СИБУР — пожалуй, самый открытый промышленный холдинг России в части цифровизации: компания регулярно рассказывает о своих ML-проектах на конференциях и в публикациях. Благодаря этому нефтехимия стала витриной того, как выглядит промышленный ИИ, когда он встроен в ежедневную работу технологов, а не живёт в презентациях.
Где ИИ даёт эффект в нефтехимии
- Удержание оптимального режима. Установка пиролиза или полимеризации имеет сотни взаимосвязанных параметров. Модели advanced analytics подсказывают технологу, как удерживать процесс в экономически оптимальной зоне, а не просто «в допуске».
- Контроль качества компьютерным зрением. Камеры на линиях гранулята замечают отклонения по цвету и геометрии гранул раньше, чем проблему увидит лаборатория.
- Предиктивная аналитика оборудования. Экструдеры, компрессоры и насосы — дорогие в простое агрегаты; модели прогнозируют деградацию узлов по данным вибрации и температур.
- Планирование и логистика. Оптимизация отгрузок, прогноз спроса на марки продукции, управление парком контейнеров.
Флагманская площадка цифровых проектов СИБУРа — «ЗапСибНефтехим» в Тобольске, один из крупнейших нефтехимических комплексов страны. Здесь работают рекомендательные модели для технологов и системы компьютерного зрения на производстве полимеров. Суммарный эффект портфеля цифровых проектов компания публично оценивала в миллиарды рублей.
Чему учит опыт отрасли
Главный урок СИБУРа — продуктовый подход: у каждой модели есть владелец, метрика эффекта и план тиражирования на другие площадки. Модель, которая один раз показала хороший результат в пилоте, но не встроена в регламент работы смены, эффекта не приносит. Второй урок — вовлечение технологов с самого начала: советчик проектируется вместе с теми, кто будет им пользоваться.
Что ещё здесь может сделать ИИ: оценка потенциала
Помимо того, что уже работает, мы оценили направления, где нефтехимический комплекс мог бы получить эффект от ИИ в ближайшие годы. Шкала — пятибалльная: балл отражает зрелость технологии и типичную отдачу для отрасли.
Advanced analytics технологического режима
потенциал 5/5Советчик на исторических данных помогает держать установку в экономически оптимальной зоне, а не просто в допуске — главный источник эффекта в непрерывной химии.
Зрение контроля качества продукта
потенциал 4/5Гранулы, кристаллы, плёнки: камера замечает отклонения по цвету и геометрии раньше выборочного лабораторного контроля.
Предиктив экструдеров и компрессоров
потенциал 4/5Ключевые агрегаты дороги в простое; модель по вибрации и температурам планирует обслуживание до отказа.
Экологический мониторинг выбросов
потенциал 3/5Прогноз превышений по данным датчиков позволяет корректировать режим заранее, а не объясняться постфактум.
Важная оговорка: выше — экспертная оценка потенциала, а не перечень внедрённых систем. Баллы отражают сочетание зрелости технологии и типичного эффекта в отрасли; реальный приоритет для конкретного предприятия определяется состоянием данных, экономикой передела и готовностью команды. Но каждое направление опирается на подходы, уже доказавшие себя на российских производствах.
Интересный расчёт
Цена внеплановых простоев оборудования
// интерактивный модельный расчёт — подставьте свои цифры
Расчёт иллюстрирует порядок величин и не является обещанием эффекта: реальный результат зависит от данных и процесса конкретного предприятия.
Частые вопросы
Подходит ли этот опыт среднему производству, а не гиганту?
Да. Логика та же: один процесс, измеримая метрика, данные из существующей АСУ ТП. Отличие лишь в масштабе эффекта и в том, что средним предприятиям чаще выгоднее внешняя команда разработки, чем собственный data-офис.
Что важнее — алгоритмы или данные?
Данные и постановка задачи. В промышленных проектах большая часть времени уходит на сбор, очистку и стыковку данных из разных систем, а не на подбор архитектуры модели.