Las empresas de hoy en día se enfrentan a innumerables presiones desde todas las direcciones, incluido el aumento de la competencia y la demanda, las preocupaciones de seguridad y las iniciativas de sostenibilidad.
Por: Stephen Reynolds, director de la Industria de Productos Químicos en AVEVA.
Superar estos desafíos requiere que las plantas optimicen los activos y procesos, maximicen la producción, reduzcan el tiempo de inactividad no planificado y garanticen operaciones confiables y seguras que cumplan con objetivos comerciales más amplios.
Por supuesto, la tecnología es la clave para mejorar el rendimiento. Pero si bien muchas empresas ya han adoptado la infraestructura de datos y los sistemas de análisis, las crecientes complejidades de las plantas de hoy en día requieren poderes tecnológicos aún mayores en forma de inteligencia artificial (IA).
Las empresas químicas con visión de futuro están optando por superponer modelos rigurosos y análisis avanzados basados en IA a sus historiadores de datos, para extraer valor y obtener información más rápida y mejor sobre los procesos y los activos.
La simulación avanzada de procesos es clave
La simulación de procesos de próxima generación ahora puede calcular indicadores clave de rendimiento (en inglés key performance indicators -KPIs) más allá de los que se pueden medir directamente en la planta, mientras que el análisis predictivo puede detectar anomalías de rendimiento y predecir fallas en los activos. En conjunto, estos conocimientos de alto nivel permiten a los equipos de operaciones analizar hábilmente el riesgo y diseñar planes que maximicen la eficiencia y la rentabilidad.
Como tal, la implementación de soluciones de IA permite a las empresas administrar de manera proactiva el rendimiento de los activos, minimizar el tiempo de inactividad no planificado y reducir los costos de mantenimiento.
Cada planta química se encuentra en su propio viaje de datos. Mientras que algunas operaciones utilizan la recopilación y el análisis de datos como histórico, otras han avanzado más en la curva de utilización y manejan cálculos de flujo o análisis avanzados. Independientemente de dónde se encuentre una planta en su viaje, los usuarios aún pueden encontrar nuevas formas de optimizar las operaciones de la planta para aumentar la rentabilidad, al tiempo que cumplen con los requisitos de seguridad y los objetivos de sostenibilidad.
Pasar del mantenimiento reactivo al predictivo
Las empresas químicas de todo el mundo están optando por aprovechar los modelos de IA y Machine Learning como herramientas de aprendizaje profundo para pronosticar la vida útil restante de un activo, lo que brinda a los equipos información crítica y conocimientos prescriptivos para analizar el costo frente al riesgo y diseñar planes que maximicen la eficiencia y la rentabilidad.
Los usuarios pueden definir indicadores adelantados basados en datos de sensores y otras operaciones y utilizar esta información para detectar incluso cambios sutiles en el rendimiento de los activos.
Una vez que los equipos han identificado una anomalía, pueden utilizar herramientas avanzadas de IA para predecir la degradación del rendimiento y los fallos de los componentes y, a continuación, trabajar juntos para priorizar las necesidades de mantenimiento en función de la urgencia, los calendarios, los equipos disponibles, los recursos y la disponibilidad de piezas de repuesto.
Además de prevenir la falla de los activos, la orientación predictiva basada en IA permite a las empresas minimizar el uso de energía y comparar el rendimiento de los activos, lo que ayuda a las plantas químicas a cumplir con las obligaciones regulatorias y contractuales.
Con la información futura sobre el rendimiento de los activos a mano, las empresas pueden tomar medidas para minimizar las ineficiencias que afectan a las finanzas, medir las consecuencias futuras, evaluar el riesgo, evitar interrupciones e incluso aumentar la satisfacción del cliente.
Mejora del gemelo digital de las operaciones mediante la simulación de procesos
Si bien la simulación de procesos y el análisis predictivo son enfoques bien establecidos, estas herramientas han mejorado continuamente en los últimos años. Ahora, los datos en tiempo real combinados con los modelos de proceso de primer principio se pueden utilizar para crear gemelos digitales de operaciones. Este gemelo digital de operaciones, mejorado con capacidades de IA, se puede utilizar para identificar las condiciones operativas óptimas y actuar como asesores de los operadores para sacar más provecho de sus activos.
Este gemelo digital de operaciones brinda a los ingenieros y técnicos información sobre variables de proceso no medibles, lo que permite que las herramientas predigan de manera proactiva las mejores condiciones operativas, aumenten el rendimiento, reduzcan la energía y los problemas de confiabilidad para los activos rotativos y estacionarios en toda la empresa.
Programas de monitoreo y mantenimiento de equipos
Los programas tradicionales de monitoreo de equipos se basan en datos medidos a lo largo del proceso para informar las decisiones de mantenimiento. Por ejemplo, los datos de temperatura y vibración se pueden utilizar para predecir una variedad de modos de falla para una bomba centrífuga.
Mediante el uso de datos históricos, los ingenieros de confiabilidad pueden determinar un valor de referencia para cada medición y configurar alertas cuando los valores caen fuera de este rango. Esto se conoce como monitoreo basado en la condición y es una forma sencilla de comenzar a usar los datos medidos para mejorar la confiabilidad del proceso.
Si bien el monitoreo basado en la condición es útil para activos con un funcionamiento relativamente estable, tener en cuenta las diferentes ventanas operativas o modos de proceso puede convertirse rápidamente en un desafío. Es posible que los ingenieros deban ajustar con frecuencia las ventanas de funcionamiento o lidiar con alarmas molestas que pueden romper rápidamente la eficiencia y la eficacia de un programa de mantenimiento predictivo. En lugar de la monitorización basada en el estado, muchas empresas químicas confían ahora en el análisis predictivo como parte de un sólido programa de gestión del rendimiento de los activos.
El análisis predictivo combina datos de procesos en tiempo real e IA para predecir mejor las fallas de los equipos y proporcionar estimaciones de la vida útil restante. Esta información puede ayudar a los ingenieros de confiabilidad a planificar qué equipos requieren mantenimiento y cuándo deben programarse. Al igual que el monitoreo basado en condiciones, se basa en mediciones de procesos para establecer líneas de base operativas.
Sin embargo, dado que las soluciones de análisis predictivo pueden aprovechar el aprendizaje automático para el análisis multivariante en lugar de simples alertas basadas en condiciones, proporciona un mayor rango de detección en muchos modos operativos en comparación con la supervisión basada en condiciones solamente.
Los modelos de ML utilizados en una solución típica de análisis predictivo también pueden ayudar a identificar modos de falla específicos en función de las firmas de falla anteriores para cada equipo.
Mediante el uso de una poderosa combinación de datos en tiempo real, análisis predictivos y simulación de primeros principios, las empresas pueden mejorar la confiabilidad de los activos y reducir el tiempo de inactividad mediante la predicción proactiva de fallas de confiabilidad e integridad para activos críticos, rotativos y estacionarios.
En medio de una industria química mundial cada vez más feroz, donde las presiones están aumentando y el equilibrio entre el crecimiento empresarial y el cumplimiento del objetivo de descarbonización es fundamental, la IA será la clave para optimizar las empresas con visión de futuro a través de la racionalización inteligente de sus operaciones.
Al superponer la IA avanzada a la infraestructura de datos existente, las empresas químicas pueden aprovechar los datos de operaciones históricas y en tiempo real para obtener acceso a información más profunda, rápida y valiosa para respaldar los objetivos y la estrategia comerciales general. Esto permite a las empresas químicas encontrar el equilibrio entre el mantenimiento basado en el riesgo y el centrado en la fiabilidad, mejorar el rendimiento general y evitar posibles fallos en los equipos.
Con conocimientos avanzados al alcance de la mano, los equipos de las plantas químicas pueden tomar decisiones mejores y más rápidas que mejoran continuamente el rendimiento, la seguridad y la sostenibilidad de la planta, al tiempo que aumentan la rentabilidad.
