En primicia mundial, Yokogawa y JSR utilizan la IA para controlar de forma autónoma una planta química durante 35 días consecutivos.

Tokio, Japón - 22 de marzo de 2022

Yokogawa Electric Corporation / Corporación Eléctrica Yokogawa
Corporación JSR

Yokogawa Electric Corporation / Corporación Eléctrica Yokogawa (TOKYO: 6841) y JSR Corporation (JSR, TOKYO: 4185) anuncian la conclusión con éxito de una prueba de campo en la que se utilizó IA para gestionar de forma autónoma una planta química durante 35 días, una primicia mundial. ^*1. Esta prueba confirmó que la IA de aprendizaje por refuerzo puede aplicarse con seguridad 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 ^*2 /APC ^*3) y hasta ahora han necesitado el accionamiento manual de las válvulas de control basado en los juicios del personal de la planta. La iniciativa aquí descrita fue seleccionada para el programa de subvenciones Proyectos 2020 para la Promoción de la Seguridad Industrial Avanzada del Ministerio japonés de Economía, Comercio y Industria.

Columnas de destilación en la planta química JSR

El control en las industrias de procesos abarca una amplia gama de campos, desde el refinado de petróleo y la petroquímica hasta los productos químicos de alto rendimiento, pasando por la fibra, el acero, los productos farmacéuticos, los alimentos y el agua. Todos ellos implican reacciones químicas y otros elementos que exigen un altísimo nivel de fiabilidad.

En esta prueba de campo, la solución de IA se enfrentó con éxito a las complejas condiciones necesarias para garantizar la calidad del producto y mantener los líquidos de la columna de destilación a un nivel adecuado, aprovechando al máximo el calor residual como fuente de calor. De este modo, se estabilizó la calidad, se consiguió un alto rendimiento*4 y se ahorró energía. Aunque la lluvia, la nieve y otras condiciones meteorológicas eran factores importantes que podían alterar el estado de control al provocar cambios bruscos en la temperatura atmosférica, los productos que se elaboraron cumplieron rigurosas normas y ya se han enviado. Además, como sólo se crearon productos de buena calidad, se eliminaron el combustible, la mano de obra, el tiempo y otras pérdidas que se producen cuando se fabrican productos fuera de especificación.

Areas controlled and results
Zoom

Se garantizó la seguridad de las operaciones mediante el siguiente proceso:

Ensuring safety in the plant operations
Zoom

La IA utilizada en este experimento de control, el protocolo Factorial Kernel Dynamic Policy Programming (FKDPP), fue desarrollada conjuntamente por Yokogawa y el Instituto de Ciencia y Tecnología de Nara (NAIST) en 2018, y fue reconocida en una Conferencia Internacional del IEEE sobre Ciencia e Ingeniería de la Automatización por ser la primera IA del mundo basada en el aprendizaje por refuerzo que puede utilizarse en la gestión de plantas*7^. A través de iniciativas que incluyen la realización con éxito de un experimento de ^sistema de entrenamiento de control*8 en 2019, y un experimento en abril de 2020 que utilizó un simulador para recrear una planta ^entera*9, Yokogawa ha confirmado el potencial de esta IA de control ^autónomo*10 y la ha hecho avanzar desde una teoría hasta una tecnología adecuada para su uso práctico. Puede utilizarse en ámbitos en los que antes no era posible la automatización con los métodos de control convencionales (control PID y APC), y entre sus puntos fuertes se incluye la capacidad de tratar objetivos contradictorios, como la necesidad de alta calidad y ahorro energético.

Dados los numerosos y complejos fenómenos físicos y químicos que afectan a las operaciones en las plantas reales, sigue habiendo muchas situaciones en las que los operadores veteranos deben intervenir y ejercer el control. Incluso cuando las operaciones están automatizadas mediante control PID y APC, los operarios más experimentados 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 a algún otro fenómeno meteorológico. Se trata de un problema habitual en las plantas de muchas empresas. En cuanto a la transición a la autonomía ^{industrial*11}, un reto muy importante ha sido instaurar el control autónomo en situaciones en las que hasta ahora era imprescindible la intervención manual, y hacerlo con el menor esfuerzo posible garantizando al mismo tiempo un alto nivel de seguridad. Los resultados de esta prueba sugieren que esta colaboración entre Yokogawa y JSR ha abierto una vía para resolver este viejo problema.

Yokogawa da la bienvenida a los clientes interesados en estas iniciativas a escala mundial. La empresa aspira a 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 retos que antes no podían resolverse en las plantas químicas, e investigará su aplicación a otros procesos y plantas con el objetivo de lograr nuevas mejoras de la productividad.

En el futuro, las dos empresas seguirán colaborando e investigando formas de utilizar la IA en las plantas.

Masataka Masutani, director general de tecnología de producción de JSR, comentó: "En un entorno que está cambiando debido a factores como la plena introducción de la 5G y otros avances hacia una sociedad digital, así como el envejecimiento de los recursos humanos que garantizan la seguridad de las plantas y la falta de recursos humanos para sustituirlos, la industria petroquímica se encuentra bajo una fuerte presión para mejorar la seguridad y la eficiencia en sus actividades de producción mediante la utilización de nuevas tecnologías como IoT e IA. La orientación de JSR es hacer que la producción sea inteligente a través de una incorporación proactiva de drones, sensores IoT, cámaras y otras nuevas tecnologías, y en este experimento, asumimos el reto de la automatización del control de procesos de la planta utilizando tecnología de control de IA. Comprobamos que la IA es capaz de controlar de forma autónoma los procesos que antes se realizaban manualmente en base a la experiencia de los operarios, y estamos firmemente convencidos de la utilidad y el potencial futuro del control por IA. Hemos recibido comentarios de personas que trabajan sobre el terreno que afirman que no sólo se ha reducido la carga de trabajo de los operarios, sino que el mero hecho de que hayamos asumido el reto de esta nueva tecnología y hayamos tenido éxito es una motivación para seguir adelante con DX en el futuro. 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 del NAIST, comentó: "Me alegra mucho saber que esta prueba de campo ha sido un éxito. El análisis de datos y el aprendizaje automático se están aplicando ya a las operaciones de las plantas químicas, pero la tecnología que puede utilizarse en el control autónomo y la optimización de las operaciones no ha estado totalmente lista hasta ahora". El algoritmo FKDPP de IA de aprendizaje por refuerzo fue desarrollado conjuntamente por Yokogawa y NAIST en 2018 para realizar el control autónomo en plantas químicas. A pesar de tener que referirse a un gran número de sensores y válvulas de control, la IA puede generar una política de control robusta en un número limitado de ensayos de aprendizaje. Estas características ayudaron a mejorar la eficiencia del proceso de desarrollo, y condujeron al logro del control autónomo durante un largo período de 840 horas durante la prueba de campo. Creo que este logro tan difícil 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 de que todo el Proceso de producción y la seguridad estén integrados en un solo sistema tienen una gran importancia para toda la industria. Estoy deseando ver qué pasa después con esta tecnología".

Yokogawa Kenji Hasegawa, vicepresidente de Electric y responsable de la sede central de Yokogawa Products, añadió: "El éxito de esta prueba de campo ha sido el resultado de aunar el profundo conocimiento de Proceso de producción y los aspectos operativos que sólo el cliente puede aportar, y la fortaleza de Yokogawa de aprovechar la medición, el control y la 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 y la sostenibilidad medioambiental en todo el mundo. Yokogawa lideró el mundo en el desarrollo de sistemas de control distribuido que controlan y supervisan el funcionamiento de las instalaciones de producción de plantas, y ha apoyado el crecimiento de toda una serie de industrias. Con la mirada puesta firmemente en un mundo de funcionamiento autónomo que constituye el modelo para el futuro de las industrias, promovemos ahora el concepto de IA2IA - Industrial Automation to Industrial Autonomy (de la automatización industrial a la autonomía industrial). Para lograr una producción fuerte y flexible que tenga en cuenta el impacto de las diferencias entre humanos, máquinas, materiales y métodos, las 4M, en las industrias de la energía, los materiales, los productos farmacéuticos y muchas otras, aceleraremos el desarrollo conjunto de la IA de control autónomo con nuestros clientes de todo el mundo."

*1 Based on Yokogawa Electric survey conducted in February 2022 regarding AI that directly changes the manipulative variable in the chemical plant.
*2 Proportional-Integral-Derivative control. First proposed by Nicolas Minorsky in 1922, this is an infrastructure control technology for processing industries that is used to control items such as quantity, temperature, level, pressure, and ingredients. It implements control toward a target value while using the results of each of the P, I, and D calculations according to the deviation between the current value and the set value. There are issues with this mode of control such as an inability to deal with multiple external disturbances (weather, climate, material composition changes) and frequent changes to target values, thereby necessitating manual control.
*3 Advanced Process Control. This uses a mathematical model that can predict process responses and gives set values to the PID control loop in real time in order to improve productivity, quality, and controllability. It is also easily applied to control for the purpose of increasing production, reducing labor time, and saving energy. Incorporating APC results in smaller deviations in data, making it possible to get closer to the limits of operating performance (i.e., the state in which the optimum performance can be obtained). However, it is limited by the fact that it is not adept at responding to the rapid vaporization of fluids and other such chemical reactions, major changes in material composition, and changes in machinery.
*4 The volume of the target substance that is actually obtained from raw materials through the refinement process
*5 The CENTUM VP integrated control system allows the entire production process to proceed while monitoring and controlling pressures, flow rates, temperatures, and other such factors, as well as integrating various interlocking functions for safe and stable operation and accident prevention. To prevent plant accidents, it is possible to operate in cooperation with safety instrumented systems (SIS), emergency shutoff devices (ESD), fire protection systems (F&G), etc.
*6 A mechanism that prevents startup unless certain conditions are fulfilled prior to operation. It increases safety by preventing incorrect operations, procedural mistakes, and the like.
*7 Factorial Kernel Dynamic Policy Programming for Vinyl Acetate Monomer Plant Model Control, August 2018. https://ieeexplore.ieee.org/document/8560593/. The IEEE (Institute of Electrical and Electronics Engineers) is a US-based academic research and technical standardization organization that focuses on the fields of electrical and information engineering. It has more than 400,000 members in 160 countries around the world.
*8 A three tank level control system that is used to perform training and experiments involving the regulation of the flow of water from one level to the next, with the overall aim of controlling the water level at the lowest stage. It also includes devices to artificially create disturbances that randomly change the flow of water. Given the nature of fluids, the control of their flow rates is a difficult challenge in the processing industries. Being able to adequately perform this control leads to increased productivity at manufacturing sites.
*9 Scalable Reinforcement Learning for Plant-wide Control of Vinyl Acetate Monomer Process, Control Engineering Practice, Volume 97, April 2020 https://www.sciencedirect.com/science/article/pii/S0967066120300186
*10 Yokogawa defines autonomous control AI as AI that deduces the optimum method for control independently and has a high level of robustness enabling it to autonomously handle, to a certain extent, situations that it has not previously encountered.
*11 Industrial autonomy is defined by Yokogawa as follows: “Plant assets and operations have learning and adaptive capabilities that allow responses with minimal human interaction, empowering operators to perform higher-level optimization tasks.” In the responses to the Global End-User Survey on the Implementation of Industrial Autonomy carried out by Yokogawa in 2021 covering 534 decision makers at 390 manufacturing companies, 42% said that the application of AI to plant process optimization will have a significant impact on industrial autonomy in the next three years.
(Reference: https://web-material3.yokogawa.com/1/30261/tabs/The_Acceleration_of_Industrial_Autonomy_English.pdf)

Póngase en contacto con

• Contact Us about AI Solutions

 

Sobre Yokogawa

Yokogawa provides advanced solutions in the areas of measurement, control, and information to customers across a broad range of industries, including energy, chemicals, materials, pharmaceuticals, and food. Yokogawa addresses customer issues regarding the optimization of production, assets, and the supply chain with the effective application of digital technologies, enabling the transition to autonomous operations.
Founded in Tokyo in 1915, Yokogawa continues to work toward a sustainable society through its 17,500 employees in a global network of 119 companies spanning 61 countries.
For more information, visit www.yokogawa.com

Acerca de JSR Corporation

JSR Corporation is a multinational company employing more than 9,000 people worldwide and a leading materials supplier in a variety of technology driven markets, driving materials innovation and creating value through materials to enrich society, people and the environment. JSR's global network is headquartered in Tokyo (Japan) and has factories and offices in Europe, USA, China, Taiwan, Korea, and Thailand. JSR is a research-oriented organization that pursues close collaborations with leading innovators in a number of industries that are a key to the present and future welfare of human society: life-sciences, electronic materials, display, plastics and synthetic rubbers.
For more information about JSR Corporation, please visit https://www.jsr.co.jp/jsr_e/

Los nombres de empresas, organizaciones, productos, servicios y logotipos aquí mencionados son marcas registradas o marcas comerciales de Yokogawa Electric Corporation / Corporación Eléctrica Yokogawa, JSR Corporation o sus respectivos propietarios.

---

Visión general de la prueba de campo

1. Objetivo de la prueba de campo

1. Demostrar que la IA de aprendizaje por refuerzo (algoritmo FKDPP: Factorial Kernel Dynamic Policy Programming) puede aplicarse con seguridad en plantas en las que la seguridad es una necesidad absoluta.
2. Demostrar que la IA de aprendizaje por refuerzo puede utilizarse para controlar áreas que los métodos de control existentes (control PID/APC) no pueden automatizar.

2. Detalles

Ubicación	Una planta química de JSR en Japón
Zonas controladas	Columna de destilación Áreas en las que los métodos de control existentes (control PID/APC) no podían aplicarse y el control sólo podía realizarse manualmente (los operarios consideraban el nivel de funcionamiento de las válvulas y lo introducían ellos mismos). Zonas en las que la lluvia, la nieve y otras condiciones meteorológicas eran factores significativos que podían alterar el estado de control provocando cambios bruscos en la temperatura atmosférica. Cuando las sustancias A y B, que tenían puntos de ebullición similares, se calentaban y separaban, se realizaba un control óptimo para mantener los líquidos de la columna de destilación a un nivel adecuado para que todos los productos cumplieran las normas, mientras que, para ahorrar energía, se accionaban válvulas para maximizar el uso del calor residual como fuente de calor para la columna de destilación y extraer la sustancia A deseada en un estado ideal.
Control AI	IA de aprendizaje por refuerzo (algoritmo FKDPP: Factorial Kernel Dynamic Policy Programming)
Productos y tecnologías utilizados	Yokogawa: OmegaLand simulador de planta (proporcionado por Yokogawa Electric Corporation / Corporación Eléctrica Yokogawa, filial de Omega Simulation Co., Ltd.) CENTUM Sistema integrado de control de la producción VP Exaopc Paquete de interfaz OPC (software que permite gestionar diversas bases de datos utilizadas en las industrias de transformación. Utiliza una interfaz conforme a la norma de interfaz OPC definida por la fundación OPC. Entre sus funciones se incluye el almacenamiento automático de Datos de proceso.) Software de registro de datos GA10 (para pantalla de operación y dispositivo de entrada (HMI) y registro de datos), etc.
Operación	Gestionado por el sistema integrado de control de la producción CENTUM VP Permite que todo el sistema Proceso de producción funcione al tiempo que supervisa y controla las presiones, caudales, temperaturas y otros factores similares, además de integrar diversas funciones de enclavamiento para un funcionamiento seguro y estable y la prevención de accidentes. Para evitar accidentes en la planta, funciona en cooperación con dispositivos de cierre de emergencia (ESD), sistemas de protección contra incendios (F&G), etc.
Proceso de implantación de la IA	Generar un modelo de control AI con un simulador de planta Modelo de planta generado a partir de la información de diseño de la planta correspondiente La IA basada en el aprendizaje por refuerzo (algoritmo FKDPP) aprendió y generó un modelo de control Evaluar exhaustivamente la validez y fiabilidad del modelo de control de la IA Comprobado con datos de funcionamiento anteriores - ¿Era estable? - ¿Qué tipo de control se realizaba cuando surgían problemas? Comprobado con datos en tiempo real - ¿Era estable? - ¿La calidad del producto se ajustaba a las especificaciones? - ¿Los operarios veteranos estaban satisfechos con las instrucciones de control del FKDPP? Garantice la seguridad y controle una planta real Seguridad garantizada con los enclavamientos existentes y otras funciones de seguridad Integrado con el sistema de control integrado de la producción CENTUM VP, e incorporado a las operaciones de la planta. Garantizar la seguridad en las operaciones (respuestas planificadas y sistema establecido para hacer frente a los fallos del sistema de IA).
Período del proyecto	Agosto 2020 - Febrero 2022 (1 año 6 meses)
Periodo de funcionamiento continuo	35 días, del 17 de enero al 21 de febrero de 2022 (840 horas)

3. Empresa roles

JSR

Facilitación de un lugar para el experimento, información detallada sobre la planta, estado de funcionamiento Planteamiento de retos que debe resolver el sistema de control de IA Ingeniería (conexión con el sistema de control de producción integrado CENTUM VP existente) Evaluación de la seguridad y la validez desde la perspectiva del sistema de control de IA Consideración de los sistemas de seguridad para la introducción de sistemas de control de IA en plantas reales

Yokogawa

Planificación de propuestas (especificaciones del sistema de IA, calendario, etc.) Construcción de sistemas de IA Ingeniería (ajuste de la conexión con el sistema de control de producción integrado CENTUM VP existente, etc.) Mantenimiento

4. Resultados y comparación con el control convencional

Resumen	Combinando los conocimientos de ambas empresas y centrándose en aquellas áreas de una planta real que no podían automatizarse con los métodos de control existentes, fue posible encontrar un método para la aplicación segura de la IA de aprendizaje por refuerzo en sistemas y operaciones. Se logró un control continuo durante un periodo de 35 días utilizando un sistema integrado de control de la producción, y se fabricaron con éxito productos aptos para su envío. Esto sugiere que, como tecnología de control de próxima generación, la IA de aprendizaje por refuerzo (FKDPP) puede contribuir significativamente a la autonomización, la maximización del retorno de la inversión y la sostenibilidad medioambiental en plantas de todo el mundo.
Intervención humana	Control autónomo AI integrado con CENTUM Sistema de control de producción integrado VP Sólo era necesaria la supervisión; básicamente, no se requería intervención humana.
Calidad	Producción estable de productos de buena calidad que cumplían normas rigurosas y podían enviarse
Rendimiento	Las materias primas podían transformarse eficazmente en productos.
Ahorro de energía	El ahorro energético se consiguió maximizando el uso del calor residual como fuente de calor, lo que permitió reducir las emisiones de CO2.
Coste	Sólo se fabricaban productos de buena calidad, por lo que se eliminaban los costes de combustible y mano de obra derivados de la producción de productos fuera de especificación.
Tiempo	Sólo se fabricaban productos de buena calidad, por lo que se eliminaban las pérdidas de tiempo que se producen por la fabricación de productos fuera de especificación.
Seguridad	Ya no es necesario que operarios altamente experimentados realicen el control manual 24 horas al día 365 días al año, lo que significa que disminuye la carga sobre los humanos y se evitan errores, lo que se traduce en mayores niveles de seguridad.

5. [Referencia] Principales características de la IA utilizada en el control de las plantas

Tipo		Características	Beneficios
Control autónomo	En los ámbitos que no pueden automatizarse con los métodos de control existentes (control PID/APC), la IA deduce por sí sola el método óptimo de control y tiene la robustez necesaria para controlar de forma autónoma, hasta cierto punto, situaciones que aún no se han dado.	Basándose en el modelo de control que aprende y deduce, la IA introduce el nivel de control (variable manipulable) necesario para cada situación.	Los beneficios de la FKDPP son los siguientes: Puede aplicarse en situaciones en las que el control no puede automatizarse con las técnicas de control existentes (control PID y APC), y puede gestionar objetivos contradictorios, como lograr tanto una alta calidad como el ahorro de energía. Aumenta la productividad (calidad, ahorro de energía, rendimiento, menor tiempo de asentamiento) Sencillo (número reducido de ensayos de aprendizaje, sin necesidad de importar datos etiquetados) Operación explicable Misma seguridad que los sistemas convencionales (muy robustos, pueden conectarse directamente a los sistemas integrados de control de producción existentes)
Soporte para áreas con automatización incorporada	La IA puede asumir la tarea, actualmente realizada por los operarios, de introducir valores objetivo (valor de consigna) para áreas en las que la automatización se ha implantado utilizando los métodos de control existentes (control PID/APC).	La IA utiliza datos de control anteriores para realizar cálculos e introduce valores objetivo (valor de consigna).	Es posible automatizar las tareas manuales y conseguir operaciones estables.
Apoyo operativo a las personas	La IA propone valores objetivo (valor de consigna) a los que se referirán los operadores al realizar las operaciones.	La IA utiliza datos de control anteriores para sugerir valores objetivo (valor establecido) a los humanos.	Las diferencias debidas al nivel de competencia del operador desaparecerán.