El análisis de patrones avanzado puede parecer futurista, pero funciona hoy en día, ayudando a las industrias a identificar y corregir variaciones de procesos que interrumpen las operaciones y aumentan los costos. El objetivo: cero sorpresas y ningún tiempo de inactividad del proceso no planificado. La implementación de TrendMiner, un software de análisis de datos industriales de autoservicio, ha permitido a Sitech lograr esos objetivos para empresas como DSM, Borealis, Arlanxeo, Sabic, OCI Nitrogen y muchas otras con plantas en el campus de la industria química de Chemelot en el sur de los Países Bajos.
Como socio tecnológico de las empresas con sede en Chemelot, Sitech ofrece servicios como mantenimiento, mejoras tecnológicas y control avanzado de procesos (APC) para ayudar a los clientes a optimizar los procesos y el rendimiento de los activos. Utiliza las herramientas analíticas de TrendMiner para predecir el rendimiento y las condiciones de los activos en todo momento, de modo que las empresas puedan tomar medidas correctivas tempranas y modelar eventos históricos para replicar las mejores prácticas en sus procesos.
Si bien la industria manufacturera posee la mayor cantidad de puntos de datos en el mundo, superando incluso a Amazon y Google, también es la más rezagada en lo que respecta a traducir datos en información real, según Marc Pijpers, ingeniero principal de control de procesos en Sitech. La falta de herramientas adecuadas, el conocimiento analítico insuficiente, la integración mínima de la analítica en los procesos de trabajo, los beneficios económicos poco claros y el apoyo administrativo insuficiente, retrasan la adopción de la digitalización y un mejor control de los procesos son algunos de los desafíos que enfrenta la industria manufacturera cuando se trata de análisis de datos.
“Como resultado, los ingenieros dedican la mayor parte de su tiempo a extender los límites de las hojas de cálculo para adquirir y preparar datos y visualizar problemas, en lugar de analizar el problema y obtener información crucial a partir de él”, dice Pijpers. “También existe una barrera del idioma entre los expertos en la materia y los científicos de datos cuando se trata de la resolución de problemas. Formar ingenieros de procesos para que se conviertan en científicos de datos, o científicos de datos para que se conviertan en ingenieros de procesos, sería demasiado costoso y consumiría mucho tiempo ".
Fue entonces cuando Pijpers, que tiene más de 15 años de experiencia en el diseño e implementación de sistemas de control de procesos básicos y avanzados, hizo la pregunta: ¿cómo podemos superar estos desafíos aprovechando las posibilidades de la analítica de autoservicio? El objetivo era poner las habilidades y capacidades analíticas críticas en manos de los ingenieros de procesos y control, permitiéndoles resolver problemas por sí mismos y pasando los problemas más complicados a los científicos de datos.
Los ingenieros de Sitech utilizan el software de análisis de autoservicio de TrendMiner para rastrear patrones en los datos del proceso.
Las capacidades avanzadas de búsqueda de patrones de TrendMiner utilizan datos de historiadores, como OSisoft PI y Aspentech IP.21, para comparar situaciones similares, analizar causas raíz, limpiar datos para APC y Six Sigma para crear subconjuntos de datos relevantes y monitorear procesos importantes para proporcionar información temprana, alertas sobre variaciones no deseadas.
“El análisis de big data es un viaje”, dice Pijpers. “No se trataba solo de comprar software nuevo. Los ingenieros de procesos deben aprender y adaptarse a cómo usar el software y repensar cómo manejan los datos. Por eso decidimos lanzar un proyecto piloto hace unos años utilizando TrendMiner en el campus de Chemelot ".
El software TrendMiner ayudó a los ingenieros de procesos a resolver problemas previamente irresolubles, verificar hipótesis y demostrar que eran verdaderas o falsas para que pudieran abordarse o descartarse en el futuro, utilizar la información de datos para encontrar nuevas formas de mejorar el rendimiento y contextualizar el rendimiento de los activos para analítica predictiva.
Una empresa que fabricaba diferentes grados de polímeros pudo obtener más de un 1% de aumento en los ingresos en toda su línea de producción al contextualizar el rendimiento de los activos con los datos del proceso.
El ensuciamiento de los intercambiadores de calor también es un ejemplo de cómo el rendimiento de los activos está directamente relacionado con el comportamiento del proceso. En un reactor con fases repetidas de calentamiento y enfriamiento, la fase de enfriamiento controlado es el proceso que consume más tiempo. Es casi imposible monitorear el ensuciamiento cuando el reactor se usa para diferentes grados de producto y se requiere una receta diferente para cada grado.
Aunque los intercambiadores de calor sucios aumentan los tiempos de enfriamiento, programar el mantenimiento demasiado pronto conduce a un tiempo de inactividad injustificado y programar demasiado tarde conduce a un rendimiento degradado, un mayor consumo de energía y riesgos potenciales.
Sitech configuró un monitor para observar los tiempos de enfriamiento de los productos producidos en los volúmenes más altos. Al detectar patrones durante cada ciclo de producción, TrendMiner pudo enviar a los ingenieros una advertencia para programar el mantenimiento oportuno cuando aumenta la duración de la fase de enfriamiento. Como resultado, la empresa obtuvo una mayor disponibilidad de activos, pudo predecir mejor las necesidades de mantenimiento, reducir los costos y reducir los riesgos de seguridad.
En otro caso, los ingenieros de proceso de Sitech vieron que el reactor estaba experimentando estrés térmico debido al enfriamiento y calentamiento rápidos y repetitivos. Con TrendMiner, el equipo estableció una forma de monitorear la cantidad de veces que ocurrió el problema para identificar cuántos ciclos térmicos resultan en fallas. El software notificó al equipo cuando el reactor se había sometido a estrés térmico. En cuestión de minutos, pudieron mirar hacia atrás en cinco años de historial de procesos y exportar valiosos resultados de búsqueda para realizar un análisis de residuos de vida útil.
Sitech también pudo ayudar a OCI Nitrogen a lograr un aumento de más del 5% en los ingresos, lo que representa $ 2.4 millones anuales, utilizando los análisis de diagnóstico de TrendMiner. La reacción de fijación de nitrógeno de Haber-Bosch se ha utilizado durante más de 100 años para producir amoníaco y otros compuestos que contienen nitrógeno a partir de nitrógeno e hidrógeno. Aunque se consideró un proceso totalmente optimizado, se identificaron picos de dióxido de carbono en la columna de lavado.
Los proyectos de análisis de datos anteriores no habían logrado encontrar la causa raíz, pero el software de TrendMiner ayudó a Sitech a buscar y comparar los períodos pico con los períodos de funcionamiento normales. Se utilizaron comparaciones de capas para identificar qué procesos influyeron en las variables, lo que permitió a Sitech estabilizar la operación para aumentar la producción.
El análisis de diagnóstico también proporcionó información sobre el proceso que permitió al equipo de Sitech identificar ciertos picos en los flujos de productos, que estaban causando una saturación no deseada de los sensores de proceso y requerían una corrección manual para los informes de indicadores clave de rendimiento. Al realizar un análisis de factores de influencia en los picos, pudieron determinar la causa raíz y cuán altamente correlacionados estaban estos eventos, así como la importancia de cada evento. Esta información redujo los costos de mano de obra y mejoró la estabilidad del proceso.
“Adaptarse a un nuevo software como TrendMiner a menudo requiere un cambio organizacional: una nueva forma de ver la tecnología y los datos. Refuerza el pensamiento alternativo y una nueva forma de ver el rendimiento operativo utilizando datos”, explica Pijpers.
“Para evitar que los ingenieros de procesos recurran a las formas tradicionales de trabajo, la conocida curva de innovación Double S, TrendMiner pudo proporcionarnos ingenieros de procesos bajo demanda que son usuarios experimentados”, agrega. "Esto ayudó a nuestros ingenieros de procesos a analizar problemas que son demasiado complejos para las herramientas convencionales, por lo que pudieron resolver problemas más rápido con una curva de aprendizaje más corta".
