Mineração, petróleo e gás e empresas de fabricação química ainda não começaram a explorar a IA, mas podem fechar a lacuna aplicando lições de outras indústrias. A boa notícia é que a relativa falta de adoção significa que a IA ainda oferece um valor inexplorado - se as empresas tomam as medidas necessárias para implementá -lo. Ao aplicar as lições que trabalharam em outras indústrias pesadas, as empresas podem gerar ganhos de 15% ou mais em eficiência, rendimento, resíduos reduzidos e outras métricas.
Artificial Intelligence (AI) solutions have established a strong record of unlocking value across a range of sectors, but continuous process industries such as mining, oil and gas production, and chemical manufacturing have been slower to embrace the technology. The good news is that the relative lack of adoption means AI still offers significant untapped value—if companies take the steps necessary to implement it. By applying the lessons that have worked in other heavy industries, companies can generate gains of 15% or more in efficiency, throughput, reduced waste, and other metrics.
Com base em nossa experiência, trabalhando com vários clientes da indústria de processos, capturar valor através da IA requer uma solução de três partes: coletando os dados corretos, disponibilizando esses dados e acessíveis e renovando a cultura da empresa para adotar novas maneiras de trabalhar. Essas tecnologias agora são testadas no tempo e melhoram constantemente. As empresas podem capitalizar sobre elas ou ceder as vantagens da IA à concorrência. Uma é que processos complexos dependem das relações físicas em uma ampla gama de variáveis, dificultando a modelagem desses processos e melhoram através da análise. Os dados geralmente são escassos, pois muitas organizações dependem de operadores experientes que usam a intuição para lidar com as condições de mudança em uma determinada instalação. Os dados que existem podem ser de baixa qualidade ou isolados em equipamentos individuais, em vez de integrados em todo o processo. As relações científicas entre insumos e resultados do processo garantem que uma intervenção específica afetará os resultados - para melhor ou pior - de maneiras que possam ser quantificadas e rastreadas ao longo do tempo. Além disso, a natureza contínua desses processos (em oposição aos processos em lote com um começo e fim claros) permite modelagem, teste rápido e melhoria. Essas vantagens contrastam fortemente com muitas outras áreas, como o marketing, que carecem de relações físicas de causa e efeito e ainda se beneficiaram dramaticamente da IA. Por exemplo, a análise bayesiana permite que as empresas superem dados escassos, usando a probabilidade de fazer inferências sobre a causalidade. Os algoritmos de aprendizado de máquina permitem melhorias contínuas nos modelos ao longo do tempo - particularmente relevantes para as indústrias de processo, dada o fluxo contínuo de dados. Os recursos baratos de computação em nuvem capacitam algoritmos de otimização complexos a serem resolvidos em minutos, em vez de dias, permitindo intervenções em tempo real. A indústria 4.0 permite que as empresas incorporem sensores em toda a maioria dos processos contínuos, criando um recurso grande e principalmente inexplorado para algoritmos avançados. Dentro de cinco anos, os algoritmos avançados de aprendizado de máquina e otimização proliferarão, dando uma clara vantagem aos líderes de tecnologia entre as indústrias de processo.
Challenges Are Now Outweighed by Recent Advances in AI
There are several reasons why continuous process industrial players have not yet implemented AI. One is that complex processes depend on physical relationships across a wide range of variables, making these processes difficult to model and improve through analytics. Data is often scarce, as many organizations rely on experienced operators who use intuition to handle changing conditions in a given facility. The data that does exist may be of low quality or isolated to individual pieces of equipment, rather than integrated across the entire process.
At the same time, the very nature of these processes makes them prime candidates to improve through analytics. The scientific relationships between process inputs and outcomes guarantee that a specific intervention will impact results—for better or worse—in ways that can be quantified and tracked over time. In addition, the continuous nature of these processes (as opposed to batch processes with a clear beginning and end) enables modeling, rapid testing, and improvement. These advantages are in stark contrast to many other areas, such as marketing, that lack physical cause-and-effect relationships and yet have benefited dramatically from AI.
In the past five years, technological and computational breakthroughs have improved AI to the point where it is no longer an unproven, experimental technology. For example, Bayesian analytics allows companies to overcome scarce data, using probability to make inferences about causality. Machine learning algorithms enable continuous improvements to models over time—particularly relevant for process industries, given the continuous stream of data. Cheap cloud computing resources empower complex optimization algorithms to be solved in minutes rather than days, enabling real-time interventions. Industry 4.0 lets companies embed sensors throughout most continuous processes, creating a large and mostly untapped resource for advanced algorithms.
Many process industries are now at a tipping point. Within five years, advanced machine learning and optimization algorithms will proliferate, giving a clear advantage to technology leaders among process industries.
Em suma, os desafios são notáveis, mas superados pelos recentes avanços na IA, e muitas indústrias de processo estão agora em um ponto de inflexão. Em cinco anos, os algoritmos avançados de aprendizado de máquina e otimização proliferarão, dando uma clara vantagem aos líderes de tecnologia entre as indústrias de processo-e deixando os retardatários mais para trás.
Uma estratégia de três partes para o sucesso
Companies typically progress through a series of stages as they become more mature in AI implementation, though some stages can be leapfrogged. (See the exhibit.) They start with visualizations of one or two processes, producing descriptive statistics and displays. From there, they can begin applying basic AI to a small number of use cases with readily available data, ideally where the fastest gains are possible. As companies build institutional capabilities, they can begin implementing real-time AI to support operators, and then gradually give the algorithms more control over operations. The final stage is closed-loop AI, with operators intervening only in outlier situations.
The earlier stages of this evolution are possible using ad hoc approaches based on whatever data is readily available. But to develop real-time applications, companies need a solid data strategy. Developing this strategy requires asking yourself three key questions.
Você está coletando os dados certos? Consequentemente, o primeiro desafio é garantir que você esteja coletando informações sobre os fatores certos de um determinado processo, no nível certo de precisão e construído na sequência correta ao longo de todo o processo. Os fatores relevantes incluem KPIs de processo, variáveis exógenas, como características da matéria -prima e alavancas de controle.
Industrial companies often have significant data on hand, but little that they can reliably use. Accordingly, the first challenge is to make sure you’re collecting information on the right factors of a given process, at the right level of accuracy, and constructed in the correct sequence along the entire process. Relevant factors include process KPIs, exogenous variables such as raw material characteristics and control levers.
A precisão dos dados também é crítica, mas há uma troca potencial entre precisão e pontualidade. Por exemplo, leituras de variáveis específicas podem ocorrer através de sensores on -line que relatam dados automaticamente ou medições de laboratório. De um modo geral, as medições do laboratório têm maior precisão e menor frequência do que os sensores on-line, mas também são mais trabalhosos. Para a calibração do modelo, que é realizada offline, a precisão deve ser priorizada. Para tomada de decisão em tempo real, os sensores on-line geralmente são a melhor opção. As alterações feitas upstream não geram resultados mensuráveis até que esse material funcione a jusante, tornando um desafio vincular entradas aos resultados. As instalações podem usar métodos estatísticos avançados para correlacionar as mudanças em um ponto do processo com as diferenças subsequentes nos resultados. Consequentemente, os modelos de análise não eram tão eficazes quanto previstos. Para resolver esse problema, a empresa começou a rastrear o minério com mais precisão, através de dados GPS coletados de pás e caminhões, bem como dados de RFID coletados entre linhas de triturador, estoque e moagem. Armado com dados mais ricos, a empresa estava melhor equipada para prever as características de minério de entrada para seus modelos de análise.
In addition, continuous processes present the challenge of sequence and time lags between points in the process. Changes made upstream won’t generate measurable results until that material works its way downstream, making it challenging to link inputs to outcomes. Facilities can use advanced statistical methods to correlate changes at one point in the process to subsequent differences in outcomes.
For example, a base metals mine operator in Latin America developed several analytics models to guide mill operations, but it did not have good data on ore content as it entered the mill from the stockpile. Consequently, the analytics models were not as effective as anticipated. To solve this problem, the company started tracking ore more accurately, through GPS data collected from shovels and trucks as well as RFID data collected between crusher, stockpile, and grinding lines. Armed with richer data, the company was better equipped to predict incoming ore characteristics for its analytics models.
Os dados estão acessíveis e estão disponíveis para as pessoas certas? Como na coleta de dados, existem desafios significativos a serem superados em áreas como manutenção, armazenamento e retenção. Em outros casos, os sensores são adicionados ou removidos ao longo do tempo, "congelando" dados históricos que não podem ser usados para otimização futura ou agregar novos dados sem histórico. Pior ainda, máquinas, peças e layouts de processo inteiros podem mudar com o tempo, todos os quais os dados compostos desafiam. Como os processos contínuos contêm muitas interações cruzadas, a atualização de uma máquina pode alterar o comportamento de outra, afetando o resultado. Esse processo precisa arquivar instantâneos de dados do sensor ao longo do tempo e gravar automaticamente quando os sensores são recalibrados, adicionados ou removidos, bem como quando as máquinas ou layouts são alterados.
Once you have the right data-collection plan in place, the next priority is making sure the data can be used by the right people at the right time to improve process performance. As with data collection, there are significant challenges to overcome in areas such as maintenance, storage, and retention.
For example, some facilities may have bespoke machines and sensors that record data at the machine itself but don’t integrate it into a broader database. In other cases, sensors get added or removed over time, either “freezing” historical data that can’t be used for future optimization or aggregating new data without any history. Even worse, machines, parts, and entire process layouts may change over time, all of which compound data challenges. Because continuous processes contain many cross-variable interactions, upgrading one machine may change the behavior of another, ultimately affecting the outcome.
To address these challenges, it’s important to create a robust data management pipeline. This process needs to archive snapshots of sensor data over time and automatically record when sensors are recalibrated, added, or removed, as well as when machines or layouts are changed.
It’s important to create a robust data management pipeline, archiving snapshots of sensor data over time and automatically recording when sensors are recalibrated, added, or removed, as well as when machines or layouts are changed.
Otimamente, os dados devem ser centralizados na nuvem, para que as empresas tenham um único ponto de coleta e um meio direto para os operadores acessarem os dados. Se a conectividade da rede for um desafio, poderá ser necessário armazenamento no local. Em ambos os casos, é necessário uma equipe de engenharia de dados com uma visão clara do papel que os dados desempenham na operação da planta, e isso, por sua vez, é construído com base na base de uma estratégia geral de dados para a empresa. Para obter feedback em tempo real sobre o desempenho, o moinho instalou analisadores de raios-X (OSAs) para medir a concentração de cobre no final do processo. O fornecedor da OSA forneceu um algoritmo que converteu leituras em concentrações de cobre, mas a empresa percebeu que o modelo do fornecedor não era preciso. Para corrigir isso, a empresa reverteu para os dados brutos de raios-X e desenvolveu seu próprio modelo interno. Isso resultou em novas medições em tempo real mais precisas-e melhor desempenho geral no processo.
A North American copper mine wanted to improve the way it separated valuable metal from waste, through a process known as flotation. To gain real-time feedback on performance, the mill installed X-ray on-stream analyzers (OSAs) to measure copper concentration at the end of the process. The OSA vendor provided an algorithm that converted readouts to copper concentrations, but the company realized that the vendor’s model wasn’t accurate. To rectify this, the company reverted to the raw X-ray data and developed its own internal model. This resulted in new, more accurate real-time measurements—and better overall performance in the process.
Do you have the right culture and operating procedures in place?
Even with strong data, AI transformations in continuous processes won’t succeed without a shift in culture—operators and teams that are willing to use the solutions, change their behaviors, and work in new ways.
pode parecer que as indústrias de processos contínuas são orientados a engenharia e devem ter uma cultura que seja um ajuste natural para análises avançadas. No entanto, as plantas de processo contínuas às vezes têm uma estrutura operacional descentralizada, dando à latitude das equipes locais na tomada de decisões operacionais. Além disso, engenheiros e operadores de processo são especialistas que são céticos por algoritmos que os substituem. Por fim, os métodos típicos de engenharia fazem um prêmio em visões determinísticas e altamente precisas dos sistemas físicos-em contraste com as abordagens probabilísticas das técnicas modernas de aprendizado de máquina.
Management must communicate that AI-generated recommendations are meant as one factor in human decision-making, rather than a replacement for it.
Para aumentar a aceitação, os operadores devem ter permissão para aceitar ou rejeitar recomendações geradas pela IA, especialmente no início, até que o algoritmo comece a produzir resultados credíveis. A gerência deve comunicar que as recomendações são destinadas a um fator na tomada de decisões humanas, em vez de um substituto para isso. Essa comunicação deve abordar diretamente as preocupações dos operadores sobre serem substituídos. E as próprias ferramentas devem ser explicadas usando a linguagem que enfatiza a simplicidade e a transparência sobre a sofisticação algorítmica bruta. Os modelos probabilísticos são às vezes certos e às vezes errados - mas, em geral, mais certos do que errados. Esses modelos não podem ser aperfeiçoados antes de serem adotados na planta. É significativamente mais conveniente colocar o modelo em operação e permitir que ele melhore iterativamente. Portanto, a liderança precisa deixar claro que os operadores não serão punidos por adotar modelos seguros, mas imperfeitos, que, em média, melhoram o desempenho, mesmo que haja soluços de vez em quando. Os desafios listados aqui não devem ser subestimados, mas existem soluções concretas e viáveis para cada uma delas. Finalmente, estamos em um ponto no desenvolvimento de tecnologias avançadas, onde essas soluções podem ser implementadas por uma equipe qualificada com uma alta expectativa de sucesso. A etapa crítica é investir nas pessoas, tecnologias e mensagens culturais necessárias para possibilitar a transformação. JT Clark
Perhaps the most challenging shift is to embrace a more probabilistic world view and a willingness to experiment (provided all safety concerns are met). Probabilistic models will be sometimes right and sometimes wrong—but overall, more right than wrong. These models cannot be perfected before they are adopted in the plant. It is significantly more expedient to get the model into operation and allow it to iteratively improve. Therefore, leadership needs to make clear that operators will not be punished for adopting safe but imperfect models that on average improve performance even though there are hiccups now and then.
On the whole, AI applications have tremendous upside for continuous process industries. The challenges listed here should not be understated, but concrete and feasible solutions exist for each of them. We are finally at a point in the development of advanced technologies where these solutions can be implemented by a skilled team with a high expectation of success. The critical step is to invest in the people, technologies, and cultural messaging required to make the transformation possible.
