Por Stephen Reynolds* 

É seguro dizer que administrar uma fábrica de produtos químicos nunca foi tão cheio de nuances e desafiador. Essas empresas enfrentam inúmeras pressões de todas as direções, incluindo aumento da concorrência e de demanda, preocupações de segurança e iniciativas de sustentabilidade.

Superar tais desafios exige que as fábricas otimizem ativos e processos, maximizem a produção, reduzam o tempo de inatividade não planejado e garantam operações confiáveis e seguras que atendam às metas de negócio mais amplas.

É claro que a tecnologia é a chave para melhorar o desempenho. Mas embora muitas empresas já tenham adotado infraestruturas de dados e sistemas de análise, a crescente complexidade das fábricas atuais exige capacidades tecnológicas ainda maiores, sob a forma de inteligência artificial (IA).

Com o objetivo de extrair valor e obter insights melhores e mais rápidos sobre processos e ativos, as empresas químicas voltadas para o futuro estão optando por adicionar modelos rigorosos e análises avançadas baseadas em IA aos seus dados históricos.

A simulação avançada de processos
A simulação de processos de próxima geração agora pode calcular indicadores-chave de desempenho (KPIs) além daqueles que são medidos diretamente na planta, enquanto a análise preditiva é capaz de detectar anomalias de desempenho e prever falhas de ativos. Juntos, esses insights de alto nível ajudam as equipes operacionais na análise dos riscos e na elaboração de planos que maximizem a eficiência e a lucratividade.

Como tal, a implementação de soluções de IA permite às empresas gerir proativamente o desempenho dos ativos, minimizar o tempo de inatividade não planejado e reduzir os custos de manutenção.

Cada fábrica de produtos químicos está em sua própria jornada baseada em dados. Embora algumas operações utilizem a coleta e a análise de dados como historiador, outras avançaram na curva de utilização e utilizam cálculos de streaming ou análises avançadas.

Independentemente de qual momento dessa jornada a planta se encontre, os usuários ainda podem encontrar novas maneiras de otimizar suas operações para aumentar a lucratividade, ao mesmo tempo que atendem aos requisitos de segurança e aos objetivos de sustentabilidade.

Rumo à manutenção preditiva
Globalmente, as empresas químicas estão optando por aproveitar os modelos de IA e de Aprendizagem de Máquina (Machine Learning – ML) como ferramentas de deep learning para prever a vida útil restante de um ativo, fornecendo às equipes informações críticas e insights  para analisar custo versus risco e elaborar planos que maximizem a eficiência e lucratividade.

Os usuários podem definir indicadores com base em dados de sensores e outras informações operacionais, e usar essas informações para detectar até mesmo mudanças sutis no desempenho dos ativos.

Uma vez identificada uma anomalia, ferramentas avançadas de IA podem ser utilizadas para prever a degradação do desempenho e falhas em componentes. Assim, podem trabalhar para priorizar as necessidades de manutenção com base na urgência, nos cronogramas, nas equipes disponíveis, nos recursos e na disponibilidade de peças de reposição.

Além de prevenir falhas de ativos, a abordagem baseada em IA permite que as empresas minimizem o uso de energia e comparem o desempenho dos ativos, contribuindo para que as fábricas de produtos químicos cumpram com as obrigações regulatórias e contratuais.

Com insights futuros sobre o desempenho dos ativos em mãos, as empresas podem tomar medidas para minimizar ineficiências que afetam as finanças, avaliar consequências futuras e riscos a fim de evitar interrupções e aumentar a satisfação do cliente.

Usando a simulação de processos para aprimorar o gêmeo digital
Embora a simulação de processos e a análise preditiva sejam abordagens bem estabelecidas, elas têm melhorado ao longo dos anos. Agora, dados em tempo real combinados a modelos de processos podem ser usados para criar gêmeos digitais (Digital Twins) de operações. Este gêmeo digital operacional, aprimorado com recursos de IA, pode ser usado para identificar as condições ideais e atuar como consultores para que os operadores obtenham o melhor dos ativos.

Os gêmeos digitais fornecem aos engenheiros e técnicos informações sobre variáveis de processo não mensuráveis, permitindo que as ferramentas prevejam proativamente as melhores condições operacionais, aumentem o rendimento, reduzam a energia e também problemas de confiabilidade para ativos rotativos e estacionários em toda a empresa.

Programas de monitoramento e manutenção de equipamentos
Os programas tradicionais de monitoramento de equipamentos dependem de dados medidos durante todo o processo para informar as decisões de manutenção. Por exemplo, dados de temperatura e vibração podem ser usados para prever uma variedade de modos de falha para uma bomba centrífuga.

Ao usar dados históricos, os engenheiros de confiabilidade podem determinar um valor de referência para cada medição, e configurar alertas quando os valores estiverem fora dessa faixa. Isso é conhecido como monitoramento baseado em condições e é uma maneira simples de começar a usar dados para melhorar a confiabilidade do processo.

Embora o monitoramento baseado em condições seja útil para ativos com operação relativamente estável, a contabilização de diferentes janelas operacionais ou modos de processo pode rapidamente se tornar um desafio.

Os engenheiros podem precisar ajustar frequentemente as janelas operacionais ou lidar com alarmes incômodos que podem prejudicar a eficiência e a eficácia de um programa de manutenção preditiva. Em vez do monitoramento baseado em condições, muitas empresas químicas agora contam com análises preditivas como parte de um programa robusto de gestão de desempenho de ativos.

A análise preditiva combina dados de processo em tempo real e IA para uma melhor previsão de falhas de equipamentos e fornecer estimativas de vida útil restante (RUL). Essas informações podem ajudar os engenheiros de confiabilidade a planejarem quais equipamentos requerem manutenção e quando ela deve ser realizada. Assim como o monitoramento baseado em condições, ele depende de medições de processo para estabelecer linhas de base operacionais.

No entanto, como as soluções de análise preditiva podem aproveitar o aprendizado de máquina para análise multivariada em vez de simples alertas baseados em condições, ele fornece uma gama maior de detecção em muitos modos operacionais em comparação ao monitoramento baseado apenas em condições.

Os modelos de Machine Learning usados em uma solução típica de análise preditiva também podem ajudar a identificar modos de falha específicos com base em assinaturas de falhas anteriores para cada equipamento.

Ao usar uma poderosa combinação de dados em tempo real, análise preditiva e simulação de primeiros princípios (first-principle simulation), as empresas podem melhorar a confiabilidade dos ativos e reduzir o tempo de inatividade, prevendo proativamente falhas de confiabilidade e integridade para ativos críticos rotativos e estacionários.

No meio de uma indústria química global cada vez mais acirrada, na qual as pressões são crescentes e o equilíbrio entre o crescimento dos negócios e o cumprimento do objetivo de descarbonização é fundamental, a IA será a chave para otimizar as empresas que estão focadas para o futuro por meio da racionalização inteligente das suas operações.

Ao sobrepor a IA avançada à infraestrutura de dados existente, as empresas químicas podem aproveitar os dados históricos operacionais e em tempo real para obter acesso a insights mais profundos, rápidos e valiosos para apoiar os objetivos e estratégia geral de negócios. Isto permite que  encontrem o equilíbrio entre a manutenção baseada no risco e a manutenção centrada na confiabilidade, melhorem o desempenho geral e evitem possíveis falhas no equipamento.

Com insights avançados ao seu alcance, as equipes das fábricas podem tomar decisões mais precisas e rápidas que melhoram continuamente o desempenho, a segurança e a sustentabilidade da fábrica, ao mesmo tempo que aumentam a lucratividade.

Stephen Reynolds é o executivo-chefe para Químicos da Aveva