AI-система сокращения пищевых отходов на производстве
Пищевые потери на производстве — 20–30% от переработанного сырья. AI находит их источники: несоответствие рецептурных параметров, брак упаковки, несогласованность планирования и полки. Снижение потерь на 1% от оборота крупного завода = миллионы рублей.
Учёт и мониторинг потерь
Автоматический учёт отходов:
Нормативный выход готовой продукции vs. фактический — разница = потери. ML-система:
- Норматив расхода на рецептуру × произведённое количество = теоретический расход сырья
- Фактический расход (по взвешиванию) = теоретический + потери
- Отклонение >3% → alert технологу
Классификация причин потерь:
NLP + ML на производственных журналах и дефектных ведомостях:
- «Пересол» — ошибка дозирования соли
- «Деформация» — нарушение температурного режима выпечки
- «Разрыв упаковки» — настройки упаковочного автомата
- Автоматическая Pareto-диаграмма: топ-3 причины = 80% потерь
Оптимизация производственного процесса
Параметры процесса и выход:
Регрессионная модель: какие производственные параметры влияют на выход готовой продукции:
import shap
import lightgbm as lgb
import pandas as pd
def analyze_waste_drivers(production_data):
"""
Анализ драйверов потерь методом SHAP.
production_data: производственные параметры + фактические потери
"""
feature_cols = [
'raw_material_moisture', # влажность сырья при приёмке
'mixing_time_min', # время замешивания
'proofing_temp', # температура расстойки
'baking_temp_actual', # фактическая температура выпечки
'baking_time_min', # время выпечки
'line_speed', # скорость линии
'ambient_humidity', # влажность воздуха
'operator_id', # оператор (анонимизированный)
'shift', # смена
]
X = production_data[feature_cols]
y = production_data['waste_pct']
model = lgb.LGBMRegressor(n_estimators=300)
model.fit(X, y)
# SHAP для объяснения факторов потерь
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)
# Топ-факторы, увеличивающие потери
importance = pd.DataFrame({
'feature': feature_cols,
'shap_importance': np.abs(shap_values).mean(axis=0)
}).sort_values('shap_importance', ascending=False)
return model, importance
Оптимальные параметры:
После построения модели — найти параметры, минимизирующие потери:
- Оптимальная влажность сырья для приёмки (не берём партии ниже X%)
- Оптимальная скорость линии (при высокой скорости растёт брак упаковки)
- Зависимость: при повышении влажности сырья на 1% → снизить температуру выпечки на 5°C
Управление невостребованными остатками
Downgrade продукция:
Продукция с истекающим сроком или небольшим браком — что делать:
- AI-система ежедневно обновляет inventory остатков с датами
- При приближении срока → автоматически снизить цену в B2B-канале
- При невозможности реализации → направить на переработку (корм, биогаз)
Forecast-driven production:
Производить ровно столько, сколько реализуют:
- ML прогноз заказов на 3–7 дней
- Production schedule = forecast × safety factor (1.03–1.05)
- Снижение сверхпроизводства с 8–12% до 2–4%
Оптимизация сырьевых запасов
FIFO + качественный мониторинг:
- Каждая партия сырья при приёмке: влажность, белок, жир → прогноз оптимального срока переработки
- FEFO (First Expired First Out) вместо FIFO: партии с меньшим остатком гарантийного срока идут первыми
- Предупреждение: партия сырья через 3 дня истечёт, нужно срочно использовать
Сезонное планирование:
Для производств, работающих на сезонном сырье (овощные консервы, соки):
- Прогноз урожайности → объём закупки для переработки
- Оптимальная загрузка мощностей в течение сезона
Срок разработки: 3–4 месяца для системы мониторинга пищевых отходов с ML-анализом причин и рекомендациями по снижению.