Intelligent system for petroleum product quality estimation based on ensemble machine learning methods

ТЕХНІЧНІ НАУКИ ТА ТЕХНОЛОГІЇ № 1(43), 2026 TECHNICAL SCIENCES AND TECHNOLOGIES DOI: https://doi.org/10.25140/2411-5363-2026-1(43)-45-57 УДК 004.852:665.63 Сергій Михайлович Ткачук1, Вадим Валерійович Бондар2 1аспірант кафедри технічних та програмних засобів автоматизації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» (Київ, Україна) E-mail: . ORCID: https://orcid.org/0009-0002-4013-8875 2аспірант кафедри технічних та програмних засобів автоматизації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» (Київ, Україна) E-mail: . ORCID: https://orcid.org/0009-0000-3320-4550 ІНТЕЛЕКТУАЛЬНА СИСТЕМА ОЦІНЮВАННЯ ЯКОСТІ НАФТОПРОДУКТІВ НА ОСНОВІ АНСАМБЛЕВИХ МЕТОДІВ МАШИННОГО НАВЧАННЯ Розроблено інтелектуальну систему оцінювання якості продукції каталітичного риформінгу в реальному часі на основі ансамблевих методів машинного навчання. Систему побудовано із застосуванням методу Random Forest, що забезпечує прогнозування октанового числа риформату із середньою абсолютною похибкою 0,41 пункту та коефіцієнтом детермінації R² = 0,974. Для підвищення адекватності порівняння додатково залучено глибоку нейронну мережу LSTM. Реалізовано механізм інкрементальної онлайн-адаптації моделі та квантифікації невизначеності прогнозів для детекції аномальних режимів роботи. Інтеграція розробленої системи в контур нелінійного предиктивного управління забезпечує зниження варіації октанового числа на 57 % та скорочення часу перехідних процесів у 2,8 раза порівняно з традиційним PID-управлінням. Ключові слова: soft-сенсор; оцінювання якості; Random Forest; нейронні мережі; онлайн-адаптація; каталітичний риформінг; предиктивне управління; ансамблеві методи; LSTM. Рис.: 3. Табл.: 5. Бібл.: 12. Актуальність теми дослідження. Каталітичний риформінг є одним із ключових процесів нафтопереробної промисловості, що забезпечує виробництво високооктанових компонентів автомобільного бензину та водню для процесів гідроочищення [1]. В умовах четвертої промислової революції (Industry 4.0) цифровізація нафтопереробних виробництв та впровадження концепції цифрових двійників ставлять нові вимоги до оперативності та точності вимірювання якості продукції. Установки каталітичного риформінгу з безперервною регенерацією каталізатора (Continuous Catalytic Reforming, CCR) є найбільш прогресивним типом установок, що дозволяють підтримувати високу активність каталізатора та забезпечувати стабільну якість продукції протягом тривалого періоду експлуатації [2]. Ефективне управління якістю продукції на установках CCR потребує оперативної інформації про октанове число риформату та вихід рідкого продукту. Проте ці показники визначаються лабораторними методами з періодичністю 2–8 годин, що створює значну затримку в контурі управління [3]. Поточні аналізатори на основі інфрачервоної спектроскопії або хроматографії потребують регулярного калібрування та мають обмежену надійність в умовах промислової експлуатації. Це суттєво обмежує можливості реалізації стратегій оптимального управління в реальному часі та призводить до підвищеної варіабельності якості продукції, перевитрат енергоресурсів та неоптимального використання каталізатора. Перспективним вирішенням цієї проблеми є застосування soft-сенсорів (програмних сенсорів, віртуальних аналізаторів) — математичних моделей, що забезпечують оцінку важковимірюваних показників якості на основі легкодоступних вимірювань технологічних параметрів [4]. На відміну від апаратних аналізаторів, soft-сенсори не потребують спеціального обладнання, проте їх точність залежить від якості математичної моделі, а їх деградація з часом внаслідок дрейфу характеристик процесу є серйозною проблемою для промислової експлуатації [5]. За даними досліджень, значна частка впроваджених softсенсорів втрачає прийнятну точність протягом першого року без регулярного перенавчання, що зумовлює актуальність розробки адаптивних механізмів. © С. М. Ткачук, В. В. Бондар, 2026 ТЕХНІЧНІ НАУКИ ТА ТЕХНОЛОГІЇ № 1(43), 2026 TECHNICAL SCIENCES AND TECHNOLOGIES Постановка проблеми. Процес каталітичного риформінгу є складним нелінійним багатовимірним об’єктом управління з багатомасштабною динамікою: постійні часу контурів якості становлять 25–45 хвилин, транспортні затримки — 30–60 хвилин, а динаміка дезактивації каталізатора розвивається протягом сотень годин [2]. Нелінійність процесу обумовлена експоненційною залежністю швидкостей реакцій від температури та складними кінетичними механізмами каталітичних перетворень. Основна проблема полягає у відсутності комплексного підходу до побудови інтелектуальної системи оцінювання якості, що поєднує високу точність прогнозування з можливістю автоматичної адаптації до змін процесу та оцінкою надійності прогнозів. Існуючі рішення на основі лінійних методів не забезпечують необхідної точності при суттєвих змінах режиму, а нейромережеві soft-сенсори потребують складної процедури перенавчання при дрейфі характеристик. Аналіз останніх досліджень і публікацій. Проблемі розробки soft-сенсорів для промислових процесів присвячено значну кількість наукових праць. Комплексний огляд softсенсорів для моніторингу, управління та оптимізації наведено в [3], де систематизовано основні підходи: від лінійних методів до глибокого навчання. Лінійні методи – метод головних компонент (PCA), проєкція на латентні структури (PLS) – залишаються базовим інструментом завдяки простоті інтерпретації, проте мають обмежену точність для нелінійних процесів. Роль штучного інтелекту в розвитку soft-сенсорів для сталого промислового виробництва проаналізовано в [4], де показано переваги data-driven підходів над фізичними моделями для складних процесів. Ансамблеві методи — Random Forest (RF), Gradient Boosting (XGBoost, LightGBM) — поєднують прогнози кількох базових моделей для підвищення точності та робастності. Сучасні модифікації RF, зокрема з покращеним відбором ознак та адаптивними стратегіями, продемонстровано в [7]. Підходи на основі графових нейронних мереж (GCN) для побудови soft-сенсорів запропоновано в [6], що дозволяє моделювати складні кореляції між змінними. Гібридні моделі з адаптивними механізмами набувають все більшого поширення: у [8] розроблено глибоку гаусівську змішану адаптивну мережу з механізмом калібрування для компенсації дрейфу процесу. Проблема адаптації soft-сенсорів до дрейфу характеристик процесу (concept drift) досліджується у [9], де систематизовано методи адаптації в рамках глибокого навчання. Проблему трансферного навчання та переносимості soft-сенсорів між різними установками розглянуто в [5]. Квантифікація невизначеності прогнозів ML-моделей, зокрема через ансамблювання та баєсівські підходи, проаналізовано у [10]. Питанням інтеграції ML-моделей з нелінійним предиктивним управлінням для хімічних процесів присвячено роботу [12]. Виділення недосліджених частин загальної проблеми. Проведений аналіз показав, що існуючі дослідження мають такі обмеження. По-перше, більшість soft-сенсорів (...truncated)