Pela primeira vez no mundo, Yokogawa e JSR utilizam IA para controlar de forma autônoma uma plantade produtos químicos por 35 dias consecutivos

By On 22 mar, 2022

TÓQUIO 22/3/2022 –

– Colocando em prática uma tecnologia de controle de última geração, que leva em consideração qualidade, produtividade, economia de energia e interrupções repentinas –

A Yokogawa Electric Corporation (TOKYO: 6841) e a JSR Corporation (JSR, TOKYO: 4185) anunciam a conclusão bem-sucedida de um teste de campo no qual foi usada inteligência artificial (IA) para operar autonomamente uma planta de produtos químicos por 35 dias, um fato inédito no mundo^*1. O teste confirmou que a IA de aprendizagem por reforço pode ser aplicada com segurança em uma fábrica real e demonstrou que essa tecnologia pode controlar operações que estão além da capacidade dos métodos de controle existentes (Controle PID^*2/APC^*3) e que até agora exigiam a operação manual de válvulas de controle com base nos julgamentos dos operadores da planta. A iniciativa aqui descrita foi selecionada para o programa de subsídios Projetos para a Promoção da Segurança Industrial Avançada de 2020 do Ministério da Economia, Comércio e Indústria do Japão.

Este comunicado de imprensa inclui multimédia. Veja o comunicado completo aqui: https://www.businesswire.com/news/home/20220321005009/pt/

Colunas de destilação na planta química da JSR (Foto: JSR Corporation)

O controle nas indústrias de processo abrange uma ampla gama de campos, desde refino de petróleo e petroquímica até produtos químicos de alto desempenho, fibras, aço, produtos farmacêuticos, alimentos e água. Tudo isso envolve reações químicas e outros elementos que exigem um nível extremamente alto de confiabilidade.

Neste teste de campo, a solução de IA lidou com sucesso com as condições complexas necessárias para garantir a qualidade do produto e manter os líquidos na coluna de destilação em um nível apropriado, aproveitando ao máximo o calor residual como fonte de calor. Com isso, a qualidade foi estabilizada, um alto rendimento foi alcançado^*4 e energia foi economizada. Embora chuva, neve e outras condições climáticas fossem fatores significativos que pudessem interromper o estado de controle, causando mudanças repentinas na temperatura atmosférica, os produtos produzidos atenderam a padrões rigorosos e foram entregues desde então. Além disso, como apenas produtos de boa qualidade foram criados, foram eliminados combustível, mão de obra, tempo e outras perdas que ocorrem quando produtos fora da especificação são produzidos. Operações seguras foram garantidas por meio de um processo de três etapas.

A IA usada neste experimento de controle, o protocolo Factorial Kernel Dynamic Policy Programming (FKDPP), foi desenvolvido em conjunto pela Yokogawa e o Nara Institute of Science and Technology (NAIST) em 2018 e foi reconhecido em uma Conferência Internacional do IEEE sobre Ciência e Engenharia de Automação, como sendo a primeira IA baseada em aprendizagem por reforço no mundo que pode ser utilizada no gerenciamento de plantas^*7. Por meio de iniciativas que incluem a condução bem-sucedida de um experimento com sistema de treinamento de controle^*8 em 2019, e um experimento em abril de 2020 que usou um simulador para recriar uma usina inteira^*9, a Yokogawa confirmou o potencial dessa IA de controle autônomo^*10 e avançou de uma teoria para uma tecnologia adequada para uso prático. Ela pode ser usada em áreas onde a automação anteriormente não era possível com métodos de controle convencionais (controle PID e APC), e seus pontos fortes incluem a capacidade de lidar com metas conflitantes, como a necessidade de alta qualidade e economia de energia.

Dados os numerosos fenômenos físicos e químicos complexos que afetam as operações em plantas reais, ainda existem muitas situações em que operadores experientes devem intervir e exercer controle. Mesmo quando as operações são automatizadas usando controle PID e APC, operadores altamente experientes precisam interromper o controle automatizado e alterar a configuração e os valores de saída quando, por exemplo, ocorre uma mudança repentina na temperatura atmosférica devidoàchuva ou algum outro evento climático. Esse é um problema comum nas plantas de muitas empresas. Em relaçãoàtransição para a autonomia industrial^*11, um desafio muito importante tem sido o de instituir o controle autônomo em situações em que até agora a intervenção manual era essencial, e fazê-lo com o menor esforço possível, garantindo também um elevado nível de segurança. Os resultados deste teste sugerem que a colaboração entre a Yokogawa e a JSR abriu um caminho para resolver esse problema antigo.

A Yokogawa dá as boas-vindas aos clientes interessados nessas iniciativas globalmente. A empresa visa fornecer prontamente produtos e soluções que levemàefetivação da autonomia industrial.

A JSR acredita que esta demonstração comprova o potencial da IA para enfrentar desafios que anteriormente não podiam ser resolvidos em plantas químicas e investigará sua aplicação a outros processos e plantas, com o objetivo de obter melhorias adicionais na produtividade.

No futuro, as duas empresas continuarão trabalhando juntas e investigando maneiras de usar a IA em plantas.

Masataka Masutani, gerente-geral de tecnologia de produção da JSR, comentou,“Em um ambiente que está mudando devido a fatores como a introdução completa do 5G e outros desenvolvimentos em direção a uma sociedade digital, bem como o envelhecimento dos recursos humanos que garantem a segurança das plantas e a falta de recursos humanos para substituí-los, a indústria petroquímica está sob forte pressão para melhorar a segurança e a eficiência em suas atividades de produção, utilizando novas tecnologias, como IoT e IA. A orientação da JSR é tornar a produção inteligente por meio de uma incorporação proativa de drones, sensores de IoT, câmeras e outras novas tecnologias e, neste experimento, aceitamos o desafio da automação do controle de processos da planta, utilizando a tecnologia de controle por IA. Verificamos que a IA é capaz de controlar de forma autônoma os processos que antes eram realizados manualmente com base na experiência dos operadores e estamos firmemente convencidos da utilidade e potencial futuro do controle por IA. Daqueles que estão no campo, ouvimos comentários dizendo que não apenas a carga sobre os operadores foi reduzida, mas o próprio fato de termos assumido o desafio desta nova tecnologia e obtido sucesso é a motivação para levar a transformação digital (DX) adiante. Desde já, expandiremos as operações controladas com IA e trabalharemos para aumentar a segurança, a estabilidade e a competitividade da planta química”.

Takamitsu Matsubara, professor associado do NAIST, comentou: “Estou muito feliz em saber que este teste de campo foi bem-sucedido. A análise de dados e o aprendizado de máquina estão sendo aplicados às operações de plantas químicas, mas a tecnologia que pode ser usada no controle autônomo e na otimização das operações não estava totalmente pronta até agora. O algoritmo da IA de aprendizagem por reforço FKDPP foi desenvolvido em conjunto pela Yokogawa e o NAIST em 2018, para efetuar o controle autônomo em plantas químicas. Apesar de ter que se referir a um grande número de sensores e válvulas de controle, a IA pode gerar uma política de controle robusta em um número limitado de tentativas de aprendizado. Esses recursos ajudaram a melhorar a eficiência do processo de desenvolvimento e levaramàobtenção de controle autônomo por um longo período de 840 horas, durante o teste de campo. Acho que essa conquista muito difícil do controle autônomo em uma coluna de destilação real e o fato de o nível de aplicação prática ter sido elevado ao ponto em que todo o processo de produção e a segurança são integrados em um sistema têm grande importância para toda a indústria. Estou ansioso para ver as próximas etapas de uso desta tecnologia.”

O vice-presidente da Yokogawa Electric e chefe da sede de produtos da Yokogawa, Kenji Hasegawa, acrescentou: “O sucesso deste teste de campo veio da união entre o profundo conhecimento do processo de produção e aspectos operacionais que somente o cliente pode fornecer e a capacidade da Yokogawa de impulsionar a medição, controle e informações para produzir valor. Isso sugere que uma IA de controle autônomo (FKDPP) pode contribuir significativamente para a autonomização da produção, maximização do retorno sobre o investimento ( ROI) e sustentabilidade ambiental em todo o mundo. A Yokogawa liderou o desenvolvimento de sistemas de controle distribuído que controlam e monitoram a operação de instalações de produção de plantas e tem apoiado o crescimento de uma série de indústrias. Com o nosso olhar fixo em um mundo de operação autônoma que constitui o modelo para o futuro das indústrias, estamos agora promovendo o conceito de IA2IA (Industrial Automation to Industrial Autonomy): automação industrial para autonomia industrial. Para alcançar uma produção robusta e flexível que leve em consideração o impacto das diferenças em humanos, máquinas, materiais e métodos, os 4Ms, nas indústrias de energia, materiais, produtos farmacêuticos e muitas outras, aceleraremos o desenvolvimento conjunto de IA de controle autônomo com nossos clientes em todo o mundo”.

*1	Com base na pesquisa da Yokogawa Electric realizada em fevereiro de 2022 sobre IA, que altera diretamente a variável manipuladora na planta química.
*2	Controle Proporcional-Integral-Derivativo. Proposta pela primeira vez por Nicolas Minorsky em 1922, esta é uma tecnologia de controle de infraestrutura para indústrias de processamento, que é usada para controlar itens como quantidade, temperatura, nível, pressão e ingredientes. Ela implementa o controle para um valor-alvo, enquanto usa os resultados de cada um dos cálculos de P, I e D de acordo com o desvio entre o valor atual e o valor definido. Existem problemas com esse modo de controle, como a incapacidade de lidar com vários distúrbios externos (clima, condições atmosféricas, mudanças na composição do material) e mudanças frequentes nos valores-alvo, exigindo controle manual.
*3	Controle Avançado de Processos (Advanced Process Control). Usa um modelo matemático que pode prever as respostas do processo e fornece valores definidos para o ciclo de controle PID em tempo real para melhorar a produtividade, qualidade e controlabilidade. Também é facilmente aplicado ao controle com o objetivo de aumentar a produção, reduzir o tempo de trabalho e economizar energia. A incorporação do APC resulta em desvios menores nos dados, possibilitando uma aproximação dos limites de desempenho operacional (ou seja, o estado em que o desempenho ótimo pode ser obtido). No entanto, é limitado pelo fato de não ser capaz de responderàrápida vaporização de fluidos e outras reações químicas, grandes mudanças na composição do material e mudanças na maquinaria.
*4	O volume da substância-alvo que é realmente obtida a partir de matérias-primas por meio do processo de refinamento
*5	O sistema de controle integrado CENTUM VP permite o prosseguimento de todo o processo de produção, enquanto monitora e controla pressões, vazão, temperaturas e outros fatores, além de integrar várias funções de intertravamento para operação segura e estável e prevenção de acidentes. Para evitar acidentes na planta, é possível operar em cooperação com sistemas instrumentados de segurança (Safety instrumented systems, SIS), dispositivos de desligamento de emergência (Emergency shutoff devices, ESD), sistemas de proteção contra incêndio (Fire protection systems, F&G) etc.
*6	Um mecanismo que impede a inicialização, a menos que certas condições sejam cumpridas antes da operação. Ele aumenta a segurança evitando operações incorretas, erros de procedimento e afins.
*7	Factorial Kernel Dynamic Policy Programming for Vinyl Acetate Monomer Plant Model Control, August 2018. https://ieeexplore.ieee.org/document/8560593/ IEEE (Institute of Electrical and Electronics Engineers). O IEEE é uma organização de pesquisa acadêmica e padronização técnica sediada nos EUA que se concentra nas áreas de engenharia elétrica e da informação. Ela tem mais de 400 mil membros em 160 países ao redor do mundo.
*8	Um sistema de controle de nível de três tanques que é usado para realizar treinamentos e experimentos envolvendo a regulação do fluxo de água de um nível para o seguinte, com o objetivo geral de controlar o nível hídrico no estágio mais baixo. Também inclui dispositivos para criar artificialmente interrupções que alteram aleatoriamente o fluxo de água. Dada a natureza dos fluidos, o controle de sua vazão é um desafio difícil nas indústrias de processamento. Ser capaz de realizar adequadamente esse controle leva ao aumento da produtividade nos locais de fabricação.
*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	A Yokogawa define a IA de controle autônomo como IA que deduz de forma independente o método ideal para controle e possui um alto nível de robustez, permitindo lidar de forma autônoma, até certo ponto, com situações que não encontrou anteriormente.
*11	A autonomia industrial é definida pela Yokogawa da seguinte forma: “Os ativos e operações da planta possuem funcionalidades de aprendizado e adaptação que permitem respostas com interação humana mínima, capacitando os operadores a realizar tarefas de otimização de alto nível.” Nas respostasàPesquisa Global de Usuários Finais sobre a Implementação da Autonomia Industrial realizada pela Yokogawa em 2021, abrangendo 534 tomadores de decisão em 390 empresas manufatureiras, 42% disseram que a aplicação de IAàotimização de processos de plantas terá um impacto significativo na autonomia industrial nos próximos três anos.
	(Referência: https://web-material3.yokogawa.com/1/30261/tabs/The_Acceleration_of_Industrial_Autonomy_English.pdf)
Os nomes das empresas, organizações, produtos, serviços e logotipos mencionados neste texto são marcas registradas ou marcas comerciais da Yokogawa Electric Corporation, JSR Corporation ou de seus respectivos titulares.

Sobre a Yokogawa

A Yokogawa fornece soluções avançadas nas áreas de medição, controle e informações para clientes em uma ampla gama de indústrias, incluindo energia, produtos químicos, materiais, produtos farmacêuticos e alimentos. A Yokogawa aborda as questões dos clientes em relaçãoàotimização da produção, ativos e cadeia de suprimentos com a aplicação eficaz de tecnologias digitais, permitindo a transição para operações autônomas.

Fundada em Tóquio em 1915, a Yokogawa continua a trabalhar para uma sociedade sustentável por meio de seus 17.500 funcionários em uma rede global de 119 empresas em 61 países.

Para obter mais informações, visite www.yokogawa.com

Sobre a JSR Corporation

A JSR Corporation é uma empresa multinacional que emprega mais de 9.000 pessoas em todo o mundo e um fornecedor líder de materiais em uma variedade de mercados orientados por tecnologia, impulsionando a inovação de materiais e criando valor por meio de materiais para enriquecer a sociedade, as pessoas e o meio ambiente. A rede global da JSR está sediada em Tóquio (Japão) e possui fábricas e escritórios na Europa, EUA, China, Taiwan, Coreia e Tailândia. A JSR é uma organização orientada para a pesquisa que busca colaborações estreitas com os principais inovadores em vários setores que são a chave para o bem-estar atual e futuro da sociedade humana: ciências da vida, materiais eletrônicos, displays, plásticos e borrachas sintéticas.

Para obter mais informações sobre a JSR Corporation, acesse https://www.jsr.co.jp/jsr_e/

Visão geral do teste de campo

1. Objetivo do teste de campo

(1) Demonstrar que a IA de aprendizagem por reforço (Factorial Kernel Dynamic Policy Programming, FKDPP: algoritmo de Programação de Política Dinâmica de Kernel Fatorial) pode ser aplicada com segurança em instalações onde a segurança é uma necessidade absoluta

(2) Demonstrar que a IA de aprendizagem por reforço pode ser usada para controlar áreas que os métodos de controle existentes (controle PID/APC) não podem automatizar　

2. Detalhes

Localização	Uma planta de produtos químicos da JSR no Japão
Áreas controladas	Coluna de destilação Áreas onde os métodos de controle existentes (controle PID/APC) não poderiam ser aplicados e o controle só podia ser realizado manualmente (onde os próprios operadores consideravam o nível de operação das válvulas e o inseriam) Áreas onde a chuva, neve e outras condições climáticas foram fatores significativos que poderiam interromper o estado de controle, causando mudanças repentinas na temperatura atmosférica Quando as substâncias A e B, que tinham pontos de ebulição semelhantes, foram aquecidas e separadas, foi realizado um controle ótimo para manter os líquidos na coluna de destilação em um nível adequado para que todos os produtos estivessem em conformidade com os padrões, enquanto, para economizar energia, as válvulas eram acionadas maximizar o uso do calor residual como fonte de calor para a coluna de destilação e extrair a substância A desejada em um estado ideal.
IA do controle	IA de aprendizagem por reforço (FKDPP: algoritmo de Programação de Política Dinâmica de Kernel Fatorial)
Produtos e tecnologias usados	Yokogawa: Simulador de planta OmegaLand (fornecido pela subsidiária da Yokogawa Electric Corporation, Omega Simulation Co., Ltd.) Sistema de controle de produção integrado CENTUM VP Pacote de interface Exaopc OPC (software que permite o gerenciamento de uma variedade de bancos de dados usados nas indústrias de processamento. Uma interface compatível com o padrão de interface OPC definido pela OPC Foundation é utilizada. Suas funções incluem o salvamento automático de dados do processo.) Software de registro de dados GA10 (para tela de operação e dispositivo de entrada (HMI) e registro de dados) etc.
Operação	Gerenciada pelo sistema de controle de produção integrado CENTUM VP Permite o prosseguimento de todo o processo de produção enquanto monitora e controla pressões, vazão, temperaturas e outros fatores, além de integrar várias funções de intertravamento para operação segura e estável e prevenção de acidentes. Para evitar acidentes na planta, ele opera em cooperação com dispositivos de desligamento de emergência (Emergency shutoff devices, ESD), sistemas de proteção contra incêndio (fire protection systems, F&G) etc.
Processo para implementação de IA	Gera modelo de controle de IA com um simulador de planta Modelo de planta gerado a partir de informações do projeto para a planta relevante A IA baseada em aprendizagem por reforço (algoritmo FKDPP) aprendeu e gerou um modelo de controle Avalia de forma abrangente a validade e a confiabilidade do modelo de controle por IA Verificado com dados operacionais anteriores – Ficou estável? – Que tipo de controle foi realizado quando ocorreram problemas? Verificado com dados em tempo real – Ficou estável? – A qualidade do produto estava dentro das especificações? – Os operadores veteranos ficaram satisfeitos com as instruções de controle do FKDPP? Garante a segurança e controla uma planta real Segurança garantida com intertravamentos existentes e outras funções de segurança Integrado com o sistema de controle de produção integrado CENTUM VP e incorporado às operações da planta Segurança garantida nas operações (respostas planejadas e sistema estabelecido para lidar com avarias do sistema de IA)
Período do projeto	De agosto de 2020 a fevereiro de 2022 (um ano e seis meses)
Período de operação contínua	35 dias, de 17 de janeiro a 21 de fevereiro de 2022 (840 horas)

3. Funções das empresas

JSR

Fornecimento de local para experimentos, informações detalhadas da planta, status operacional
Definição de desafios para o sistema de controle por IA resolver
Engenharia (conexão com o sistema de controle de produção integrado CENTUM VP existente)
Avaliação de segurança e validade na perspectiva do sistema de controle por IA
Consideração de sistemas de segurança para introdução de sistemas de controle por IA em plantas reais

Yokogawa

Planejamento de propostas (especificações do sistema de IA, cronograma etc.)
Construção do sistema de IA
Engenharia (ajuste da conexão com o sistema de controle de produção integrado CENTUM VP existente etc.)
Manutenção

4. Resultados e comparação com o controle convencional

Resumo Ao combinar o know-how de ambas as empresas e focar as áreas de uma planta real que não podiam ser automatizadas com os métodos de controle existentes, foi possível encontrar um método para a aplicação segura da IA de aprendizagem por reforço em sistemas e operações. O controle contínuo por um período de 35 dias foi obtido por meio de um sistema integrado de controle de produção, e os produtos adequados para entrega foram produzidos com sucesso. Isso sugere que, como uma tecnologia de controle de última geração, a IA de aprendizagem por reforço (FKDPP) pode contribuir significativamente para a autonomização, maximização do ROI e sustentabilidade ambiental em plantas em todo o mundo.
Intervenção humana	Controle autônomo por IA integrado ao sistema de controle de produção integrado CENTUM VP Apenas monitoramento foi necessário; basicamente, nenhuma intervenção humana foi necessária.
Qualidade	Produção estável de produtos de boa qualidade, que atenderam a padrões rigorosos e puderam ser entregues
Produção	Matérias-primas puderam ser eficientemente transformadas em produtos.
Economia de energia	A economia de energia foi alcançada, maximizando o uso de calor residual como fonte de calor, permitindo uma redução nas emissões de CO2.
Custo	Foram produzidos apenas produtos de boa qualidade; portanto, foram eliminados os custos de combustível e mão-de-obra incorridos devidoàprodução de produtos fora das especificações.
Tempo	Foram produzidos apenas produtos de boa qualidade; portanto, foram eliminados os prejuízos com tempo incorridos devidoàprodução de produtos fora das especificações.
Segurança	Não há mais a necessidade de operadores altamente experientes para realizar o controle manual 24 horas por dia, 365 dias por ano, o que significa que a carga sobre os seres humanos diminui e erros são evitados, levando a níveis mais altos de segurança.

5. [Referência] Principais características da IA usada no controle de plantas

Tipo		Características	Benefícios
Controle autônomo	Para áreas que não podem ser automatizadas com métodos de controle existentes (controle PID/APC), a IA deduz o método ótimo de controle por conta própria e possui robustez para controlar de forma autônoma, até certo ponto, situações que ainda não foram encontradas.	Com base no modelo de controle do qual aprende e deduz, a IA insere o nível de controle necessário para cada situação.	Os benefícios do FKDPP são os seguintes: (1) Pode ser aplicado em situações em que o controle não pode ser automatizado com as técnicas de controle existentes (controle PID e APC) e pode lidar com metas conflitantes, como alcançar alta qualidade e economia de energia. (2) Aumenta a produtividade (qualidade, economia de energia, produção, menor tempo de assentamento) (3) Simples (pequeno número de testes de aprendizado, sem necessidade de importar dados rotulados) (4) Operação explicável (5) Mesma segurança que os sistemas convencionais (altamente robusto, pode ser diretamente vinculado aos sistemas integrados de controle de produção existentes)
Suporte para áreas com automação integrada	A IA pode assumir a tarefa, atualmente realizada pelos operadores, de inserir valores-alvo para áreas onde a automação foi implementada usando métodos de controle existentes (controle PID/APC).	A IA usa dados de controle anteriores para realizar cálculos e insere valores-alvo.	A automação de tarefas manuais e a realização de operações estáveis são possíveis.
Apoio operacional para pessoas	A IA propõe valores-alvo aos quais os operadores se referirão ao realizar operações.	A IA usa dados de controle anteriores para sugerir valores-alvo para humanos.	Divergências devido ao nível de proficiência do operador desaparecerão.

O texto no idioma original deste anúncio é a versão oficial autorizada. As traduções são fornecidas apenas como uma facilidade e devem se referir ao texto no idioma original, que é a única versão do texto que tem efeito legal.