами для флексопечати. Прямое измерение этих величин возможно только в лаборатории или на оффлайн-стендах, что создаёт задержку в несколько часов. В то же время, как показывает практика, эти свойства коррелируют с технологическими параметрами: давлением на каландре, температурой сушки, скоростью полотна и влажностью. На основе этой корреляции можно построить регрессионную модель вида:

где Y – прогнозируемая гладкость (с), P – давление каландра (кН), T – температура сушки (°C), v – скорость полотна (м/мин), w – влажность (%). Коэффициенты ​ определяются по историческим данным, собранным за период стабильной работы. Обучение модели возможно, как на ПК (с последующим экспортом в формате PMML или ONNX), так и непосредственно в среде SCADA+ через встроенный Python-интерпретатор (при наличии SP-DEV-1 и модуля SP-RTM-50 с поддержкой скриптов).

Другая важная область применения – прогнозирование отказов оборудования. Например, насосы, подающие бумажную массу, подвержены кавитации при снижении уровня в баке или засорении фильтров. Это проявляется в характерных изменениях: рост вибрации (измеряется акселерометрами), колебания давления, снижение производительности. На основе этих признаков можно построить бинарный классификатор (например, метод опорных векторов – SVM), предупреждающий о риске кавитации за 5–10 минут до аварии. Важно, что такая модель не требует видеокамер или дорогостоящих датчиков – только уже установленные аналоговые и дискретные сигналы.

Третья группа задач – оптимизация энергопотребления. Бумагоделательные машины потребляют значительные объёмы пара и электроэнергии, причём до 15 % энергии расходуется неэффективно – из-за неоптимальных режимов сушки или избыточного давления в каландре. С помощью ИИ можно построить модель, которая по текущему качеству полотна и запланированному сорту подбирает минимально допустимые значения давления, температуры и скорости, обеспечивающие соответствие спецификации. Такой подход снижает удельный расход энергии без ущерба для качества.

Для снижения вычислительной нагрузки применяются методы сжатия и квантования моделей. Например, дерево решений глубиной 8 для прогноза растискивания занимает менее 10 КБ памяти и выполняется за 3–5 мс на процессоре ARM Cortex-M7, встроенном в SP-RTM-50. Нейросети сводятся к трёхслойным перцептронам с 16–32 нейронами на скрытом слое – этого достаточно для высокой точности при оценке влажности по температуре и скорости сушки.

Структура ИИ-системы в ЦБП строится по принципу «edge-first»: данные с датчиков → локальный предварительный анализ (фильтрация, нормализация, детекция аномалий) → ML-вывод → корректирующее воздействие (изменение уставок) → архивирование в SCADA. Только агрегированные метрики (ошибки, тренды, события) передаются на верхний уровень для долгосрочного анализа. Такая архитектура минимизирует нагрузку на сеть и исключает риски, связанные с потерей связи.

При этом данные не поступают «как есть» – они проходят многоступенчатую обработку. На первом этапе производится фильтрация шума: скользящее среднее с окном 5–10 секунд подавляет кратковременные вибрации и электромагнитные помехи. На втором этапе – нормализация: каждый параметр приводится к диапазону [0; 1] по формуле:

где – пределы, заданные технологом для данного сорта. На третьем этапе формируются инженерные признаки: например, не просто температура в зоне 2 сушки, а разность температур между зонами 1 и 2, или скорость изменения давления в каландре (первая производная). Именно такие признаки повышают точность моделей на 20-30 % по сравнению с «сырыми» данными.

Для иллюстрации размещения измерительных устройств на бумагоделательной машине на Рисунке 1 представлена схема, показывающая типовые технологические зоны: формование, обезвоживание, сушка, каландрирование и намотка. Каждая зона характеризуется набором параметров, влияющих на качество полотна – влажность, натяжение, температура, давление, шероховатость. Датчики, установленные в этих зонах, обеспечивают поток данных, достаточный для построения ИИ-моделей без установки дополнительных сенсоров. Например, в зоне формования датчики влажности позволяют прогнозировать плотность полотна; в зоне сушки – оптимизировать расход пара; в зоне каландрирования – контролировать гладкость поверхности для последующей печати. Такая структура позволяет реализовать предиктивную аналитику без замены существующего оборудования – достаточно интегрировать данные с уже установленных датчиков в локальный вычислительный узел.

Рисунок 1. Схема бумагоделательной машины с указанием технологических зон и точек измерения

Эффективность различных ИИ-подходов зависит от типа задачи и доступных данных. В Таблице 1 приведено сравнение методов по критериям применимости в условиях ЦБП.

Таблица 1

Сравнение методов машинного обучения для задач целлюлозно-бумажного производства

Важным решением является выбор между локальными (edge) и облачными (cloud) вычислениями. Edge-подход предполагает размещение модели непосредственно в шкафу управления – на встраиваемом исполнителе или ПЛК. Cloud-подход – передачу данных на сервер и обработку в централизованной системе. Оба варианта имеют свои преимущества и ограничения, которые приведены в Таблице 2.

Таблица 2

Сравнение edge и cloud подходов к внедрению ИИ в промышленности

Экономический эффект от внедрения ИИ-аналитики складывается из нескольких компонентов, таких как снижение брака, увеличение межремонтного периода, экономия энергоресурсов. Даже простая модель, снижающая долю брака на 1 %, окупается за 4–6 месяцев при годовом выпуске 20 000 т картона. Переход к более сложным моделям оправдан только при наличии устойчивого потока размеченных данных и чёткого ROI.

Искусственный интеллект в целлюлозно-бумажной промышленности – это не «большие данные» и «глубокие нейросети», а рациональное использование уже имеющейся информации для повышения стабильности и предсказуемости процессов. Локальные, легковесные модели, интегрированные в существующую автоматику, позволяют достичь ощутимого эффекта без капитальных вложений – что особенно важно в условиях ограниченных ресурсов. Будущее за гибридными архитектурами, где человек задаёт цели, автоматика обеспечивает исполнение, а ИИ – обратную связь и адаптацию.