ИИ в управлении целлюлозно-бумажной промышленностью: Stora Enso Oulu, UPM и цифровая фабрика

Бумажная машина в Oulu (Stora Enso, Финляндия) работает со скоростью >1 500 метров/минуту — это быстрее формулы 1. Полотно бумаги шириной несколько метров несётся через сотни метров оборудования. Одна остановка = миллионы потерь. AI управляет тысячами параметров одновременно, поддерживая стабильность на невозможной для человека скорости.

Кейс 1. Stora Enso Oulu — цифровая фабрика будущего

Бумажная фабрика в Финляндии как эталон

Oulu Mill (Stora Enso):

• Производство: >600 000 тонн мелованной бумаги в год
• Скорость машины: >1 500 м/мин
• Партнёрство в цифровизации: Valmet, ABB, Microsoft Azure

AI-системы Oulu:

1. Advanced Process Control (APC):

• >5 000 датчиков по всей машине
• ML модель: управляет тысячами параметров для поддержания качества
• «Изменилась влажность целлюлозы → автоматически скорректировать: давление в прессовой части, тепло сушки, влажность готовой бумаги»
• Без AI: оператор реагирует с задержкой → метры брака

2. Quality Prediction AI:

• Система предсказывает: качество бумаги на выходе через 20 минут
• На основе: текущих параметров процесса
• «Прочность будет ниже нормы → корректировка сейчас»

3. Energy Optimization:

• Паровое хозяйство: огромный потребитель
• ML оптимизирует: когда использовать свежий пар, когда рекуперированный
• Экономия: 5–8% энергопотребления

4. Predictive Maintenance:

• Бумажная машина: критичные компоненты (войлок, сетка, прессы)
• Замена до разрыва: очень дорого (пара часов = миллионы потерь)
• ML предсказывает деградацию: замена в плановый останов

Кейс 2. Metso Outotec — AI для всей отрасли

Metso — мировой поставщик оборудования + AI

Metso (Финляндия):

• Оборудование: для горной промышленности, целлюлозы, бумаги, рециклинга
• AI-платформа: Metso Metrics

Metso Metrics для бумажных фабрик:

Remote Monitoring:

• Фабрики по всему миру: подключены к единому центру данных
• ML: мониторинг состояния оборудования
• Аномалия: автоматический алерт → специалист Metso связывается

Digital Twin для Paper Machine:

• Виртуальная копия конкретной машины
• Симуляция: «что будет, если увеличить скорость на 5%»
• Безрисковые эксперименты → оптимизация без остановок

Кейс 3. ТОМРА — AI в рециклинге целлюлозы и упаковки

ТОМРА — мировой лидер в сортировке вторсырья

ТОМРА (Норвегия):

• Обрабатывает: >100 миллиардов потребительских единиц через вендинг-автоматы
• AI-сортировка: для пластика, стекла, металла, бумаги

NIR (Near-InfraRed) + AI:

• Конвейер: сортировочная линия
• NIR-сенсоры: определяют тип материала на высокой скорости
• ML: классифицирует → пневматика отбрасывает в нужный контейнер
• Скорость: >100 объектов/секунду на конвейере
• Точность: >99% для стандартных материалов

Применение в России:

• РоссетиЭкология + ТОМРА-системы: внедряются на сортировочных комплексах
• Проект «Реформа ТКО»: AI-сортировка как часть реформы

Кейс 4. Группа Илим — AI в российском производстве целлюлозы

Уже упоминалось, специфика цифровизации

AI в варочном процессе:

• Система Digicook (партнёрство с Andritz): AI-управление непрерывным варочным котлом
• Kappa number control: степень делигнификации → «варёность» целлюлозы
• Тонкость: передержать → плохая прочность, недоварить → много лигнина
• ML: балансирует автоматически → экономия реагентов + стабильное качество

Bleaching AI:

• Отбелка целлюлозы: 5–7 стадий с химикатами
• AI оптимизирует: дозирование на каждой стадии
• Стабильность белизны: ±0.5 единицы ISO (очень точно)
• Экономия химикатов: 3–5%

Ключевая метрика — тонна готовой целлюлозы:

• Потребление электроэнергии: оптимизировано AI на 8–12%
• Расход щёлока: снижен на 5%
• При объёме 2+ миллиона тонн/год: экономия >$20–30 миллионов ежегодно

Кейс 5. AI для переработки бумаги и устойчивого производства

Circular Economy + AI

Bale Analysis AI:

• Поставка макулатуры на фабрику: разное качество, разный состав
• AI Vision: анализирует каждый тюк → определяет состав
• «Эта партия: 70% офисная, 15% картон, 15% газетная» → автоматическая настройка процесса

Fibre Analysis:

• Recycled fibre quality: длина волокон (от длинных → лучшая прочность)
• ML предсказывает: какое конечное качество даст эта смесь макулатуры
• Blend optimization: смешать разные партии для оптимального результата

Российский рынок:

• Группа «ПКМ» (Переработка), «СеверМеталлСервис»: AI для сортировки и оценки макулатуры
• Переход на AI: несколько крупных игроков начали внедрение

Практика для российских ЦБК

Пошаговая цифровизация производства

Шаг 1 — IoT-инфраструктура (₽5–30 млн):

• Установить: датчики давления, температуры, потока на ключевые технологические процессы
• Платформа: OSIsoft PI (работает в РФ через партнёров) или Historian SCADA

Шаг 2 — Предиктивное ТО (₽3–10 млн):

• Специализированные датчики вибрации на критическом оборудовании
• ML-сигнализация: предсказание отказа за 2–4 недели
• ROI: 1 предотвращённая незапланированная остановка = ₽10–100 млн

Шаг 3 — Оптимизация качества (₽10–50 млн):

• Advanced Process Control (APC): российские системы АСУТП или международные (Emerson, ABB)
• ML-управление: поверх существующей SCADA
• Экономия: 3–8% расхода реагентов и энергии

Источники: Stora Enso Oulu digital documentation, Metso Metrics platform, TOMRA annual report, Группа Илим цифровые данные.