IA en la Industria Química: caso de uso del sensor virtual

En la industria química, el mantenimiento de los activos de planta es sumamente importante. El constante mantenimiento, configuración y calibración de sensores es un caso especialmente común en entornos altamente corrosivos si se quieren obtener lecturas de proceso fidedignas.

Estas actividades conllevan un consumo de tiempo y pérdida de eficiencia de la planta (debido a paradas), además de resultar en un producto final fuera de especificaciones. ¿Cómo podemos usar la IA para evitar esos costes en la industria química?

La lectura equivocada de un sensor puede conllevar una pérdida de calidad del producto final. Es por ello, que los sensores en entornos altamente corrosivos necesitan un mantenimiento recurrente. Además, en muchos casos, con tal de asegurar la calidad del producto no sólo se requiere un mantenimiento exhaustivo, sino que también se requiere una toma de muestras constantes para asegurar la calidad del producto. De nuevo, se trata de un proceso manual de control que es costoso y que no tiene valor añadido para los clientes.

El destino de los sensores de PH en la industria química no es distinto. El PH determina la concentración de iones de hidrógeno en una solución, y en muchos casos se utiliza para medir la acidez de la reacción química en cuestión. Por lo tanto, ¿cómo poder reducir estos costes de mantenimiento pero sin poner en peligro la calidad del producto? La respuesta se haya en el Machine Learning, un campo de la AI que incluye el desarrollo de algoritmos y modelos mediante grandes cantidades de datos.

Mediante valores de proceso y conocimientos de modelado en Machine Learning, podemos crear un sensor virtual. Este sensor virtual, entrenado con cientos de miles de datos, puede modelar el valor del Ph sin necesidad del propio sensor, tan solo habiendo estudiado miles de casos con anterioridad. De este modo, la IA puede predecir en tiempo real los valores de PH. Los beneficios que esto puede conllevar son los siguientes:

• Una producción más estable. Gracias al sensor virtual, el proceso puede ser adaptado de forma proactiva para no causar defectos ni reprocesados del producto final. En lugar de esperar para ver el cambio en el ph, éste se predice mucho antes, previendo una posible desviación en las especificaciones del producto.
• Reducir sensiblemente los costes y tiempos de mantenimiento. Las predicciones permiten aprovechar paradas y organizar mejor el mantenimiento de los sensores.

Como se comentaba anteriormente, los modelados en Machine Learning necesitan muchos datos. Estos datos provienen del sistema de control o la capa 2, siguiendo los estándares de la ISA S95. Por lo tanto, un sistema SCADA, DCS o un Historian con grandes cantidades de datos validados es necesario.

La integración entre sistemas es también importante. En el caso descrito, para poder realizar mejor control de la producción, el valor predicho debe regresar al sistema de supervisión y control del operario (SCADA). Por lo tanto, es necesaria una integración entre los sistemas de control y la estación de tratamientos de datos.

Por lo tanto, para asegurar el correcto funcionamiento de este tipo de aplicativos, la receta, en la cual no puede saltarse ningún paso, es la siguiente:

• Tener suficientes datos multivariables para poder entrenar el sistema mediante aprendizaje supervisado y no supervisado.
• Modelar de forma correcta, eliminando valores atípicos y utilizando los algoritmos adecuados.
• Una integración entre sistemas. Ya sea desde Python u otra herramienta de software ML, se necesita una integración robusta entre éstos y los sistemas de control.
• Un conocimiento del proceso. Sin conocimiento profundo del proceso, no se logran beneficios tangibles. La combinación entre los expertos de proceso de la propia industria química y profesionales de datos industriales es obligatorio para el éxito.

El impacto de la Inteligencia artificial en la industria química por los entornos corrosivos es evidente. es evidente. Este artículo del grupo de Industria Conectada de la ISA se centra en un caso de un sensor phmetro, y los beneficios de su virtualización mediante IA. Sin embargo, la Inteligencia Artificial tiene múltiples aplicaciones en mantenimiento para cualquier tipo de equipamiento de planta. Mantenimiento predictivo en bombas centrifugas o motores son ejemplos igualmente válidos.

Sergio Hernández Braña 

Miembro del Grupo Industria Conectada de ISA España

Director Execution Systems en AG Solution Group

----

Este artículo aparece publicado en el nº 549 de Automática e Instrumentación págs. 18 y 19.