מערכת AI לאופטימיזציה של מתכוני הרכבים כימיים

אופטימיזציית פורמולציות ב-AI: היכן נכשלת התאמת הרכבים ידנית

פורמולציה מעשרה רכיבים עם חמישה עד שבעה וריאנטים של מינון לכל אחד מניבה מאות אלפי צירופים. המעבדה בודקת בסבב עשרות דגימות, השאר נשאר לא נחקר — ולייצור עובר ההרכב הראשון שמתאים, לא הטוב ביותר. התאמת הרכב ידנית אינה מוגבלת בכישורי הכימאי, אלא בקיבולת הסריקה של הרכיבים.

הסריקה מתבצעת ברצף: משנים רכיב אחד, מקבעים את השאר, בודקים את מאפיין המטרה. כך הולכים לאיבוד אינטראקציות זוגיות ומשולשות — רכיבים שבודד הם ניטרליים, יחד נותנים את האפקט הרצוי בצמיגות, אדהזיה או זמן התקשות. ככל שיש יותר תוספים פונקציונליים בפורמולציה, כך יקר יותר כל צירוף שהוחמץ.

פער נפרד — בין דגימת המעבדה להגדלה תעשייתית. הרכב שיציב בבקבוק של מאה גרם מתנהג אחרת בקו הייצור: מעבר החום, סדר ההוספה וזמן הערבוב משתנים. ההעברה אוכלת כמה איטרציות, וכל אחת — סבב חדש של ניסויי מעבדה.

לבסוף, מחזור פיתוח ההרכב כמעט ולא מתועד כולו. סדרות ניסויים נשארות בקבצים וביומנים מפוזרים, חלק מהתוצאות אינן מאונדקסות, וכאשר מהנדס מתחלף ההקשר הולך איתו — החברה משלמת שוב על אותם ניסויים.

בדיוק בשלוש הנקודות האלה — סריקה, העברה ונתונים אבודים — פועלת אופטימיזציית פורמולציות ב-AI. איך זה נסגר, נפרט בהמשך.

מה נותן מידול הרכבים: לוחות זמנים, יציבות, פחות פגמים

התאמה אמפירית של פורמולציה נתקלת במחזור ניסויים: ערבוב, המתנה, בדיקות — ורק אחר כך מסקנה על ההרכב. איטרציה אחת נמשכת שבועות, וחלק ניכר מהתוצאות לא עובר מהמעבדה לייצור.

המודל לומד מיומני מעבדה ותעודות של אצוות ייצור: רכיבים, טווחי הוספה, מצבי ערבוב וייבוש, תכונות בפועל בפלט. לאחר מכן מתכנן הניסויים מציע את הנקודה הבאה במרחב ההרכבים — זו שנותנת מקסימום מידע על המערכת, ולא את הקרובה ביותר לקודמת.

חיזוי התכונות מבוצע על מודלים תרמודינמיים, למשל DWSIM, ולכן ההרכב נבדק להתאמת רכיבים ולהתנהגות בטווח טמפרטורות העבודה עוד לפני טעינת חומרי הגלם.

• מחזור התאמת ההרכב: חודשי ניסויים מתכווצים לשבועות — חלק מהניסויים בפועל מוחלף בחישוב.
• שיעור הניסויים המוצלחים: רוב ההרכבים המוצעים נופלים לאזור התכונות הרצוי, ולא בודדים.
• שחזוריות האצווה: המודל שומר על סבילות לפריסת חומרי הגלם, ולא רק לנקודת הממוצע.
• יציבות התכונות: החיזוי נבנה לפי אצווה, ולא לפי דגימה בודדת — הפיזור בין אצוות מצטמצם.

בנפרד נסגר סוג הכשלים "עבר במעבדה — לא עבר בייצור": למודל מוזנים נפחי טעינה, מצבי ציוד ופרופילי טמפרטורה, ולכן הפורמולציה מוערכת בתנאי הייצור, ולא בבקבוק.

בפלט המהנדס מקבל לא נקודה "אופטימלית" אחת, אלא חלון סבילויות — עם איזו פריסת חומרי גלם האצווה נשארת במפרט.

מצבי חיפוש הרכב: סריקה מלאה, חיפוש מכוון, היברידי

מצב החיפוש נבחר לפי מימד מרחב ההרכבים ולפי כמה נוקשות ההגבלות על הרכיבים שהטכנולוג הגדיר.

סריקה מלאה של המטריצה מבטיחה שהאפשרות הטובה לא הוחמצה, אבל מספר הצירופים גדל כמכפלת הדירוגים של כל רכיב: עשרה רכיבים עם חמישה מינונים נותנים מאות אלפי שורות, וסינתזה ומדידה של כל אחת עדיין גובות זמן וחומר.

חיפוש מכוון של הרכב במקום סריקה בונה מודל של תלות "הרכב — תכונה" ומציע את הנקודה הבאה לבדיקה, תוך חיתוך אזורים פסולים מראש לפי ההגבלות. התאמה היברידית של פורמולציה מחברת את שתי הגישות: סריקה גסה משרטטת את אזור העבודה, והחיפוש המכוון מרכז את הניסויים בתוכו.

שלבי יישום: מביקורת נתוני מעבדה ועד מסירת המודל

את העבודה מתחילים לא מהמודל, אלא מביקורת של מה שכבר נצבר. יומני מעבדה לאורך שנים רבים הם בדרך כלל לא אחידים: יחידות המידה השתנו, חלק מהאצוות כפולות, וברכיבים מסוימים יש פערים ארוכים. כל עוד זה לא מסודר, כל אימון נותן מדד יפה על הנייר ופער מהתפוקה בפועל של המוצר.

1. ביקורת נתוני מעבדה. מכנסים את רשומות הניסויים לטבלה אחודה, מיישרים יחידות, מסמנים אצוות חומר גלם ותנאי תהליך. מתעדים אילו טווחי הרכב באמת אושרו בניסויים, ואילו המודל אינו רשאי לבצע בהם אקסטרפולציה.
2. סכמת מאפיינים. מגדירים מה מתאר את ההרכב: חלקי מסה של רכיבים, תכונות חומר הגלם הנכנס, פרמטרי מצב. בנפרד מסמנים מדדי מטרה והגבלות של מסדרונות מותרים.
3. אימון על היסטוריית ניסויים. מחלקים את המערך כרונולוגית, ולא באקראי — אחרת המודל מציץ בניסויים עתידיים ומציג דיוק בלתי מושג. מכוונים את היחס בין דיוק החיזוי ליציבות שלו.
4. אימות על הרכבים שנשמרו בצד. בודקים פורמולציות שהמודל מעולם לא ראה. מחשבים לא את השגיאה הממוצעת, אלא את שיעור ההרכבים שנכנסו לסבילות מהחישוב הראשון — זהו המדד העובד.
5. בדיקה תעשייתית של ההרכב. את הפורמולציות שנבחרו מרתיחים על ציוד אמיתי ומשווים בין המעשה לחיזוי. פערים מחזירים למערך כנתונים חדשים.
6. העברה לצוות. מוסרים את המודל, את נוהל השימוש בו ואת סדר האימון מחדש על ניסויים טריים, כדי שהמערכת תתפתח בלעדינו.

תוצרי הפרויקט: מפת מגבלות, נהלים, תיעוד

מסירת פרויקט לאופטימיזציית פורמולציות אינה הדגמה של מודל עובד, אלא ערכה שלפיה הטכנולוג יפתח את האצווה הבאה בלי השתתפותנו. להלן מה שנשאר אצל הלקוח במערכת סגורה: קונפיגורציות, סכמות, כללים ונהלים.

• מפת מגבלות ותקנים — גבולות טכנולוגיים לכל רכיב, התאמת חומרי גלם, דרישות בטיחות וטווחי מצב מותרים. לכל מגבלה מצוין המקור: נוהל פנימי, תעודת אצוות חומר גלם או דרישת הלקוח.
• סכמת מאפיינים וכללי חישוב — אילו תכונות חומר גלם ופרמטרי תהליך נכנסים למודל, כיצד מחושבים ערכים נגזרים, מהיכן מגיעים הנתונים וכיצד מטופלים פערים ביומנים.
• קונפיגורציות המודל ויומן ניסויים — פרמטרי אימון, הרכב המאפיינים, מדדי איכות על מדגם שנשמר בצד. זה מאפשר לאמן מחדש את המודל על אצוות חדשות ולהשוות את התוצאה להרצה הקודמת.
• נוהל שחזור אצווה — כיצד מהמלצת המודל להפיק מפת תהליך: סדר טעינה, נקודות בקרה, פעולות כאשר מדד יוצא מהסבילות.
• כללי גישה לנתונים — הפרדת תפקידים, מי רואה יומני חומרי גלם, מי רואה תוצאות חישובים, כיצד מתעדים שינויים בפורמולציה ומי מאשר אותם.
• תיעוד המודל — מפת תלויות, דיוק צפוי לפי סוגי פורמולציות וגבולות ישימות: היכן החיזוי מהימן והיכן נדרשת בדיקת מעבדה.
• הוראות לטכנולוגים — תרחישים קצרים לכל שלב: להגדיר מגבלות, לקבל אפשרויות, להעריך חיזוי, להזין בחזרה את התוצאה בפועל של האצווה.

ההעברה לטכנולוגים מתבצעת בשלב נפרד: ניתוח פורמולציות שנויות במחלוקת, הכשרת מנהל פנימי, בדיקה לפי רשימת תיוג לקבלה. כל עוד הטכנולוג לא שחזר אצווה בעצמו, הפרויקט לא נחשב סגור.

מקרה בוחן: מחזור התאמת ההרכב התקצר, שיעור הניסויים המוצלחים עלה

איך זה היה מסודר לפני היישום

אצל הלקוח — יצרן ציפויים תעשייתיים — הפורמולציה הותאמה בסריקה: הטכנולוג הגדיר מטריצה של חלקי רכיבים, המעבדה הכינה דגימות שקילה, והדגימות עברו לבדיקות אדהזיה, צמיגות ועמידות.

על פורמולציה אחת הושקעו 40–60 ניסויי מעבדה, מחזור התאמת ההרכב נמשך 10–12 שבועות, ובדיקות הקבלה במעבר ראשון עברו בערך כל אצווה שלישית. חלק מהפסילות צף רק במתקן המוגדל — כאשר שבועות עבודה כבר הושקעו, והיה צריך לחפש את הסיבה מחדש.

מה שינו

אספו פרוטוקולי בדיקות היסטוריים, תעודות אצוות ויומני מצבים לטבלה אחודה "הרכב → תנאים → תוצאה", וסימנו פערים ופערים בין סדרות. מעל זה אימנו שני מודלים: אחד — לחזות מדדי מטרה לפי חלקי הרכיבים, והשני — להעריך את הסתברות המעבר בבדיקות קבלה. בחיפוש הוטמעו מגבלות: זמינות חומרי גלם, התאמת רכיבים, טווחי חלקים שהטכנולוגיה לא עומדת בחריגה מהם.

לאחר מכן פועל בחירה אקטיבית: הניסוי הבא מוצב במקום שבו המודל או מבטיח את התוצאה הטובה ביותר, או שהכי מסופק. החיזוי תמיד נבדק בדגימת שקילה אמיתית — המערכת מדרגת ניסויים, אך אינה מוציאה פורמולציה מוכנה במקום המעבדה.

מה נהיה

מספר הניסויים לפורמולציה הצטמצם מ-40–60 ל-12–14, שיעור ההצלחות במעבר ראשון עלה משליש לשני שלישים ויותר, וזמן ההגעה להרכב — מ-10–12 שבועות ל-3–4. תפוקת המוצר הכשיר בסקייל-אפ עלתה מ-68% ל-91%: המודל רומז אילו יחסים מתנהגים לא יציב במעבר מדגימת מעבדה לכור.

כל המלצה הצוות השווה עם בדיקות בפועל — הפער בין החיזוי למדידה נשמר בגבולות שבהם הניסוי נשאר הגיוני. את מסד הנתונים ממלאים בסדרות חדשות, ולכן דיוק הדירוג גדל ככל שנצברים נתונים.

כיצד לבדוק פורמולציה לעמידות בפני חומרי גלם באיכות שונה?

אין לבדוק פורמולציה לעמידות בחומרי גלם לפי "אצווה ממוצעת": מודל שאומן על ערכי תעודה מתאים הרכב למרכז הסבילות. זו התאמת יתר אופיינית של המודל — המדד על מדגם שנשמר בצד מחזיק, אך כאשר האצווה סוטה באחת וחצי סיגמה בלחות או בפיזור, התכונות יוצאות מגבול הסבילות.

לכן למודל מוזן התפלגות, ולא נקודה. את פיזור תכונות חומר הגלם לוקחים מיומן בקרת כניסה של חומר גלם: לכל סעיף בונים מרווחים לפי זיהומים, לחות וקורלציות ביניהם, ולא רק "מינימום — מקסימום".

סריקה בתוך המרווחים מתבצעת לפי שיטת מונטה קרלו — אלפי אצוות וירטואליות, ולכל אחת הפורמולציה מחושבת בנפרד.

בחירת השיטה תלויה במה שכבר יש בארכיון ובכמה נוקשות הדרישות לתכונות.

קריטריון הקבלה — לא השגיאה הממוצעת, אלא שיעור האצוות בסבילות: פורמולציה יציבה אם היא מחזיקה תכונות מטרה ב-90–95% מהאצוות המדומות. בדיקה סופית — על אצוות עיוורות שלא השתתפו באימון: נראה שהמודל נשען על הפיזיקה של התהליך, ולא על צירופים שנזכרו.

נקודות תורפה של הגישה: דיוק המודל, איכות הנתונים, תמיכה

דיוק החיזוי של הפורמולציה אינו אוניברסאלי: הוא מחזיק בתוך תחום ההרכבים והמצבים שמכסים ניסויים קודמים. מחוץ לגבולותיו המודל מבצע אקסטרפולציה, ובמקום מספר סביר מתקבלת תשובה בטוחה אך שגויה. לכן אנו משרטטים במפורש את אזור הישימות ומוציאים חיזוי במרווחים עם ציון על אילו נתונים הוא נבנה.

המגבלה השנייה — איכות ההיסטוריה. יומני ניסויים מנייר שומרים ערך, אך בצורה שאינה ראויה לחישוב: יחידות שונות, קיצורים, אצוות חומר גלם ותנאים שלא תועדו. המרה לטבלה מובנית וניתוח סתירות תופסים חלק ניכר מהפרויקט — זו לא הכנה, אלא עבודה שבלעדיה המודל לא יתאמן.

מי אחראי לתוצאה וכיצד המודל חי לאחר ההפעלה?

ליווי הוא חלק מהעבודה, ולא שירות נפרד: עוקבים אחרי הפער בין החיזוי לתפוקה בפועל, מתעדים את הרגע שבו חומר הגלם או המצב יצאו מגבולות אזור האימון, ומפעילים אימון מחדש. יש לנו מהנדס אחראי ונוהל הסלמה, והמלצה שנויה במחלוקת נבדקת על אצוות בקרה לפני העברה לייצור. האחריות לתוצאה מפוזרת לפי השלבים האלה, ולא נמסה בדוח.

נדון במשימה: אילו נתונים יש ומה נדרש בפלט

כדי לחזור לא עם מילים כלליות, אלא עם סכמה עובדת, אנחנו צריכים מינימום נתוני פתיחה: מה כבר יש על הרכבים ותוצאות בדיקות, אילו מגבלות נקבעו בתקינה ובנוהל הייצור, ומה נחשב לתוצאה מוצלחת. תארו את המשימה בצורה חופשית — טבלאות, ייצוא מיומן מעבדה ומסמכים פנימיים לא נדרשים בשיחה הראשונה.

בתגובה אנחנו שולחים לא הצעה מסחרית "להכול", אלא קונקרטיקה למקרה שלכם:

• ניתוח נתונים להתחלה: מה באמת נדרש ממרשם הבדיקות ותעודות ההרכבים, ומה לא יהיה צריך לאסוף;
• רשימת מגבלות תקינה שהמערכת מחויבת לכבד, ודרך הבדיקה של כל וריאנט פורמולציה מוצע לעמידה בהן;
• קריטריוני קבלה — לפי אילו מדדים ועל איזה סט הרכבים אנחנו מחשיבים את התוצאה כמתקבלת, ולא "נראית נכונה";
• סכמת עבודה לפי שלבים עם נקודות שבהן אתם מקבלים תוצאת ביניים או עוצרים את הפרויקט;
• לוחות זמנים של השלב הראשון ומה יהיה ניתן לראות בו לפני השקעות במערכת מלאה;
• הרכב החומרים הנמסרים: קונפיגורציות, סקריפטים להכנת נתונים, נוהל אימון מחדש על בדיקות חדשות;
• תוכנית נסיגה: כיצד לחזור לסדר ההתאמה הנוכחי אם התוצאה תתברר כגרועה מהצפוי.

תארו את המשימה וצרפו את מה שיש — נחזור עם הערכה, סכמת עבודה ותוכנית לשלב הראשון.