IA, la nueva frontera del rendimiento en plantas de transformación industrial

La IA es más accesible que nunca. Con una gran cantidad de datos históricos y experiencia existente en la materia, las plantas de transformación están bien posicionadas para crear nuevas oportunidades. De ello hablan en el artículo “AI: The next frontier of performance in industrial processing plants” Filipe Barbosa, Kane Blay, Mike Doheny, Usman Farooq, Milan Korbel, Soenke Lehmitz, Andy Luse, Lapo Mori, Xavier Morin, Richard Sellschop y Dan Swan, de McKinsey’s Global Energy & Materials Practice.

La aplicación exitosa de la IA en diversas industrias ha impulsado un nuevo enfoque en el sólido valor económico que puede generar la IA. De hecho, una reciente encuesta de McKinsey halló que los líderes en IA superaron a sus homólogos industriales por un factor de 3,4. A nivel mundial, las estimaciones de McKinsey muestran que la IA tiene potencial para generar una actividad económica total adicional de aproximadamente 13 billones de dólares para 2030. Y queda aproximadamente 1 billón de dólares en valor por obtener del sector industrial.
Aunque la adopción de la IA sigue siendo baja en el sector industrial, hoy en día se puede extraer valor de la infraestructura existente. Según la investigación de McKinsey, los operadores que han aplicado IA en plantas de transformación industrial han reportado un aumento del 10% al 15% en la producción y del 4% al 5% en el EBITA.
Los operarios de plantas de transformación industrial están especialmente bien posicionados para aprovechar los beneficios de la IA. Muchos ya dependen en gran medida de la toma de decisiones basada en datos utilizando datos de procesamiento (combinados con la oferta y la demanda de productos básicos) y datos de precios. Y, hoy en día, la mayoría de las plantas han realizado importantes inversiones en habilitadores de IA, como el diseño de redes, sistemas de control y captura de datos históricos.
De cara al futuro, la IA puede ayudar a detectar patrones e ideas que no son manifiestas para los humanos, incrementando así la productividad y la ventaja competitiva de las plantas de transformación. El artículo explica cómo la tecnología de IA y la metodología agile pueden ayudar a las organizaciones a capturar valor rápidamente, además de cómo la adopción de la IA puede revitalizar a las personas y los procesos.

Los límites de los controles de procesos tradicionales
Una planta de procesos típica utiliza sensores para recopilar miles de mediciones de procesos, como flujos, temperaturas, presiones y niveles, que suministran información a la lógica de control para los diferentes controles.
Sin embargo, la mayoría de los actores industriales no cuentan con programas sólidos para gestionar la precisión y confiabilidad de las mediciones de procesos críticos. Las solicitudes de mantenimiento generalmente se inician cuando los operadores de la planta observan problemas con las mediciones. Sin embargo, muchas plantas carecen de un enfoque sistemático para mantener la calidad de las mediciones críticas, en gran parte porque no tienen una manera confiable de rastrear cuáles de las miles de mediciones son las más críticas para operaciones eficaces. La priorización se basa en la comprensión y la experiencia generales, pero la falta de un enfoque sistemático deja lagunas en la cobertura.
Posteriormente, la retroalimentación de los sensores de la planta se procesa mediante tres tipos de controles, cada uno con diferentes niveles de robustez: bucles de control básicos de una sola variable, controles regulatorios avanzados (ARC) y controles avanzados de procesos (APC).

Bucles de control básicos de una sola variable
Los bucles de control de una sola variable controlan una única medición de procesos hasta un punto de ajuste determinado, como un valor de flujo deseado, utilizando una variable manipulada, como una válvula de control (Figura 1). Una limitación clave de tales procesos es que los bucles aislados no tienen en cuenta la interacción del mundo real de otras variables del proceso. Además, no se tienen en cuenta los múltiples bucles de control de una sola variable dentro del mismo sistema, lo que puede conducir a que los controladores de una sola variable “luchen” por alcanzar sus propios puntos de ajuste y esto afecte negativamente a otras variables del proceso controladas por sus controladores de una sola variable.

Controles regulatorios avanzados
Para superar las limitaciones de los controles de una sola variable, algunos esquemas de control integrarán múltiples controladores de una sola variable que utilizan estrategias lógicas como control de avance, de relación, en cascada y de subasta. Aunque los bucles únicos aún actúan sobre una entrada y una salida, el esquema general tiene en cuenta las interacciones del mundo real e intenta mitigar el impacto negativo en las variables críticas del proceso. La ventaja de este enfoque es que se puede implementar directamente en el sistema de control sin herramientas adicionales. Sin embargo, la desventaja es que muchos procesos requieren esquemas de control ARC complicados y, a medida que estos esquemas se vuelven más grandes y complicados, están cada vez más expuestos a errores instrumentales.

Controles avanzados de procesos
Los APC utilizan diferentes algoritmos de control fundamentales para regular los controladores (Figura 2). Los APC generalmente se implementan por encima de los controles regulatorios de procesos y trabajan para lograr funciones objetivas específicas, como mayor eficiencia, rendimiento y calidad, al equilibrar las interacciones entre los bucles de control básicos de procesos dentro de una unidad de proceso. Muchos APC crean modelos de procesos y controlan múltiples variables de proceso. Otros APC utilizan un enfoque basado en reglas, como la lógica difusa, para imitar el conocimiento y las acciones de los operarios humanos. De cualquier manera, todos los APC requieren un mantenimiento continuo que tenga en cuenta las condiciones cambiantes del proceso. En muchas instalaciones, el uso de APC se reduce de manera significativa con el tiempo y puede reducir el impacto de las inversiones iniciales de capital e ingeniería. Y, en algunos casos, menos del 10% de los APC implementados permanecen activos y mantenidos.
Uno de los principales desafíos para mantener y mejorar los sistemas regulatorios y APC existentes es su gran tamaño. Con miles de mediciones de procesos, bucles de control y sistemas APC altamente complejos, muchas iniciativas de ingeniería no pueden priorizar ni centrarse sistemáticamente en áreas en las que la mejora ofrecería el mayor impacto. Aquí es donde la IA puede contribuir a impulsar un potencial adicional.

Un nuevo enfoque para gestionar los controles de procesos a nivel de organización
Algunos proveedores de APC han comenzado a integrar elementos de analítica avanzada (AA) e inteligencia artificial para mejorar la precisión de sus modelos de procesos. Sin embargo, el uso de AA e IA dentro de los APC se limita a mejorar los modelos de APC. Desarrollar capacidades de AA e IA dentro de la organización y aplicarlas en una planta de procesos a mayor escala representa una oportunidad mucho mayor.
Las soluciones de IA son la mejor opción cuando pueden ayudar a procesar grandes cantidades de datos de procesos e identificar las oportunidades más poderosas. Si bien otros sistemas informáticos dependen de la programación con reglas explícitas, los sistemas de inteligencia artificial se pueden utilizar para descubrir reglas relevantes mediante el aprendizaje supervisado y no supervisado a partir de grandes cantidades de datos de procesos. En lugar de que los expertos en la materia identifiquen todas las reglas y relaciones que rigen un proceso, la IA puede detectar patrones e ideas que no son fácilmente visibles para los humanos. Posteriormente, los expertos en la materia pueden tomar estos conocimientos e integrarlos en sus recetas operativas para mejorar el rendimiento. De esta manera, la IA puede ayudar a los propietarios y operarios a optimizar las operaciones y el control de procesos tradicionales (Figura 3).