AI-оптимизация химических процессов
Химические процессы — реакции, разделение, кристаллизация, полимеризация — традиционно управляются на основе физико-химических моделей первых принципов. ML дополняет эти модели там, где физическая модель неточна, вычислительно дорога или просто неизвестна. Результат: улучшение yield на 2-8%, снижение потребления сырья на 3-10%, повышение качества продукта.
Структура задачи оптимизации
Иерархия управления химическим процессом:
- Regulatory control (РСУ): ПИД-контроллеры — поддержание температуры, давления, уровня
- Advanced Process Control (APC): MPC — оптимизация в реальном времени
- Real-Time Optimization (RTO): стационарная оптимизация при изменении сырья
- Scheduling: планирование производства, переключение режимов
ML применяется на уровне APC, RTO и выше.
Суррогатные модели
Когда нужен суррогат:
- Rigorous-модель (Aspen Plus, HYSYS, gPROMS) работает минуты → не подходит для real-time оптимизации
- ML surrogate: обучение 1 раз → inference за миллисекунды
# Данные: результаты запусков симулятора (DOE или эксплуатационные)
# Входные: технологические параметры (T, P, feed composition, flow rates)
# Выходные: yield, selectivity, конверсия, энергопотребление
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPRegressor
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import Matern
# Gaussian Process: даёт неопределённость (важно для безопасности)
gp_model = GaussianProcessRegressor(
kernel=Matern(length_scale=1.0, nu=2.5),
alpha=1e-6,
normalize_y=True,
n_restarts_optimizer=10
)
gp_model.fit(X_process_train, y_yield_train)
# Предсказание с неопределённостью
y_pred, y_std = gp_model.predict(X_new, return_std=True)
# y_std → возможность безопасного ограничения на "опасные" области
Physics-Informed Neural Network (PINN): Для реакторов с известной кинетикой — NN + уравнения кинетики как регуляризация:
import torch
import torch.nn as nn
class ChemicalReactorPINN(nn.Module):
def __init__(self, n_inputs, n_outputs, n_hidden=64):
super().__init__()
self.net = nn.Sequential(
nn.Linear(n_inputs, n_hidden), nn.Tanh(),
nn.Linear(n_hidden, n_hidden), nn.Tanh(),
nn.Linear(n_hidden, n_outputs)
)
def physics_residual(self, T, c_A, c_B, k0, Ea, R=8.314):
"""
Уравнение Аррениуса: k = k0 * exp(-Ea/RT)
Закон действующих масс: r = k * c_A^alpha * c_B^beta
"""
k = k0 * torch.exp(-Ea / (R * T))
r_pred = self.net(torch.stack([T, c_A, c_B], dim=1))
r_physics = k * c_A * c_B
return torch.mean((r_pred - r_physics)**2)
def forward(self, x):
return self.net(x)
Real-Time Optimization (RTO)
Steady-state оптимизация: При изменении сырья или условий — пересчёт оптимальных setpoints:
from scipy.optimize import minimize, LinearConstraint
def rto_optimization(surrogate_model, current_feed_composition,
product_prices, raw_material_costs):
"""
Максимизация прибыли: revenue(yield × price) - cost(feeds × price)
"""
def negative_profit(setpoints):
T, P, reflux_ratio = setpoints
# Предсказание продуктов из суррогатной модели
features = np.concatenate([current_feed_composition, [T, P, reflux_ratio]])
outputs = surrogate_model.predict([features])[0]
yield_A, yield_B, energy = outputs
revenue = yield_A * product_prices['A'] + yield_B * product_prices['B']
cost = np.dot(current_feed_composition, raw_material_costs) + energy * energy_price
return -(revenue - cost)
# Технологические ограничения
bounds = [(100, 300), # Температура °C
(1, 20), # Давление бар
(1.0, 5.0)] # Флегмовое число
# Ограничения безопасности и качества
constraints = [
{'type': 'ineq', 'fun': lambda x: max_temperature - x[0]},
{'type': 'ineq', 'fun': lambda x: product_spec_check(surrogate_model, x)}
]
result = minimize(negative_profit,
x0=[200, 5, 2.5],
bounds=bounds,
constraints=constraints)
return result.x
Управление качеством продукта
Soft Sensor (виртуальный анализатор): Лабораторный анализ качества → раз в час. Soft sensor из online-измерений → каждую минуту:
def build_quality_soft_sensor(online_measurements, lab_results):
"""
Входные: температуры, давления, потоки из DCS (each minute)
Выходные: качество продукта (чистота, вязкость, молекулярный вес)
Обновление: при поступлении новых лаб. анализов → пересчёт модели
"""
# Temporal features: лаговые значения online измерений
features = create_temporal_features(online_measurements, lags=[1, 5, 15, 60])
model = GradientBoostingRegressor(n_estimators=200, learning_rate=0.05)
model.fit(features, lab_results)
return model
# Closed-loop: soft sensor → коррекция setpoints → поддержание качества
def quality_control_loop(soft_sensor, target_quality, current_setpoints):
current_quality = soft_sensor.predict([current_measurements])[0]
quality_error = target_quality - current_quality
if abs(quality_error) > quality_tolerance:
# Коррекция setpoint (простой P-регулятор поверх ML)
setpoint_correction = quality_gain * quality_error
return current_setpoints + setpoint_correction
return current_setpoints
Обнаружение отклонений и аномалий
Statistical Process Control (SPC) с ML:
# Multivariate SPC: Hotelling's T² на PCA-пространстве
from sklearn.decomposition import PCA
pca = PCA(n_components=5)
X_pca = pca.fit_transform(X_normal_operation)
def hotelling_t2(new_measurement, pca_model, T2_limit):
x_new = pca_model.transform([new_measurement])
T2 = x_new @ np.diag(1/pca_model.explained_variance_) @ x_new.T
if T2[0, 0] > T2_limit:
# Вне нормального операционного режима
# Diagnose: какой PC отвечает за отклонение?
contribution = (x_new**2) / pca_model.explained_variance_
return 'anomaly', contribution.argmax()
return 'normal', None
Fault Detection and Isolation (FDI):
- Обнаружение: что-то пошло не так
- Изоляция: какое именно оборудование/переменная
- Диагностика: причина (deactivated catalyst, fouled heat exchanger, sensor drift)
Bayesian Optimization для рецептурного подбора
Разработка нового продукта / оптимизация рецептуры:
from bayes_opt import BayesianOptimization
def evaluate_recipe(x1, x2, x3, x4):
"""
Один запуск = дорогостоящий лабораторный эксперимент
Bayesian Optimization минимизирует число экспериментов
"""
recipe = {'conc_A': x1, 'conc_B': x2, 'temp': x3, 'time': x4}
result = run_lab_experiment(recipe)
return result['yield'] # метрика оптимизации
optimizer = BayesianOptimization(
f=evaluate_recipe,
pbounds={'x1': (0, 1), 'x2': (0, 1), 'x3': (60, 120), 'x4': (0.5, 6)},
random_state=42
)
optimizer.maximize(init_points=5, n_iter=20)
# 25 экспериментов vs. GridSearch = 10,000 комбинаций
Применение: оптимизация условий синтеза фармсубстанции, состав катализатора, условия полимеризации.
Цифровая интеграция
DCS/SCADA коннектор: OSIsoft PI historian, Siemens PCS 7, ABB 800xA, Honeywell Experion → OPC-DA/UA интерфейс → ML pipeline.
Aspen Plus DMC3 (Model Predictive Control): Промышленный стандарт APC. Суррогатные ML-модели могут интегрироваться как external function block.
Regulatory Compliance:
- 21 CFR Part 11 (FDA): pharmaceutical manufacturing — электронные записи о процессе
- GAMP 5: валидация компьютерных систем
- REACH: химическая безопасность при новых процессах
Сроки: суррогатная модель + soft sensor + аномалии SPC — 5-6 недель. RTO оптимизатор, PINN для реакторов, качественный closed-loop контроль, Bayesian оптимизация рецептур — 4-6 месяцев. DCS интеграция + регуляторная документация — дополнительно 2-3 месяца.