Em uma iniciativa inédita no mundo, Yokogawa e JSR usam IA para controlar de forma autônoma uma fábrica de produtos químicos por 35 dias consecutivos

Tóquio, Japão - 22 de março de 2022

Yokogawa Electric Corporation
Corporação JSR

Yokogawa Electric Corporation (TÓQUIO: 6841) e a JSR Corporation (JSR, TÓQUIO: 4185) anunciam a conclusão bem-sucedida de um teste de campo no qual a IA foi usada para administrar de forma autônoma uma fábrica de produtos químicos por 35 dias, uma inovação mundial ^*1. Esse teste confirmou que a IA de aprendizagem por reforço pode ser aplicada com segurança em uma planta real e demonstrou que essa tecnologia pode controlar operações que estavam além dos recursos dos métodos de controle existentes (controle PID ^*2 /APC ^*3) e, até o momento, exigiam a operação manual das válvulas de controle com base no julgamento do pessoal da fábrica. A iniciativa descrita aqui 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.

Colunas de destilação na fábrica de produtos químicos JSR

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. Todos eles envolvem reações químicas e outros elementos que exigem um nível extremamente alto de confiabilidade.

Nesse 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 adequado, ao mesmo tempo em que fazia o máximo uso possível do calor residual como fonte de calor. Dessa forma, estabilizou a qualidade, obteve alto rendimento*4 e economizou energia. Embora a chuva, a neve e outras condições climáticas tenham sido fatores significativos que poderiam interromper o estado de controle, causando mudanças repentinas na temperatura atmosférica, os produtos produzidos atenderam a padrões rigorosos e já foram enviados. Além disso, como foram criados apenas produtos de boa qualidade, foram eliminados o combustível, a mão de obra, o tempo e outras perdas que ocorrem quando são produzidos produtos fora das especificações.

Areas controlled and results
Zoom

As operações seguras foram garantidas por meio do seguinte processo:

Ensuring safety in the plant operations
Zoom

A IA usada nesse experimento de controle, o protocolo Factorial Kernel Dynamic Policy Programming (FKDPP), foi desenvolvida em conjunto pelo Yokogawa e pelo Nara Institute of Science and Technology (NAIST) em 2018, e foi reconhecida em uma Conferência Internacional do IEEE sobre Ciência e Engenharia de Automação como sendo a primeira IA baseada em aprendizado por reforço do mundo que pode ser utilizada no gerenciamento de plantas*7^. Por meio de iniciativas que incluem a realização bem-sucedida de um experimento de sistema de treinamento de ^controle*8 em 2019 e um experimento em abril de 2020 que usou um simulador para recriar uma planta ^inteira*9, o site Yokogawa confirmou o potencial dessa IA de controle autônomo*10 ^e a transformou de uma teoria em uma tecnologia adequada para uso prático. Ela pode ser usada em áreas em que 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.

Devido aos inúmeros fenômenos físicos e químicos complexos que afetam as operações nas plantas reais, ainda há muitas situações em que os operadores veteranos precisam intervir e exercer o controle. Mesmo quando as operações são automatizadas com o uso de controle PID e APC, os 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 devido à chuva ou a algum outro evento climático. Esse é um problema comum nas fábricas de muitas empresas. No que diz respeito à transição para a autonomia ^{industrial*11}, um desafio muito significativo tem sido instituir o controle autônomo em situações em que até agora a intervenção manual era essencial, e fazê-lo com o menor esforço possível e, ao mesmo tempo, garantir um alto nível de segurança. Os resultados desse teste sugerem que a colaboração entre a Yokogawa e a JSR abriu um caminho para a solução desse problema de longa data.

Yokogawa recebe clientes interessados nessas iniciativas em nível global. A empresa tem como objetivo fornecer rapidamente produtos e soluções que levem à realização da autonomia industrial.

A JSR acredita que essa demonstração mostra o potencial da IA para enfrentar desafios que antes não podiam ser resolvidos em fábricas de produtos químicos e investigará sua aplicação em outros processos e fábricas com o objetivo de obter mais melhorias 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 da planta 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 da incorporação proativa de drones, sensores de IoT, câmeras e outras novas tecnologias e, nesse experimento, assumimos o desafio da automação do controle de processos da fábrica usando a tecnologia de controle de IA. Verificamos que a IA é capaz de controlar de forma autônoma os processos que antes eram executados manualmente com base na experiência dos operadores, e estamos firmemente convencidos da utilidade e do potencial futuro do controle de IA. Ouvimos comentários de quem estava em campo dizendo que não só a carga sobre os operadores foi reduzida, mas o próprio fato de termos assumido o desafio dessa nova tecnologia e termos sido bem-sucedidos é uma motivação para levar a DX para o futuro. De agora em diante, expandiremos as operações controladas com IA e trabalharemos para aumentar a segurança, a estabilidade e a competitividade das fábricas de produtos químicos."

Takamitsu Matsubara, professor associado do NAIST, comentou: "Fico muito feliz em saber que esse teste de campo foi bem-sucedido. A análise de dados e o aprendizado de máquina estão sendo aplicados às operações de fábricas de produtos químicos, mas a tecnologia que pode ser usada no controle autônomo e na otimização das operações ainda não está totalmente pronta até agora. O algoritmo AI FKDPP de aprendizagem por reforço foi desenvolvido em conjunto por Yokogawa e NAIST em 2018 para realizar o controle autônomo em fábricas de produtos químicos. Apesar de ter de 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 testes de aprendizagem. Esses recursos ajudaram a melhorar a eficiência do processo de desenvolvimento e levaram à obtenção do controle autônomo por um longo período de 840 horas durante o teste de campo. Acredito 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 a ponto de todo o processo de produção e a segurança estarem integrados em um único sistema têm grande importância para todo o setor. Estou ansioso para ver o que acontecerá com essa tecnologia."

Yokogawa O vice-presidente da Electric e chefe da sede de produtos Yokogawa, Kenji Hasegawa, acrescentou: "O sucesso desse teste de campo veio da união do conhecimento profundo dos aspectos operacionais e de processo de produção que somente o cliente pode fornecer, e da força da Yokogawa de alavancar a medição, o controle e as informações para produzir valor. Isso sugere que uma IA de controle autônomo (FKDPP) pode contribuir significativamente para a autonomização da produção, a maximização do ROI e a sustentabilidade ambiental em todo o mundo. Yokogawa liderou o mundo no desenvolvimento de sistemas de controle distribuído que controlam e monitoram a operação de instalações de produção de fábricas e apoiou o crescimento de uma série de setores. Com o olhar fixo em um mundo de operação autônoma que forma o modelo para o futuro dos setores, estamos agora promovendo o conceito de IA2IA - Industrial Automation to Industrial Autonomy (Automação Industrial para Autonomia Industrial). Para obter uma produção forte e flexível que leve em consideração o impacto das diferenças entre humanos, máquinas, materiais e métodos, os 4Ms, nos setores de energia, materiais, produtos farmacêuticos e muitos outros, aceleraremos o desenvolvimento conjunto de IA de controle autônomo com nossos clientes em todo o 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)

Contato

• Contact Us about AI Solutions

 

Sobre a 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

Sobre a 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/

Os nomes de empresas, organizações, produtos, serviços e logotipos aqui contidos são marcas registradas ou marcas comerciais da Yokogawa Electric Corporation, da JSR Corporation ou de seus respectivos proprietários.

---

Visão Geral de teste de campo

1. Objetivo do teste de campo

1. Demonstrar que a IA de aprendizado por reforço (FKDPP: algoritmo Factorial Kernel Dynamic Policy Programming) pode ser aplicada com segurança em fábricas 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 fábrica de produtos químicos da JSR no Japão
Áreas controladas	Coluna de destilação Áreas em que os métodos de controle existentes (controle PID/APC) não podiam ser aplicados e o controle só podia ser realizado manualmente (em que os operadores consideravam o nível de operação das válvulas e inseriam essa informação eles mesmos) Áreas onde a chuva, a neve e outras condições climáticas eram 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, o controle ideal foi realizado para manter os líquidos na coluna de destilação em um nível adequado, de modo que todos os produtos estivessem em conformidade com os padrões, enquanto, para economizar energia, as válvulas foram operadas para maximizar o uso do calor residual como fonte de calor para a coluna de destilação e extrair a substância desejada A em um estado ideal.
Controle de IA	IA de aprendizado por reforço (FKDPP: algoritmo de programação de política dinâmica de núcleo fatorial)
Produtos e tecnologias utilizados	Yokogawa: OmegaLand simulador de planta (fornecido pela Yokogawa Electric Corporation, subsidiária da Omega Simulation Co., Ltd.) CENTUM Sistema de controle de produção integrado VP Exaopc Pacote de interface OPC (software que permite o gerenciamento de uma variedade de bancos de dados usados nos setores de processamento. Usa uma interface que está em conformidade com o padrão de interface OPC definido pela OPC Foundation. Suas funções incluem o salvamento automático de processar dados). Software de registro de dados GA10 (para tela de operação e dispositivo de entrada (HMI) e registro de dados), etc.
Operação	Gerenciado pelo sistema de controle de produção integrado CENTUM VP Permite que toda a processo de produção prossiga enquanto monitora e controla pressões, taxas de fluxo, temperaturas e outros fatores semelhantes, além de integrar várias funções de intertravamento para operação segura e estável e prevenção de acidentes. Para evitar acidentes na fábrica, ele opera em cooperação com dispositivos de desligamento de emergência (ESD), sistemas de proteção contra incêndio (F&G), etc.
Processo de implementação de IA	Gerar modelo de controle de IA com um simulador de planta Modelo de planta gerado a partir de informações de projeto para a planta relevante A IA baseada em aprendizado por reforço (algoritmo FKDPP) aprendeu e gerou um modelo de controle Avaliar de forma abrangente a validade e a confiabilidade do modelo de controle de IA Verificado com dados operacionais anteriores - A operação era estável? - Que tipo de controle foi realizado quando ocorreram problemas? Verificado com dados em tempo real - O sistema estava estável? - A qualidade do produto estava dentro das especificações? - Os operadores veteranos estavam satisfeitos com as instruções de controle do FKDPP? Garanta a segurança e depois controle uma planta real Garantia de segurança com intertravamentos existentes e outras funções de segurança Integrado ao sistema de controle de produção integrado CENTUM VP e incorporado às operações da fábrica Garantiu a segurança nas operações (respostas planejadas e sistema estabelecido para lidar com mau funcionamento do sistema de IA)
Período do projeto	Agosto de 2020 - fevereiro de 2022 (1 ano e 6 meses)
Período de operação contínua	35 dias, de 17 de janeiro a 21 de fevereiro de 2022 (840 horas)

3. Empresa roles

JSR

Fornecimento de local para o experimento, informações detalhadas sobre a planta, status operacional Definição de desafios a serem resolvidos pelo sistema de controle de IA Engenharia (conexão com o sistema de controle de produção integrado CENTUM VP existente) Avaliação da segurança e da validade da perspectiva do sistema de controle de IA Consideração dos sistemas de segurança para a introdução de sistemas de controle de 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	Combinando o know-how das duas empresas e concentrando-se nas áreas de uma fábrica 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 embarque foram produzidos com sucesso. Isso sugere que, como tecnologia de controle de última geração, a IA de aprendizagem por reforço (FKDPP) pode contribuir significativamente para a autonomização, a maximização do ROI e a sustentabilidade ambiental em fábricas de todo o mundo.
Intervenção humana	Controle autônomo de IA integrado ao sistema de controle de produção integrado CENTUM VP Apenas o monitoramento era necessário; basicamente, nenhuma intervenção humana era necessária.
Qualidade	Produção estável de produtos de boa qualidade que atendem a padrões rigorosos e podem ser enviados
Rendimento	As matérias-primas podiam ser transformadas em produtos com eficiência.
Economia de energia	A economia de energia foi obtida com a maximização do uso do calor residual como fonte de calor, permitindo uma redução nas emissões de CO2.
Custo	Somente produtos de boa qualidade foram produzidos, de modo que os custos de combustível e mão de obra incorridos devido à produção de produtos fora de especificação foram eliminados.
Tempo	Somente produtos de boa qualidade foram produzidos, de modo que as perdas de tempo que ocorrem devido à produção de produtos fora da especificação foram eliminadas.
Segurança	Não há mais a necessidade de operadores altamente experientes realizarem o controle manual 24 horas por dia, 365 dias por ano, o que significa que a carga sobre os seres humanos diminui e os erros são evitados, levando a níveis mais altos de segurança.

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

Tipo		Recursos	Benefícios
Controle autônomo	Para áreas que não podem ser automatizadas com os métodos de controle existentes (controle PID/APC), a IA deduz o método ideal de controle por conta própria e tem a robustez para controlar autonomamente, até certo ponto, situações que ainda não foram encontradas.	Com base no modelo de controle que aprende e deduz, a IA insere o nível de controle (variável manipuladora) necessário para cada situação.	Os benefícios do FKDPP são os seguintes: 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 a obtenção de alta qualidade e economia de energia. Aumenta a produtividade (qualidade, economia de energia, rendimento, menor tempo de estabilização) Simples (pequeno número de tentativas de aprendizado, sem necessidade de importar dados rotulados) Operação explicável Mesma segurança que os sistemas convencionais (altamente robusto, pode ser diretamente vinculado aos sistemas de controle de produção integrados existentes)
Suporte para áreas com automação incorporada	A IA pode assumir a tarefa, atualmente realizada pelos operadores, de inserir valores-alvo (valor definido) para áreas em que a automação foi implementada usando métodos de controle existentes (controle PID/APC).	O AI usa dados de controle anteriores para realizar cálculos e insere valores-alvo (valor definido).	A automação de tarefas manuais e a obtenção de operações estáveis são possíveis.
Suporte operacional para pessoas	A IA propõe valores-alvo (valor definido) aos quais os operadores farão referência ao realizar operações.	A IA usa dados de controle anteriores para sugerir valores-alvo (valor definido) aos humanos.	As diferenças devido ao nível de proficiência do operador desaparecerão.