Yokogawa Electric Corporation (TOKYO: 6841) y JSR Corporation (JSR, TOKYO: 4185) anuncian el termino exitoso de una prueba de campo en la que se utilizó IA para operar de manera autónoma una planta química durante 35 días, una primicia mundial*1. Esta prueba confirmó que la IA de aprendizaje por refuerzo se puede aplicar de forma segura en una planta real y demostró que esta tecnología puede controlar operaciones que han estado más allá de las capacidades de los métodos de control existentes (control PID [proporcional, integral, derivado]*2/APC [control adaptativo de proceso]*3) y que hasta ahora han requerido la operación manual de las válvulas de control con base en los juicios del personal de la planta. La iniciativa descrita aquí fue seleccionada por el programa de subsidios Proyectos para la Promoción de la Seguridad Industrial Avanzada 2020 del Ministerio de Economía, Comercio e Industria del Japón.
Este comunicado de prensa trata sobre multimedia. Ver la noticia completa aquí: https://www.businesswire.com/news/home/20220321005007/es/
Distillation columns at the JSR chemical plant (Photo: JSR Corporation)
El control en las industrias de procesos abarca una amplia gama de campos, desde la refinación de petróleo y la petroquímica hasta los productos químicos de alto rendimiento, las fibras, el acero, los productos farmacéuticos, los productos alimenticios y el agua. Todos estos implican reacciones químicas y otros elementos que requieren un nivel de confiabilidad extremadamente alto.
En esta prueba de campo, la solución de IA abordó con éxito las complejas condiciones necesarias para garantizar la calidad del producto y mantener los líquidos en la columna de destilación en un nivel adecuado, al tiempo que se aprovecha al máximo el calor residual como fuente de calor. Al hacerlo, estabilizada la calidad, se logró un alto rendimiento*4 y ahorró de energía. Si bien la lluvia, la nieve y otras condiciones climáticas fueron factores significativos que podrían alterar el estado de control al causar cambios repentinos en la temperatura atmosférica, los productos que se produjeron cumplieron con estándares rigurosos y desde entonces se han despachado. Además, como solo se crearon productos de buena calidad, se eliminaron todas las pérdidas de combustible, mano de obra, tiempo y otras que ocurren cuando se producen productos fuera de las especificaciones. Las operaciones seguras se garantizaron a través de un proceso de tres pasos.
La IA utilizada en este experimento de control, el protocolo de Programación de políticas dinámicas de kernel factorial (Factorial Kernel Dynamic Policy Programming, FKDPP), fue desarrollada conjuntamente por Yokogawa y el Instituto Nara de Ciencia y Tecnología (Nara Institute of Science and Technology, NAIST) en 2018, y fue reconocida en una Conferencia internacional IEEE sobre ciencia e ingeniería de automatización como la primera IA basada en el aprendizaje de refuerzo en el mundo, que se puede utilizar en la gestión de la planta*7. A través de iniciativas que incluyen la realización exitosa de un experimento de sistema de entrenamiento de control*8 en 2019 y un experimento en abril de 2020 que usó un simulador para recrear una planta completa*9, Yokogawa ha confirmado el potencial de este control autónomo AI*10 y lo ha desarrollado de una teoría a una tecnología adecuada para el uso práctico. Se puede utilizar en áreas donde la automatización no era posible anteriormente con los métodos de control convencionales (control PID y APC), y sus puntos fuertes incluyen la capacidad de abordar objetivos en conflicto, como la necesidad de alta calidad y ahorro de energía.
Dados los numerosos fenómenos físicos y químicos complejos que afectan las operaciones en las plantas reales, todavía hay muchas situaciones en las que los operadores veteranos deben intervenir y ejercer el control. Incluso cuando las operaciones se automatizan mediante el control PID y APC, los operadores con mucha experiencia tienen que detener el control automatizado y cambiar la configuración y los valores de salida cuando, por ejemplo, se produce un cambio repentino en la temperatura atmosférica debido a la lluvia o algún otro evento meteorológico. Este es un problema común en las plantas de muchas empresas. En cuanto a la transición a la autonomía industrial*11, un reto muy importante ha sido implantar el control autónomo en situaciones en las que hasta ahora la intervención manual ha sido imprescindible, hacerlo con el menor esfuerzo posible y garantizando, al mismo tiempo, un alto nivel de seguridad. Los resultados de esta prueba sugieren que esta colaboración entre Yokogawa y JSR ha abierto un camino para resolver este problema de larga data.
Yokogawa da la bienvenida a los clientes que estén interesados en estas iniciativas a nivel mundial. La empresa tiene como objetivo proporcionar rápidamente productos y soluciones que conduzcan a la realización de la autonomía industrial.
JSR cree que esta demostración muestra el potencial de la IA para abordar desafíos que antes no podían resolverse en las plantas químicas, e investigará su aplicación a otros procesos y plantas con el objetivo de lograr mejoras adicionales en la productividad.
En el futuro, las dos empresas seguirán trabajando juntas e investigando formas de utilizar la IA en las plantas.
Masataka Masutani, gerente general de Tecnología de Producción de JSR, comentó: “En un entorno que está cambiando, debido a factores como la introducción completa de 5G y otros desarrollos hacia una sociedad digital, así como el envejecimiento de los recursos humanos que garantizan la seguridad de la planta y la falta de recursos humanos para reemplazarlos, la industria petroquímica está bajo una fuerte presión para mejorar la seguridad y la eficacia en sus actividades de producción mediante el uso de nuevas tecnologías como internet de la cosas (Internet of Things, IoT) e IA. La orientación de JSR es hacer que la producción sea inteligente a través de la incorporación proactiva de drones, sensores IoT, cámaras y otras tecnologías nuevas, y en este experimento asumimos el desafío de la automatización del control de procesos de la planta utilizando tecnología de control de IA. Verificamos que la IA es capaz de controlar de forma autónoma los procesos que antes se realizaban manualmente en base a la experiencia de los operadores, y estamos firmemente convencidos de la utilidad y potencial futuro del control de la IA. De aquellos en el área, hemos escuchado comentarios que dicen que no solo se ha reducido la carga de los operadores, sino que el mismo hecho que asumimos el desafío de esta nueva tecnología y lo logramos es una motivación para llevar la transformación digital (digital transformation, DX) hacia el futuro. De ahora en adelante, ampliaremos las operaciones controladas con IA y trabajaremos para mejorar la seguridad, la estabilidad y la competitividad de las plantas químicas”.
Takamitsu Matsubara, profesor asociado de NAIST, comentó: “Estoy muy contento de saber que esta prueba de campo fue exitosa. El análisis de datos y el aprendizaje automático ahora se están aplicando a las operaciones de las plantas químicas, pero la tecnología que se puede usar en el control autónomo y la optimización de las operaciones no ha estado completamente lista hasta ahora. El algoritmo IA FKDPP de aprendizaje por refuerzo fue desarrollado conjuntamente por Yokogawa y NAIST en 2018 para realizar un control autónomo en plantas químicas. A pesar de tener que hacer referencia a una gran cantidad de sensores y válvulas de control, la IA puede generar una política de control sólida en un número limitado de pruebas de aprendizaje. Estas características ayudaron a mejorar la eficiencia del proceso de desarrollo y permitieron lograr un control autónomo durante un largo período de 840 horas durante la prueba de campo. Creo que este difícil logro del control autónomo en una columna de destilación real y el hecho de que el nivel de aplicación práctica se haya elevado hasta el punto en que todo el proceso de producción y la seguridad estén integrados en un solo sistema tienen una gran importancia para toda la industria. Espero ver qué sucede después con esta tecnología”.
Kenji Hasegawa, vicepresidente de Yokogawa Electric y jefe de la sede central de productos de Yokogawa, agregó: “El éxito de esta prueba de campo provino de reunir el conocimiento profundo del proceso de producción y los aspectos operativos que solo el cliente puede brindar, y la fortaleza de Yokogawa de aprovechar la medición, control e información para producir valor. Esto sugiere que una IA de control autónomo (FKDPP) puede contribuir significativamente a la autonomización de la producción, la maximización del retorno de la inversión (ROI) y la sostenibilidad ambiental en todo el mundo. Yokogawa fue líder mundial en el desarrollo de sistemas de control distribuido que controlan y supervisan el funcionamiento de las instalaciones de producción de plantas y ha respaldado el crecimiento de una variedad de industrias. Con nuestra mirada puesta firmemente en un mundo de operación autónoma que forma el modelo para el futuro de las industrias, ahora estamos promoviendo el concepto de IA2IA: Automatización industrial para la autonomía industrial. Para lograr una producción fuerte y flexible que tenga en cuenta el impacto de las diferencias en humanos, máquinas, materiales y métodos, las 4M, en las industrias de energía, materiales, farmacéutica y muchas otras, aceleraremos el desarrollo conjunto de la IA de control autónomo con nuestros clientes en todo el mundo”.
|
*1 |
Basado en una encuesta de Yokogawa Electric realizada en febrero de 2022 con respecto a la IA que cambia directamente la variable de manipulación en la planta química. |
|
*2 |
Control Proporcional-Integral-Derivativo. Primera propuesta por Nicolas Minorsky en 1922, esta es una tecnología de control de infraestructura para las industrias de procesamiento que se utiliza para controlar elementos como la cantidad, la temperatura, el nivel, la presión y los ingredientes. Implementa el control hacia un valor objetivo mientras usa los resultados de cada uno de los cálculos de P, I y D de acuerdo con la desviación entre el valor actual y el valor establecido. Hay problemas con este modo de control, como la incapacidad de lidiar con múltiples perturbaciones externas (tiempo, clima, cambios en la composición del material) y cambios frecuentes en los valores objetivo, lo que requiere un control manual. |
|
*3 |
Control Avanzado de Procesos. Éste utiliza un modelo matemático que puede predecir las respuestas del proceso y proporciona valores establecidos al ciclo de control PID en tiempo real para mejorar la productividad, la calidad y la capacidad de control. También se aplica fácilmente al control con el fin de aumentar la producción, reducir el tiempo de trabajo y ahorrar energía. La incorporación de APC da como resultado menores desviaciones en los datos, lo que permite acercarse a los límites del rendimiento operativo (es decir, el estado en el que se puede obtener el rendimiento óptimo). Sin embargo, está limitado por el hecho de que no es apto para responder a la rápida vaporización de fluidos y otras reacciones químicas, cambios importantes en la composición del material y cambios en la maquinaria. |
|
*4 |
El volumen de la sustancia objetivo que se obtiene realmente de las materias primas a través del proceso de refinamiento. |
|
*5 |
El sistema de control integrado CENTUM VP permite que avance todo el proceso de producción mientras se monitorean y controlan las presiones, caudales, temperaturas y otros factores similares, además de integrar varias funciones de enclavamiento para una operación segura y estable y para la prevención de accidentes. Para prevenir accidentes en la planta, es posible operar en cooperación con sistemas instrumentados de seguridad (SIS), dispositivos de corte de emergencia (ESD), sistemas de protección contra incendios (F&G), etc. |
|
*6 |
Un mecanismo que evita el arranque a menos que se cumplan ciertas condiciones antes de la operación. Aumenta la seguridad al evitar operaciones incorrectas, errores de procedimiento y similares. |
|
*7 |
Programación de políticas dinámicas del núcleo factorial para el control del modelo de planta de monómero de acetato de vinilo, agosto de 2018. https://ieeexplore.ieee.org/document/8560593/ IEEE (Instituto de ingenieros eléctricos y electrónicos). El IEEE es una organización de estandarización técnica y de investigación académica con sede en los EE. UU. que se centra en los campos de la ingeniería eléctrica y de la información. Tiene más de 400 000 miembros en 160 países de todo el mundo. |
|
*8 |
Un sistema de control de nivel de tres tanques que se utiliza para realizar entrenamientos y experimentos que involucran la regulación del flujo de agua de un nivel al siguiente, con el objetivo general de controlar el nivel del agua en la etapa más baja. También incluye dispositivos para crear perturbaciones artificiales que cambian aleatoriamente el flujo de agua. Dada la naturaleza de los fluidos, el control de sus caudales es un desafío difícil en las industrias de procesamiento. Ser capaz de realizar adecuadamente este control conduce a una mayor productividad en los sitios de fabricación. |
|
*9 |
Aprendizaje de refuerzo escalable para el control de toda la planta del proceso de monómero de acetato de vinilo, Práctica de ingeniería de control, volumen 97, abril de 2020 https://www.sciencedirect.com/science/article/pii/S0967066120300186 |
|
*10 |
Yokogawa define la IA de control autónomo como IA que deduce el método óptimo para el control de forma independiente y tiene un alto nivel de robustez que le permite manejar de forma autónoma, hasta cierto punto, situaciones que no ha encontrado previamente. |
|
*11 |
Yokogawa define la autonomía industrial de la siguiente manera: “Los activos y las operaciones de la planta tienen capacidades de aprendizaje y adaptación que permiten respuestas con una interacción humana mínima, lo que permite a los operadores realizar tareas de optimización de alto nivel”. En las respuestas a la Encuesta global de usuarios finales sobre la implementación de la autonomía industrial realizada por Yokogawa en 2021 que abarcó a 534 tomadores de decisiones en 390 empresas manufactureras, el 42 % dijo que la aplicación de IA a la optimización de procesos de planta tendrá un impacto significativo en la autonomía industrial en los próximos tres años. |
|
|
(Referencia: https://web-material3.yokogawa.com/1/30261/tabs/The_Acceleration_of_Industrial_Autonomy_English.pdf) |
|
Los nombres de corporaciones, organizaciones, productos, servicios y logotipos en este documento son marcas comerciales registradas o marcas comerciales de Yokogawa Electric Corporation, JSR Corporation o de sus respectivos titulares. |
|
Acerca de Yokogawa
Yokogawa ofrece soluciones avanzadas en las áreas de medición, control e información a clientes en una amplia gama de industrias, que incluyen energía, productos químicos, materiales, productos farmacéuticos y alimentos. Yokogawa aborda los problemas de los clientes con respecto a la optimización de la producción, los activos y la cadena de suministro con la aplicación efectiva de tecnologías digitales, lo que permite la transición a operaciones autónomas.
Fundada en Tokio en 1915, Yokogawa continúa trabajando hacia una sociedad sostenible a través de sus 17 500 empleados en una red global de 119 empresas que cubre 61 países.
Para obtener más información, visite www.yokogawa.com
Acerca de JSR Corporation
JSR Corporation es una compañía multinacional que emplea a más de 9000 personas en todo el mundo y es un proveedor líder de materiales en una variedad de mercados impulsados por la tecnología, que impulsa la innovación de materiales y crea valor a través de los materiales para enriquecer a la sociedad, las personas y el medio ambiente. La red global de JSR tiene su sede en Tokio (Japón) y cuenta con fábricas y oficinas en Europa, EE. UU., China, Taiwán, Corea y Tailandia. JSR es una organización orientada a la investigación que busca colaboraciones cercanas con innovadores líderes en una variedad de industrias que son clave para el bienestar presente y futuro de la sociedad humana: ciencias de la vida, materiales electrónicos, pantallas, plásticos y cauchos sintéticos.
Para obtener más información sobre JSR Corporation, visite https://www.jsr.co.jp/jsr_e/
Descripción general de la prueba de campo
1. Propósito de la prueba de campo
(1) Demostrar que la IA de aprendizaje por refuerzo (FKDPP: Algoritmo de programación de políticas dinámicas del kernel factorial) se puede aplicar de forma segura en plantas donde la seguridad es una necesidad absoluta.
(2) Demostrar que la IA de aprendizaje por refuerzo se puede utilizar para controlar áreas en las que los métodos de control existentes (control PID/APC) no pueden automatizar.
2. Detalles
|
Dirección |
|
|
Áreas |
|
|
Controlar la IA |
|
|
Productos y tecnologías
|
Yokogawa:
|
|
Funcionamiento |
Permite que todo el proceso de producción avance mientras se monitorean y controlan las presiones, caudales, temperaturas y otros factores similares, además de integrar varias funciones de enclavamiento para una operación segura y estable y para la prevención de accidentes. Para prevenir accidentes en la planta, se opera en cooperación con dispositivos de corte de emergencia (emergency shutoff devices, ESD), sistemas de protección contra incendios (fire and gas, F&G), etcétera. |
|
Proceso para la implementación de IA |
Genera un modelo de control de IA con un simulador de planta
Evalúa exhaustivamente la validez y confiabilidad del modelo de control de IA
Garantice la seguridad y luego controle una planta real
|
|
Período del proyecto |
|
|
Período de operación continua |
|
3. Funciones de la empresa
|
JSR |
|
|
Yokogawa |
|
4. Resultados y comparación con el control convencional
|
Resumen
|
|
|
Intervención |
|
|
Calidad |
|
|
Rendimiento |
|
|
El ahorro de energía |
|
|
Costo |
|
|
Hora |
|
|
Seguridad |
|
5. [Referencia] Principales características de la IA utilizada en el control de plantas
|
Tipo |
Características |
Beneficios |
|
|
Control |
Para áreas que no se pueden automatizar con los métodos de control existentes (control PID/APC), la IA deduce por sí sola el método óptimo de control y tiene la robustez para controlar de forma autónoma, en cierta medida, situaciones que aún no se han encontrado. |
Según el modelo de control que aprende y deduce, la IA ingresa el nivel de control requerido para cada situación. |
Los beneficios de FKDPP son los siguientes:
(1) Se puede aplicar en situaciones en las que el control no se puede automatizar con las técnicas de control existentes (control PID y APC) y se pueden manejar objetivos en conflicto, como lograr alta calidad y ahorro de energía. |
|
Soporte para |
AI puede hacerse cargo de la tarea, actualmente realizada por los operadores, ingresando valores objetivo para áreas donde se ha implementado la automatización utilizando métodos de control existentes (control PID/APC). |
AI utiliza datos de control anteriores para realizar cálculos e ingresa valores objetivo. |
|
|
Apoyo operativo a las |
AI propone valores objetivos a los que los operadores se referirán cuando realicen operaciones. |
La IA utiliza datos de control anteriores para sugerir valores objetivos a los humanos. |
|
El texto original en el idioma fuente de este comunicado es la versión oficial autorizada. Las traducciones solo se suministran como adaptación y deben cotejarse con el texto en el idioma fuente, que es la única versión del texto que tendrá un efecto legal.
Vea la versión original en businesswire.com: https://www.businesswire.com/news/home/20220321005007/es/