Inteligencia y trabajo en equipo
Gracias a la intensa colaboración entre nuestros científicos de datos y los expertos en procesos en el entorno de la investigación y la producción, cada vez conseguimos aprovechar mejor los tesoros de datos existentes. Así se reduce el consumo de energía y se aceleran las innovaciones de productos. Esto es posible gracias a métodos de inteligencia artificial en combinación con plataformas de datos como DIAP y herramientas visuales como Power BI.
Proyecto 1: Resultados más rápidos
Para los científicos de datos todo gira en torno a la formulación perfecta. Y, como no son poetas, eso significa que necesitan encontrar la formulación perfecta, es decir, una formulación para un producto que en última instancia haga las delicias del cliente. En este contexto, el cliente puede provenir de MPP, PLA, LAB o de otra BU. «Nosotros somos la instancia adecuada para los colegas que quieren mejorar las propiedades de un producto», afirma Lynn Ferres, del equipo de Data Science & AI, DSAI, de la unidad funcional IT.
El equipo de DSAI ha desarrollado un enfoque que permite hacer más rápido propuestas prometedoras de variantes optimizadas de productos con la ayuda del aprendizaje automático y ha aplicado con éxito este enfoque a varias unidades de negocios. Así, la BU PLA había conseguido ya desarrollar un magnífico retardante de llama. Ahora se debe probar con diferentes ingredientes en distintas cantidades para encontrar una versión optimizada de un plástico. Las complejas entradas y salidas multivariables se analizaron con la ayuda de un modelo de IA. El aprendizaje secuencial, un proceso continuo e iterativo, proporcionó varias formulaciones. «Nuestros expertos en retardantes de llama He Qingliang y Christopher Simpson decidieron cuál de estas propuestas había que seguir ensayando», explica Lynn Ferres. Su experiencia y conocimientos les permite hacer una buena valoración de las propuestas de la IA. «Ahora tenemos dos candidatos con excelentes propiedades en todas las variables objetivo», afirma Ferres. Los elegidos salen entonces del microcosmos del laboratorio y se fabrican a escala kilogramo. El material se somete después a pruebas para comprobar su resistencia a la tracción y a la flexión, y su alargamiento, así como sus propiedades ignífugas. No obstante, es posible que el cliente rechace los candidatos aunque obtengan muy buenos resultados en las pruebas. «Si son demasiado buenos, a menudo son demasiado caros. Entonces tenemos que ajustar el producto a los deseos y aplicaciones del cliente», explica Ferres con naturalidad. La empresa quiere generar ventas con sus innovaciones: ese es el objetivo final.
Hanna Kahlfeld, también científica de datos en el equipo de DSAI, acaba de terminar un proyecto con la BU MPP. «Los colegas acuden a nosotros cuando se atascan en el laboratorio. Los casos son siempre complicados», comenta. Sin embargo, con la ayuda del aprendizaje secuencial encontraron rápidamente una formulación que cumplía las propiedades especificadas. «Eso fue para nosotros una confirmación más de que nuestro enfoque funciona», afirma. Además, sirvió para convencer a otros, por lo que el desarrollo de la formulación con ayuda de la IA se dejó fijado en Innovation Excellence. Esto se debe a que ha demostrado que LANXESS es capaz de desarrollar más rápido productos nuevos y mejorados. Kahlfeld invita ahora a cualquiera a contactar con ella y su equipo si tiene alguna pregunta de este tipo.
Proyecto 2: Gracias a la IA y a Power BI –
norma cumplida y más conocimientos sobre producción
El científico de datos Marcel Dembek aborda su tarea de forma diferente, pero también con la ayuda de la IA. Dembek se enfrentó a un nuevo reto cuando hace cuatro años aumentaron los requisitos de la norma ISO 50001. En ella se estipula que las empresas deben realizar una evaluación energética que demuestre que el uso de la energía ha mejorado continuamente en comparación con una línea base de referencia. Esta evaluación debe ser trazable y se somete a la verificación de organizaciones de certificación.
Junto con Stefan Geißler, Senior Officer Energy Management, GF PTSE, y las empresas en el área de supervisión de la eficiencia energética, Dembek desarrolló modelos para ello. El escollo fueron los datos iniciales. «En ellos influyen muchos factores», explica Dembek. «Conseguimos definirlos con la ayuda de DIAP, Power BI y el uso de la inteligencia artificial. Ahora hemos creado más de 3000 bases iniciales», explica señalando un póster. «Aquí podemos ver la curva modelizada del consumo energético de una instalación que nuestra IA ha calculado a partir de la base inicial. Y aquí vemos el consumo energético real de la instalación. El consumo real de energía fue inferior al calculado». Y eso es un éxito. Pero... ¿es una prueba creíble de que el consumo de energía ha disminuido? «Si suponemos que, junto con los expertos en procesos, hemos sido capaces de identificar todas las variables relevantes para el consumo energético, como la temperatura o los volúmenes de producción, entonces sí». ¿Pero y si en el año inicial hubo temperaturas suaves y el año del cálculo fue extremadamente frío? ¿Entonces siguen siendo comparables los datos? «Sí», afirma Dembek. «Nuestros modelos lo tienen en cuenta y adaptan el cálculo a las diferentes condiciones. El resultado se relativiza para permitir comparaciones fiables». Especialmente en tiempos tan difíciles como los actuales, con volúmenes de producción reducidos, la IA genera una evaluación justa del rendimiento energético. Si antes los colegas tenían que cotejar y preparar laboriosamente la información en hojas de cálculo de Excel, ahora todo se coteja automáticamente en un panel de control Power-BI a través de DIAP. «Ya hemos creado modelos para 20 empresas junto con los expertos en procesos», afirma Dembek. Algunos de los expertos en procesos se sorprendieron, por ejemplo, de lo mucho que influye la temperatura exterior en el consumo de energía para la calefacción de los edificios y los procesos de producción. Ahora esta influencia se puede cuantificar con precisión. Por lo tanto, la herramienta no solo ayuda a cumplir la norma ISO y superar sus auditorías, sino que también les ofrece a los expertos una visión más profunda de los procesos. Y ese suele ser el primer paso hacia nuevas medidas de ahorro energético...
Proyecto 3: Rendimiento eficiente de los productos con la IA
Otro proyecto está dirigido por los científicos de datos Hessam Ramezani y Rasit Faller bajo el título «Optimización de la producción controlada por IA». Como parte de FORWARD!, también se examinó a fondo el proceso de producción de la materia prima NaMBT en Kallo. Esta materia prima es necesaria para elaborar productos intermedios para la BU Rhein Chemie. En un análisis inicial, los científicos de datos y los expertos en procesos determinaron que una proporción significativa de una costosa materia prima, la anilina, no va a parar al producto final durante la producción. «Se une en forma de resinas en un subproducto no deseado y, finalmente, se quema», explica Rasit Faller, y añade que esto era algo inaceptable dado que la anilina como materia prima es el componente más caro del proceso de fabricación. «Con un modelo asistido por la IA que basamos en la DIAP, ahora hemos podido optimizar el proceso de producción, lo que se traduce en que perdemos un tercio menos de anilina», afirma Hessam Ramezani. Pero eso no es todo: «Ahora estamos tratando de encontrar con la ayuda de la IA otros parámetros del proceso para transferir aún más anilina al producto final», afirma Ramezani.
Proyecto 4: El panel de control es el punto de acceso centralizado
A partir del proyecto de optimización de la producción en Kallo surgió otro proyecto piloto. Los científicos de datos Faller y Ramezani desarrollaron un innovador panel de control de producción junto con expertos en procesos de Kallo y colegas de la GF PTSE. Implementaron el panel de control en Microsoft Power BI. Les permite a los usuarios supervisar el estado de la producción y el consumo energético de la instalación de forma dinámica y precisa. «Así ofrecemos una visión global y sin fisuras de todas las cifras clave de producción y energía en un único punto de acceso centralizado», explica Faller.
El panel de control de producción ya se emplea activamente en la planta de Kallo y se está ampliando continuamente para mejorar aún más la eficacia y la toma de decisiones.
Los nuevos conceptos, explicados
Aprendizaje automático: se entrena un modelo con datos de entrada conocidos para generar predicciones para puntos de datos nuevos y desconocidos. El modelo aprende a reconocer correlaciones y patrones en los datos de entrada.
Aprendizaje secuencial: en un proceso iterativo (repetitivo) se entrena un modelo de aprendizaje automático y se utiliza para hacer predicciones para datos desconocidos. Se prueban las predicciones más prometedoras. En el siguiente aprendizaje secuencial, el modelo se entrena adicionalmente con los resultados de las pruebas de la repetición anterior. Esto contribuye a que el modelo comprenda aún mejor las correlaciones y los patrones, de modo que su poder predictivo mejora con cada repetición.
Data Integration & Analytics Platform (DIAP): esta plataforma desarrollada por el equipo de DSAI permite combinar, analizar y visualizar los datos procedentes de todos los sistemas de LANXESS, así como los de diversos sistemas externos. Como parte de los proyectos en el entorno de producción, la plataforma se utiliza para mejorar los procesos, identificar los atascos, predecir las necesidades de mantenimiento, aumentar el rendimiento de la producción o mejorar la eficiencia en general.
Power BI: el término hace referencia a un conjunto de servicios de software, aplicaciones e interfaces que permiten vincular, importar y visualizar datos de diversas fuentes. Con la ayuda de Power BI se puede acceder a los informes no solo localmente en un PC, sino también a través de un navegador desde cualquier lugar del mundo. Con las apps móviles de Power BI, los informes y los paneles de control también se pueden usar en un smartphone. Esto es válido para dispositivos Windows, iOS y Android.