CC BY
45
УДК 004.89
Кулемза Д.С., Копылова Л.Е.
Перспективы применения искусственного интеллекта в производстве полимерных композиционных материалов
Кулемза Дарья Сергеевна - студент; [email protected].
Копылова Лариса Евгеньевна - доцент, к.т.н; [email protected].
ФГБОУ ВО «Российский химико-технологический университет им. Д.И. Менделеева»,
Россия, Москва, 125047, Миусская площадь, дом 9.
В статье рассмотрены перспективы применения роботизированных и цифровых решений в нефтехимической промышленности. Для процесса получения изделий из полимерных композиционных материалов предложены технологии машинного обучения, такие как: обучение с подкреплением, контролируемое обучение, неконтролируемое обучение.
Ключевые слова: цифровая трансформация, искусственный интеллект, машинное обучение, обучение с подкреплением, контролируемое обучение, неконтролируемое обучение, полимерные композиционные материалы.
Prospects of the application of artificial intelligence in the production of polymer composite materials
Kulemza D.S., Kopylova L.E.
D. Mendeleev University of Chemical Technology of Russia, Moscow, Russian Federation
The article discusses the prospects of application of robotic and digital solutions in the petrochemical industry. For the process of obtaining products from polymer composite materials, machine learning technologies, such as: reinforcement learning, supervised learning, unsupervised learning, are proposed.
Key words: digital transformation, artificial intelligence, machine learning, reinforcement learning, supervised learning, unsupervised learning, polymer composite materials.
Введение
В рамках парадигмы Индустрии 4.0, впервые выдвинутой в 2011 году на Ганноверской Промышленной конференции [1], происходит непрерывная цифровая трансформация общества, промышленности, экономики и др. Она затрагивает все сферы нашей жизни и подразумевает преобразования не только в области информационных технологий, но и в медицине, науке, технике, военно-промышленном комплексе, средствах массовой коммуникации и даже в искусстве. Другим глобальным трендом развития современного мира является концепция «Decarbonization, Decentralization, Digitalization» (3D). И немаловажным процессом в подходе 3D является цифровизация производств. К современному производству предъявляются следующие требования: устойчивость к изменениям внешней среды, гибкость, высокая производительность процессов, качество продукции, экологичность, быстрое реагирование и безопасность. Для обеспечения выполнения перечисленных требований внедряются различные технологии и инструменты: автоматизация, роботизация, Internet of Things, системы принятия решений, BigData, искусственный интеллект, цифровые двойники [2]. Согласно ряду источников [3, 4, 5], опыт преодоления пандемии в связи с COVID-19 показал, что современные предприятия остро нуждаются в цифровизации для решения вопросов обеспечения стабильной работоспособности вне зависимости от внешних обстоятельств, нуждаются в новых способах обеспечения ресурсосбережения, в поиске новых подходов к планированию закупок, перестраиванию цепей логистических поставок, взаимодействию с потребителями.
Цифровизация нефтегазохимии и полимерных композиционных материалов
Не стала исключением в процессах цифровой трансформации и химическая промышленность. В работе [5] обозначены основные направления цифровой трансформации предприятий в области нефтегазохимии и полимерных композиционных материалов (ПКМ) - совершенствование технологических процессов с целью повышения безопасности и производительности труда, снижение экономических издержек, усовершенствование оборудования, сокращение времени на разработку инновационных материалов и проведение опытно-конструкторских работ. Компании-лидеры этой отрасли активно внедряют современные цифровые технологии для реализации описанных выше направлений.
Ярким примером успешного перехода к Индустрии 4.0 является разработка 1Т-компании «Крок» цифрового двойника завода с моделями установок пиролиза и получения полиэтилена и полипропилена для производственного комплекса «ЗапСибНефтехим», входящего в ПАО «СибурХолдинг» [6, 7]. Стоит отметить, что на официальном сайте проекта цифровой трансформации холдинга холдинга «Сибур» нефтехимия названа одной из передовых отраслей промышленности по уровню автоматизации. Принимая во внимание специфику протекания сложных химических процессов, применение модели цифровых двойников частично или полностью исключают человеческий фактор, а также позволяет осуществлять комплексный контроль технологических параметров [8].
Последние годы в производство полимерных композиционных материалов внедряются
роботизированные системы. Так, NASA совместно с компанией KUKA запустили роботизированную линию ручной выкладки композитов для изготовления крыльев и деталей обшивки шаттлов [9, 10]. Процесс контактного формования является одним из самых трудоемких и длительных способов создания ПКМ, однако он широко используется на производстве по изготовлению габаритных изделий, поскольку не требует сложной аппаратурной оснастки, его качество и технологические параметры легко контролировать, а затраты на расходные материалы минимальны. При использовании роботов значительно повышается производительность описанного процесса, так как сокращается время стадии раскроя и стадии выкладки в форму. Помимо этого, NASA внедрили роботизированную систему ISAAC: умный станок оснащен съемным барабаном и подвижными катушками, за счет скоростного автоматического перемещения катушек эта система выполняет различные виды плетения ткани из углеродного волокна [11, 12]. Российские производители полимерных композиционных материалов - АО «Юматекс» и ООО НЦК «Композит» также внедрили роботизированные станки по плетению, кроме того, в НЦК есть линия по производству габаритных изделий из ПКМ методом длинноволоконной инжекции с применением роботов [13].
Таким образом, мы видим очевидные перспективы применения роботизированных и цифровых решений в промышленности. Можно ли выдвинуть гипотезу о следующих конкретных цифровых решениях, которые значительно повлияют на промышленные процессы?
Применение технологий искусственного интеллекта
Обратимся к кривой развития технологий (так называемый «цикл хайпа») за 2022 год, представленной компанией Gartner (рис. 1). На этой кривой отражены прорывные технологии, которые в ближайшие 10 лет окажут наибольшее влияние на цифровую трансформацию бизнеса и производства.
Триггер инновации чрезмерных Дно разочарований просветления Ппато продуктивности
До выхода на плато: ^ от 2 до 5 лет от S во 10 лет ^ больше 10 лет
Рис.1. Цикл хайпа для новых технологий, 2022г; из отчета исследовательской и консалтинговой компании Gartner, США от 10 августа 2022г. [14].
Из графика видно, что технологии искусственного интеллекта - автономные программные системы, причинно-следственный искусственный интеллект (ИИ), базисные модели и разновидности машинного обучения - находятся на подъеме и в текущем десятилетии будут крайне востребованы. Внедрение ИИ ускорит автоматизацию производства, сделает его более гибким и независимым от человека. Развитие получат интеллектуальные системы поддержки принятия решений: с помощью анализа причинно-следственных связей системы искусственного интеллекта смогут предоставить не только предиктивную модель на основе корреляции данных, но и предписывать готовые решения для поставленных задач. Далее более подробно рассмотрим разновидности искусственного интеллекта и области их применения на производстве.
Авторы работы [15] разделяют искусственный интеллект на общий - тот, что способен к рассуждению и выполнению задач на уровне человека, и ограниченный - направленный на решение конкретных проблем путем автоматизации отдельных повторяющихся процессов. В первом случае технология активно применяется в сфере обслуживания клиентов. Так, развитие получили механизмы распознавания и воспроизведения человеческой речи, благодаря которым в повседневную жизнь были внедрены различные голосовые помощники. Кроме того, были проведены многочисленные исследования [15, 16], которые позволили установить зависимость между использованием умных интерактивных интерфейсов и лояльностью покупателей. Если обратиться к кривой Гартнера, то можно заметить, что на подъеме от момента запуска инноваций до пика завышенных ожиданий находится точка Digital Humans - цифровые люди. Это системы, созданные на основе общего искусственного интеллекта, с применением аватаров для обеспечения человекоподобного взаимодействия. Внедрение личного, «живого» подхода к общению с клиентами благоприятно влияет на показатели лояльности, кроме того, появляется возможность для реактивного сервиса - проактивного параллельного обслуживания нескольких покупателей.
Следует отметить, что общий искусственный интеллект ориентирован не только на клиентов, но и на работу с персоналом. Так, на заводах внедрены голосовые помощники с целью предупреждения критических ситуаций (для сигнализации о превышении предельно допустимой концентрации выбросов, оповещения о нарушении техники безопасности, информирования о движении погрузочного транспорта и т.д). В качестве примера можно привести облачную платформу на базе ИИ SberCloud, разработанную подразделением ПАО «СберБанк» [17]. Эта платформа применяется на нефтеперерабатывающих заводах, где система безопасности отслеживает поведение рабочих: все ли сотрудники надели каски, находятся на своих производственных участках и действуют согласно инструкции.
Последние годы компании-лидеры
нефтехимической промышленности используют общий искусственный интеллект для адаптации новых сотрудников и упрощения электронного документооборота. Например, технологическая платформа Регеошк разработала для ПАО «ГМК Норильский никель» виртуального помощника «Нику». Бот интегрирован с информационными корпоративными системами, распознает человеческую речь, естественным голосом отвечает на различные организационные вопросы, оформляет отпуск, регистрирует заявки и бронирует переговорные комнаты для совещаний [18].
Ограниченный искусственный интеллект целесообразно применять на производстве: отдельные технологические процессы характеризуются набором заданных параметров и определенной регулярностью повторений. Для автоматического поиска решения конкретных проблем, исходя из предоставленных данных, применяется машинное обучение (МЬ) [19]. Различают 3 направления МЬ: контролируемое обучение, неконтролируемое обучение и обучение с подкреплением. Каждый из этих разделов имеет свои особенности и области применения. На рис. 2 приведена схема с перечисленными методами машинного обучения и областями их применения, согласно литературным обзорам по теме.
Рис.2. Схема существующих методов машинного обучения и областей их применения.
Контролируемое обучение подразумевает сопоставление помеченных входных (эмпирических) данных с известными выходными. Другими словами, алгоритм с определенной точностью подбирает функцию, которая преобразует набор обучающих примеров в желаемый результат [20]. Контролируемое обучение применяется для решения таких бизнес-задач, как: выделение и классификация объектов на фото и видео, составление прогнозов при исследовании рынка, обработка больших объемов данных о лояльности клиентов, включая информацию об эмоциях, интонации и мимике человека [20, 21].
В неконтролируемом методе используются неструктурированные входные данные. Алгоритм подразумевает самостоятельное структурирование и классификацию полученной информации в процессе обучения [19, 21]. Этот раздел МЬ помогает корректно интерпретировать результаты исследований, разрабатывать рекомендации в системах поддержки принятия решений, настраивать таргетинг.
Согласно литературному обзору [19], основой многих алгоритмов обучения с подкреплением
является модель поведения ребенка, познающего мир. В этом методе машинного обучения система обменивается данными с внешней средой. Вследствие этого взаимодействия, она подбирает наиболее корректную политику, то есть, учится «правильному» поведению. Каждое действие по отношению к внешней среде оценивается функцией вознаграждения и функцией ценности. Таким образом, подкрепление определяет, выполнена ли задача для внешней среды, и если да, то насколько хорошо. Было установлено, что обучение с подкреплением наиболее эффективно для процессов планирования производства: инициирования закупок, оценки ресурсов, построения логистических цепей поставок, а также оценки объемов выпускаемой продукции.
Процесс получения полимерных
композиционных материалов (ПКМ)
В этой части рассмотрим стадии получения продукции на основе полимерных композиционных материалов, которые изображены на рис. 3.
1 ■
Потребность в изделии из ПКМ с заданными свойствами
Рис.3. Схема основных стадий получения продукции на основе полимерных композиционных материалов: НИР - научно-исследовательская работа, ОКР - опытно-конструкторская работа.
Первым этапом является обработка запроса от заказчика на изделие и составление технического задания (ТЗ). В этом документе указываются характеристики готового продукта, его внешний вид и показатели качества, которым он должен соответствовать. Следующий этап - проведение научно-исследовательских работ. Отправной точкой служит литературный и патентных поиск, в ходе которого, исходя из требований в прочности, негорючести и сферы применения изделия, подбирается полимерная основа связующего. Она может быть термопластичной или реактопластичной, низко- или высокотемпературной, конструкционной или интерьерной. Аналогичным образом происходит выбор наполнителя ПКМ: рубленное волокно, дисперсный наполнитель, ткань и т.д. Также на описанном этапе определяется режим отверждения при работе с реактопластичными связующими. Это необходимо для дальнейшего корректного сопоставления данных о прочности и показателе горения образцов.
Далее исследовательская часть разделяется на синтез и переработку В части синтеза получают исходный мономер - основу связующего. Его чистота и свойства подтверждаются аналитически (ЯМР-спектроскопией, высокоэффективной жидкостной хроматографией, дифференциально-сканирующей калориметрией и т.д.). При достижении желаемых показателей, синтез масштабируется в реакторе, то есть увеличивается объем выпускаемого целевого мономера.
Часть переработки подразумевает определение полного состава связующего путем подбора различных добавок: катализаторов, отвердителей, разбавителей, антипиренов и модификаторов. Для описанных компонентов рассчитывается массовое соотношение в составе связующего, после чего происходит их совмещение с исходным мономеров, далее проводится полимеризация (отверждение) композиции. В ходе научно-исследовательских работ проводится испытание полученных образцов: проверяется соответствие физико-механическим и
эксплуатационным свойствам по ТЗ. При неудовлетворительных результатах добавки подбираются заново. Если разработанный материал соответствует требованиям, то изготавливаются и проверяются образцы ПКМ с введением наполнителя.
Следует отметить, что на данный момент научно-исследовательская работа по созданию полимерных композиционных материалов практически не автоматизирована, а, следовательно, занимает большую часть времени от всего процесса. Сложность в автоматизации НИР заключается в том, что на этапах синтеза и подбора компонентов связующего от разработчика требуется умение принимать решения в реальном времени, основываясь на знаниях физико-химических процессов и личном опыте. Как было сказано ранее, передовые лаборатории химической промышленности используют датчики и технологий IoT для контроля параметров протекания реакций, однако, в случае с полимерными материалами использование цифровых сенсоров ограничено ввиду повышенной вязкости и сложной структуры этих систем. Так, при проведении катализа может произойти стремительный рост полимерной сетки (отверждение), вследствие чего погруженный датчик будет испорчен. Также необходимо учитывать особенности внедрения новых классов полимерных материалов: для этих соединений еще не накоплена достоверная база механизмов реакций, на основе которой можно было бы предсказать выход целевого продукта и эффекты взаимодействия с другими веществами.
На этапе опытно-конструкторских работ определяется способ формования изделия (Resin Transfer Molding (RTM), вакуумная инфузия, автоклавное формование, экструзия и т.д.). С помощью специального программного обеспечения (ПО) под готовый продукт проектируется оснастка. На данный момент используются следующие ПО: «КомпасЭБ», «SolidWorks», «AutoCAD». Важной составляющей этих программ является возможность построения объемных моделей из чертежей. После проектирования и проведения прочностных расчетов, оснастка либо вырезается из цельной заготовки на ЧПУ-станке, либо печатается на SD-принтере. Далее изготавливается пробная партия изделия из ПКМ. Оценивается внешний вид продукта, наличие дефектов, например, расслоение волокна, микротрещины, образование пор, усадка. Эти испытания также зависят от человеческого фактора, требуют времени на обработку результатов и принятия решения о пригодности. Исходя из полученной информации, технологические параметры процесса формования корректируются, после чего
документально утверждается технологический процесс для серийного производства изделий.
Зависимость раздела искусственного интеллекта и процессов получения ПКМ
На основе описанного ранее опыта компаний-лидеров нефтехимической промышленности, можно
предположить, что существуют предпосылки к цифровизации стадий получения продукции из ПКМ с помощью искусственного интеллекта. В таблице 1 представлено обоснование к внедрению выбранного раздела ИИ на различных стадиях НИОКР по выпуску ПКМ.
Таблица 1. Зависимость раздела искусственного интеллекта и процессов получения ПКМ.
Название стадии процесса Обоснование к внедрению раздела ИИ Разновидность ИИ
Литературный и патентный поиск Подразумевает работу с неструктурированными данными из статей и патентов. Алгоритм сопоставит ТЗ и характеристики существующих материалов, сможет подобрать полимерную основу связующего и вид наполнителя Ограниченный ИИ/ Неконтролируемое обучение
Синтез мономера и масштабирование синтеза На основе анализа структуры и физико-химических свойств компонентов реакции, алгоритм сможет подобрать оптимальный механизм протекания реакции, рассчитать выход целевого продукта и определить физико-химические взаимодействия (энтальпию, энергию активации и т.д.) Ограниченный ИИ/ Неконтролируемое обучение/ Обучение с подкреплением
Разработка состава полимерного связующего Подразумевает работу с неструктурированными данными о свойствах и совместимости добавок с исходным мономеров. Алгоритм сможет подобрать наиболее эффективное соотношение компонентов в связующем, исходя из особенностей добавок и требований в ТЗ Ограниченный ИИ/ Неконтролируемое обучение/ Обучение с подкреплением
Физико -механиче ские испытания образцов и готового изделия Понадобится механизм распознавания структуры ПКМ по фото. Известны алгоритмы, которые после сканирования образца рассчитывают его прочностные свойства. Образец при этом можно использовать повторно. Помимо этого, на основе структурированных данных о составе связующего и наполнителе алгоритм сможет составить прогноз о возможных свойствах композита на основе указанных компонентов Общий ИИ/ Контролируемое обучение
Проектирование и проведение прочностных расчетов оснастки Подразумевает работу с неструктурированными данными о приложенных нагрузках, свойствах материала оснастки и особенностях проектирования 3Б-модели. Алгоритм сможет подобрать оптимальные допуски, технологические уклоны, форму оснастки Ограниченный ИИ/ Неконтролируемое обучение
Контроль качества изделия Как и в случае с испытаниями, понадобится механизм распознавания структуры ПКМ по фото. Обычно дефекты в материале определяются визуально после выпуска одной партии изделий. Распознавание дефектов по фото и обработка отсканированных результатов значительно упростит процедуру контроля готовой продукции Общий ИИ/ Контролируемое обучение
Утверждение технологической линии В литературном обзоре [19] было установлено, что алгоритмы обучения с подкреплением эффективно применяются при планировании производства за счет подбора оптимального количества ресурсов и построения бизнес-процессов в реальном времени Ограниченный ИИ/ Обучение с подкреплением
Заключение
Таким образом, было проведено исследование существующей сведений по внедрению технологии искусственного интеллекта в нефтехимической промышленности и процессах разработки полимерных композиционных материалов. Была предложена схема с основными стадиями получения продукции из ПКМ, и составлены рекомендации по внедрению разновидностей ИИ для автоматизации выбранного производства. Использование предложенных технологий Индустрии 4.0 значительно сократит время проведения научно-исследовательских и опытно-конструкторских работ, уменьшит количество дефектов и брака в продукции, а также упростит труд разработчиков.
Список литературы
1. Joze M. Rozaneca; Inna Novalija; Patrik Zajeca; Klemen Kenda; Hooman Tavakoli Ghinani; Jozef Stefan International Postgraduate School, Ljubljana, Slovenia. Human-centric artificial intelligence architecture for industry 5.0 applications. Internationaljournal ofproduction research 2022.
2. Dan Luo; Simon Theveninand; Alexandre Dolgui; IMT Atlantique, Nantes, France. A state-of-the-art on production planning in Industry 4.0. Internationaljournal of production research 2022.
3. Kusiak, A. Universal manufacturing: data, resiliency, and sustainability linkages. J Intell Manuf33, 637-638, 2022.
4. Benjamin Rolf; Ilya Jackson; Marcel Müller; Sebastian Lang; Tobias Reggelin; Dmitry Ivanov; Otto-von-Guericke-University Magdeburg, Magdeburg, Germany. A review on reinforcement learning algorithms and applications in supply chain management. International journal of production research 2022.
5. Флакс Д.Б. Проблемы и перспективы цифровой трансформации предприятий нефтехимической промышленности. Дис.: ФГБОУ ВО «Казанский национальный исследовательский технологический университет», 2022.
6. Ict-online [Электронный ресурс] // КРОК оцифровал крупнейший завод СИБУРа: сайт. — URL: https://ict-online.ru/news/krok-ocifroval-krupneyshiy-zavod-sibura-44320 (дата обращения 20.03.2023).
7. Сибур Диджитал [Электронный ресурс] // Зачем нефтехимии цифровые двойники? сайт. — URL: https://www.sibur.digital/69-zachem-neftekhimii-tsifrovye-dvoyniki (дата обращения 19.03.2023).
8. Конов Дмитрий Владимирович. Цифровая трансформация в СИБУР: презентация к докладу - URL: https://www.sibur.com/upload/iblock/a5d/uu3cz5gcpryjd78 bagjzh3ypntfXdpz2.pdf.
9. Kuka.com [Электронный ресурс] // KUKA robot supports patented CRP manufacturing process at Compositence: сайт. — URL: https://www.kuka.com/en-us/industries/solutions-database/2016/07/solution-robotics-compositence (дата обращения 19.03.2023).
10. Robogeek [Электронный ресурс] // Робот ISAAC поможет NASA «плести» современные композитные
материалы: сайт. — URL:
https://robogeek.ru/kosmicheskie-roboty/robot-isaac-pomozhet-nasa-plesti-sovremennye-kompozitnye-materialy (дата обращения 19.03.2023).
11. K. Chauncey Wu; Brian K. Stewart; Robert A. Martin; NASA Langley Research Center, Hampton. ISAAC Advanced Composites Research Testbed. NASA Technical Reports Server, VA 23681, 2015.
12. NASA [Электронный ресурс] // Robotic manufacturing system will build biggest composite rocket parts ever made: сайт. — URL: https://www.nasa.gov/centers/marshall/news/news/releases/ 2015/robotic-manufacturing-system-will-build-biggest-composite-rocket-parts-ever-made.html (дата обращения 18.03.2023).
13. Нанотехнологический центр композитов: LFI [Электронный ресурс] // Технология LFI (Long Fiber Injection - длинноволоконная инжекция): сайт. — URL: https://www.nccrussia.com/ru/services/production/lfi.html (дата обращения 20.03.2023).
14. Priceva [Электронный ресурс] // Gartner Hype Cycle: какие технологии считаются прорывными в 2022 году: сайт. — URL: https://priceva.ru/blog/article/tsikl-gartner-hype-kakie-tehnologii-schitayutsya-proryvnymi-v-2022-godu (дата обращения 18.03.2023).
15. Marcello M. Mariani; Matteo Borghi; Henley Business School, University of Reading, Oxfordshire, UK. Artificial intelligence in service industries: customers' assessment of service production and resilient service operations. International journal of production research 2022.
16. Matteo Borghi; Marcello M. Mariani; Henley Business School, University of Reading, Oxfordshire, UK. The role of emotions in the consumer meaning-making of interactions with social robots. Technological Forecasting & Social Change 2022.
17. СберПро [Электронный ресурс] // Синергия промышленных масштабов. Как ИИ трансформирует химпром: сайт. — URL: https://sber.pro/publication/sinergiia-promyshlennykh-masshtabov-kak-iskusstvennyi-intellekt-transformiruet-khimicheskuiu-otrasl (дата обращения 20.03.2023).
18. Personic [Электронный ресурс] // Виртуальный помощник сотрудника для «Норильского никеля»: сайт.
— URL: https://personik.ai/cases/nornickel (дата обращения 19.03.2023).
19. Ana Esteso; David Peidro; Josefa Mula; Manuel Díaz-Madroñero; Research Centre of Production Management and Engineering (CIGIP), Universitat Politécnica de Valéncia, Valencia, Spain. Reinforcement learning applied to production planning and control. Internationaljournal of production research 2022.;
20. 20. Kolyadenko M. Applying machine learning in production: a subject field review. Сборник Цифровое общество: образование, наука, карьера, 2022.
21. IBM [Электронный ресурс] // What is unsupervised learning? What is supervised learning? сайт.
— URL: https://www.ibm.com/topics/unsupervised-learning ; https://www.ibm.com/topics/supervised-learning (дата обращения 18.03.2023).
