Булгын Адилгазиновна Майлыханова – магистр технических наук, сеньор лектор кафедры «Автоматизация и робототехника»,
050012, г. Алматы, ул.Толе би, 100
Bulgyn Mailykhanova – Master of Engineering Sciences, Senior lecture of the Department «Automation and Robotics»,
050012 Almaty, str. Tole bi, 100
Шамиль Кошимбаевич Кошимбаев – к.т.н., ассоциированный профессор кафедры «Автоматизация и управление»,
050013, г. Алматы, ул. Сатпаева , 22
Shamil Koshimbayev – Candidate of Technical Sciences, Associate Professor of the Department «Automation and Control system»,
050013 Almaty, str. Satbayev, 22
Анар Хабай – PhD, ассоциированный профессор,
050013, г. Алматы, ул. Сатпаева , 22
Anar Khabay – PhD, Associate Professor,
050013 Almaty, str. Satbayev, 22
Рита Адиловна Джамашева – PhD, ассистент профессор,
050012, г. Алматы, ул.Толе би, 100
Rita Jamasheva – PhD, Assistant Professor,
050012 Almaty, str. Tole bi, 100
Садратдин Абдукаримов – к.т.н., ассоциированный профессор,
050012, г. Алматы, ул.Толе би, 100
Sadratdin Abdukarimov – Candidate of Technical Sciences, Associate Professor,
050012 Almaty, str. Tole bi, 100
Интеграция искусственного интеллекта (ИИ) в системы промышленной автоматизации привела к значительным улучшениям в области эффективности, предиктивного обслуживания и снижения затрат. В настоящем исследовании рассматривается применение ИИ-ориентированных систем управления в процессе нефтепереработки, с акцентом на оптимизацию технологических параметров, сокращение расходов на техническое обслуживание и повышение надежности системы. В отличие от традиционных методов управления, основанных на жестко заданных правилах и ручном вмешательстве, ИИ обеспечивает анализ данных в реальном времени, прогнозное принятие решений и адаптивное регулирование.
Для оптимизации параметров процессов использованы модели машинного обучения, включая искусственные нейронные сети и алгоритмы градиентного бустинга. Эти модели были обучены на исторических эксплуатационных данных и проверены в симуляционных средах. Полученные результаты показывают, что ИИ-системы позволяют сократить затраты на обслуживание до 30%, повысить точность предсказания на 25% и улучшить энергетическую эффективность на 15%. Кроме того, они демонстрируют высокую адаптивность к изменениям состава нефти, обеспечивая устойчивость операций.
Для повышения интерпретируемости моделей в исследование интегрированы методы объяснимого ИИ (XAI), такие как SHAP и LIME. Это позволяет повысить доверие к решениям ИИ, особенно в условиях критически важных производственных процессов.
Несмотря на преимущества, внедрение ИИ в промышленную среду сопровождается вызовами, такими как высокие затраты, необходимость интеграции с устаревшими системами и киберугрозы. В работе предложены стратегии по их преодолению, включая поэтапное внедрение, создание безопасной архитектуры и комбинированные модели управления, сочетающие ИИ с традиционными методами.
Данное исследование подчеркивает трансформационный потенциал ИИ в нефтепереработке и его роль в создании надежных, интерпретируемых и экономически эффективных автоматизированных решений.
The integration of Artificial Intelligence (AI) in industrial automation has led to significant improvements in efficiency, predictive maintenance, and cost reduction. This study investigates the application of AI-based control systems in crude oil refining, focusing on optimizing process efficiency, minimizing maintenance costs, and improving system reliability. Traditional control methods, which rely on pre-defined rules and manual intervention, often lead to inefficiencies and unplanned downtime. In contrast, AI-driven automation enables real-time data analysis, predictive decision-making, and adaptive control mechanisms.
Our research utilizes advanced machine learning models, including artificial neural networks (ANNs) and gradient boosting algorithms, to optimize process parameters. These models were trained using historical operational data and validated through simulation-based testing. Results demonstrate that AI-driven systems reduce maintenance costs by up to 30%, improve predictive accuracy by 25%, and enhance energy efficiency by 15%. Furthermore, intelligent control systems show high adaptability to variations in crude composition, enabling more robust and sustainable operations.
To address the challenge of AI model transparency, the study incorporates explainable AI (XAI) techniques such as SHAP and LIME to improve interpretability and support trust in automated decision-making – particularly in safety-critical refinery processes. These tools provide insights into feature importance and model behavior, facilitating better understanding by engineers and operators.
Despite the performance benefits, the adoption of AI in industrial environments faces challenges, including high initial investment costs, integration with legacy systems, and cybersecurity risks. The paper proposes strategies to mitigate these barriers, such as phased deployment, secure system architecture, and hybrid control models combining AI with rule-based logic.
This research underscores the transformative potential of AI in refining operations and contributes to the development of reliable, transparent, and cost-effective automation solutions for the energy sector.
The authors declare that there are no conflicts of interest present.