AI rješenja za hemijsku industriju i procesnu proizvodnju
Optimizacija batch reaktora gdje se ključni parametri ne mogu mjeriti direktno, plus REACH/CLP compliance koji ne smije biti excel tabela na nečijem laptopu.
Operativni izazovi u industriji
- ● Ključni parametri kvaliteta (viskozitet, particle size distribution, pH u korozivnim uslovima) se danas mjere tek u laboratoriji 4-12 sati nakon batch-a, što čini real-time korekcije nemogućim
- ● Recipe optimizacija u praksi ostaje konzervativna jer operateri ne mogu rizikovati safety incident, pa se yield kreće 12-20% ispod teoretskog optimuma
- ● REACH (EC 1907/2006) i CLP (EC 1272/2008) zahtijevaju ažurne SDS dokumente na više jezika, sa propisno izračunatim hazard klasifikacijama mješavina
- ● DCS sistemi (Honeywell Experion, Yokogawa CENTUM, Emerson DeltaV) imaju strikne safety boundary-e i ne smiju primati nevalidirane komande, što ograničava klasične closed-loop ML pristupe
- ● HAZOP studije definišu safety constraint-e koje moraju biti hard constraints u svakoj optimizaciji, ne soft penalty
Demo case studies
Soft-sensor sistem za batch reaktore sa physics-aware ML modelima i HAZOP-aware optimizacijom
Proizvođač specijalnih hemikalija (polimerni dodaci i aditivi za FMCG industriju) sa 9 batch reaktora kapaciteta 2-12 m³, kontroliranih kroz Honeywell Experion DCS. Kritični parametri kvaliteta - viskozitet finalnog proizvoda i particle size distribution - mjere se tek u kontrolnoj laboratoriji 6-10 sati nakon završetka batch-a. Recipe parametri (temperaturni profili, brzina miješanja, doziranje katalizatora) bili su fiksirani konzervativno još od validacije recepture.
Operateri nisu imali način da u toku reakcije znaju da li ide ka cilju ili odstupa, pa su batch-evi koji odstupe završavali kao reprocessed ili scrap. Direktna mjerenja viskoziteta in-line ulaznim sondama nisu bila pouzdana zbog korozivne sredine i temperature do 180°C. Trebao je sistem koji u real-time-u procjenjuje teško-mjerljive parametre iz kombinacije lakih mjerenja (temperatura, pritisak, snaga miješalice, gustina), te koristi te procjene za fine-tuning recepture, ali isključivo unutar HAZOP-definisanih granica - nikad blizu tačke runaway reakcije.
Soft-sensor pipeline kombinuje Gaussian Process modele (GPyTorch) za parametre gdje je važna kvantifikacija nepouzdanosti i PyTorch neural net-ove za parametre sa dovoljno historijskih podataka. Trening set se gradi povezivanjem real-time DCS telemetrije iz AVEVA PI System historian-a sa LIMS rezultatima iz LabWare-a, sa pažljivim time-alignment-om koji uvažava transport delay između reaktora i laboratorije. Physics-aware komponenta uvodi mass balance i energy balance kao soft constraints u loss funkciju, što sprečava da model uči nefizikalne korelacije. HAZOP constraint-i su kodirani kao hard constraints u optimizatoru: temperatura ne smije ući u definisanu eksplozivnu zonu, brzina dodavanja katalizatora ima gornju granicu vezanu za kapacitet hlađenja, sve u skladu sa originalnom HAZOP studijom. Inferenca se izvršava on-premise (process safety zahtjev, nema cloud zavisnosti) na redundantnom Kubernetes klasteru sa hot-standby instancom za safety-critical predikcije. Komunikacija sa DCS-om ide kroz OPC UA, ali samo kao advisory layer prema operateru - operater odobrava setpoint izmjene, sistem ne piše direktno u safety PLC. Anomaly detection modul nezavisno prati ranu signaturu runaway reakcije (drift exotermije, pad efikasnosti hlađenja) i diže alarm prije nego klasične safety petlje reaguju.
Python, PyTorch, GPyTorch, Apache Kafka, OPC UA, AVEVA PI System, on-premise Kubernetes, Honeywell Experion, LabWare LIMS
Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.
REACH/CLP compliance dashboard sa auto-generisanjem SDS dokumenata i ECHA integracijom
Distributer i formulator hemijskih proizvoda za FMCG i industriju (oko 1.400 aktivnih SKU-ova, 320 sirovina), prisutan u 6 EU tržišta. Compliance tim od 4 osobe održavao je SDS dokumente ručno, sa odvojenim master fajlovima po jeziku (EN, DE, IT, FR, BHS) i excel-om za hazard klasifikaciju mješavina. Reklamacije od kupaca zbog neaktualnih SDS-ova i kašnjenja kod novih proizvoda bila su konstantan problem.
REACH (EC 1907/2006) i CLP (EC 1272/2008) traže potpune i aktualne SDS-ove sa hazard klasifikacijom prema GHS standardu, izračunatom za konkretnu mješavinu na osnovu tačaka cijepanja, toksikoloških podataka i ekoloških parametara. Svaka promjena u sastavu, novi toksikološki dataset u ECHA bazi ili izmjena u CLP regulativi može tražiti reizdavanje desetina SDS-ova. Multi-language verzije nisu samo prijevod - terminologija i hazard statement-i (H-fraze, P-fraze) su precizno definisani po jeziku i ne smiju se slobodno prevoditi. Cilj je bio sistem koji automatski generiše SDS-ove iz batch sastava, povlači aktuelne ECHA podatke i drži potpisani audit trail za inspekciju.
Substance database integracija povlači podatke iz ECHA REACH-IT i ChemIDplus, sa cache-om u PostgreSQL-u i nightly sync-om. RDKit se koristi za hemijsku informatiku - kanonikalni SMILES, identifikaciju funkcionalnih grupa, basic structure-property predikcije gdje literaturni podaci nedostaju. Mixture calculation modul implementira CLP Annex I formule za toxicology (additivnost, summation method), flammability (flash point mješavine), aquatic toxicity i ostale hazard kategorije. SDS generator radi po GHS strukturi (Sekcije 1-16) sa template-ima po jeziku, gdje su H-fraze i P-fraze povučene iz oficijalnih CLP prijevoda, ne LLM prijevoda - ovo je važno jer regulator traži tačno propisane formulacije. Document AI sloj (NLP transformeri) koristi se za parsiranje dolaznih sirovinskih SDS-ova od dobavljača i ekstrakciju relevantnih podataka u strukturisani format. ERP integracija povezuje batch traceability - za svaku otpremu se zna tačan SDS verzija koja je pratila pošiljku. Audit trail je append-only log sa hash chain-om, što čini retroaktivne izmjene matematički otkrivljive. Label printing automatski generiše GHS piktograme i hazard statement-e u rezoluciji prikladnoj za etikete na ambalaži, sa integracijom u postojeći Zebra/Sato print server.
Python, RDKit, NLP transformers, PostgreSQL, REST API, LabWare LIMS, ECHA REACH-IT API, custom LaTeX templates, hash-chain audit log
Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.
Tehnologije koje koristimo
Kako radimo
Discovery
Snimanje DCS arhitekture i historian point list-i, identifikacija HAZOP studija i safety boundary-a, popis SDS-ova i ECHA registracija, mapiranje LIMS i ERP integracija, evaluacija on-premise zahtjeva za process safety.
Pilot
Pilot na 1-2 reaktora paralelno sa postojećim DCS-om u advisory modu, validacija soft-sensor predikcija sa lab analizama na minimum 80 batch-eva, ili pilot SDS generatora na 50-100 historijskih proizvoda sa side-by-side review-om compliance tima.
Implementacija
On-premise deployment na redundantnom Kubernetes klasteru, OPC UA i historian integracije, konekcija sa LIMS i ERP-om, ECHA API integracija sa caching slojem, treniranje operatera i compliance tima, paralelni rad 6-8 sedmica.
Operacija
Kontinuirano retreniranje soft-sensor modela na novoj LIMS historiji, kvartalna validacija HAZOP boundary-a sa safety inženjerom, mjesečni sync sa ECHA bazom i automatsko flagiranje SDS-ova koji traže reizdavanje, godišnji audit hash-chain log-a.
Razgovarajmo o pilotu za vašu firmu
Discovery sesija je 60 minuta - razumijemo vaš problem i predlažemo konkretan pilot pristup.
Kontaktirajte nas