Leia o artigo completo

Graças à intensa colaboração entre nossos cientistas de dados e especialistas em processos no ambiente de pesquisa e produção, estamos conseguindo aproveitar cada vez mais os acervos de dados existentes. Assim, é possível reduzir o consumo de energia e acelerar a inovação de produtos. Isso é possível graças aos métodos de inteligência artificial em conjunto com plataformas de dados, como o DIAP, e ferramentas de visualização, como o Power BI.

Para os cientistas de dados, o que importa é a composição perfeita. E como eles não são poetas, isso significa que querem encontrar uma formulação para um produto que encantará o cliente. O cliente pode vir da MPP, PLA, LAB ou outra BU. “Os colegas que querem melhorar as propriedades de um produto estão exatamente no lugar certo conosco”, declara Lynn Ferres, da equipe de Ciência de Dados e IA, DSAI, da área central de TI.

A equipe da DSAI desenvolveu uma abordagem que permite apresentar mais rapidamente sugestões promissoras para variantes otimizadas de produtos com o apoio de aprendizado de máquina. Essa abordagem foi aplicada com sucesso em várias unidades de negócios. Por exemplo, a BU PLA já havia desenvolvido um retardante de chamas muito bom. Então, ele precisou ser testado com diferentes ingredientes em diversas quantidades para encontrar uma versão otimizada de um plástico. As entradas e saídas complexas e multivariáveis foram analisadas com a ajuda de um modelo de IA. Um processo contínuo e iterativo, o aprendizado sequencial, forneceu várias formulações. “Nossos especialistas em retardantes de chamas, He Qingliang e Christopher Simpson, decidiram quais dessas sugestões seriam testadas posteriormente”, explica Lynn Ferres. Com seu know-how, eles conseguiram avaliar bem as propostas da IA. “Agora, temos duas candidatas que têm características muito boas em todas as variáveis-alvo”, completa Ferres. As escolhidas estão deixando o microcosmo do laboratório e sendo produzidas em escala de quilogramas. O material está sendo testado quanto à sua resistência à tração e à flexão, bem como ao seu estiramento, além de suas propriedades retardantes de chamas. Mas mesmo que as formulações candidatas tenham um bom desempenho nos testes, o cliente pode rejeitá-las. “Se forem muito boas, geralmente são muito caras. Nesse caso, precisamos combinar o produto com as demandas e as aplicações do cliente”, explica Ferres de forma prática. A empresa quer gerar vendas com suas inovações – esse é o principal objetivo.

Hanna Kahlfeld, também cientista de dados da equipe da DSAI, acabou de concluir um projeto com a BU MPP. “Os colegas nos procuram quando não encontram soluções no laboratório. Os casos são sempre complicados”, conta ela. Mas com a ajuda da abordagem de aprendizado sequencial, eles encontraram rapidamente uma formulação que atendia às propriedades especificadas. “Isso foi mais uma confirmação de que nossa abordagem funciona”, diz ela. Isso também convenceu outras pessoas e, assim, o desenvolvimento de formulações com auxílio de IA foi ancorado na Excelência em Inovação. Afinal, a abordagem demonstrou que a LANXESS é capaz de desenvolver produtos novos e melhorados de forma mais rápida. Kahlfeld agora está convidando qualquer pessoa a entrar em contato com ela e sua equipe no caso de tais questões.

PROJETO 2: GRAÇAS À IA E AO POWER BI –
NORMA ATENDIDA E MAIS CONHECIMENTO SOBRE PRODUÇÃO

Juntamente com Stefan Geißler, Diretor Sênior de Gestão de Energia da GF PTSE, e as empresas da área de monitoramento de eficiência energética, Dembek desenvolveu modelos para isso. O ponto de atrito foram os dados iniciais. “Eles são influenciados por muitos fatores”, diz Dembek. "Com a ajuda do DIAP, do Power BI e do uso de inteligência artificial, conseguimos defini-los. Já criamos mais de 3.000 linhas de base”, explica ele, apontando para um pôster. “Aqui vemos a curva modelada para o consumo energético de um sistema que nossa IA calculou a partir da base inicial. E aqui vemos o consumo energético real do sistema. O consumo real foi menor do que o calculado.” Isso é um sucesso. Mas isso é uma prova confiável de que o consumo de energia caiu? “Se supormos que, junto com os especialistas em processos, conseguimos identificar todas as variáveis relevantes para o consumo de energia, como temperatura ou volumes de produção, então sim.” Mas e se o ano inicial foi ameno e o ano a ser calculado foi extremamente frio? Os dados ainda são comparáveis? “Sim”, diz Dembek. “Os modelos levam isso em conta e adaptam o cálculo às diferentes condições. O resultado é colocado em perspectiva para permitir comparações confiáveis.” Sobretudo em tempos difíceis como os atuais, com volumes de produção reduzidos, a IA cria uma avaliação justa do desempenho energético. O que antes os colegas precisavam reunir e preparar laboriosamente em planilhas do Excel, hoje é automaticamente agrupado em um painel do Power BI por meio do DIAP. “Já criamos modelos para 20 plantas junto com os especialistas em processos”, diz Dembek. Alguns dos especialistas em processos ficaram surpresos com a intensidade com que a temperatura externa, por exemplo, influencia o consumo energético para o aquecimento de edifícios e processos de produção. Agora essa influência pode ser quantificada com exatidão. Portanto, a ferramenta não só ajuda a cumprir a norma ISO e a alcançar a aprovação em suas auditorias, mas também oferece aos especialistas uma visão mais profunda dos processos. E isso geralmente é o primeiro passo para outras medidas de economia de energia...

Outro projeto está sendo conduzido pelos cientistas de dados Hessam Ramezani e Rasit Faller sob o título “Otimização da produção controlada por IA”. Como parte do FORWARD!, o processo de produção da matéria-prima NaMBT em Kallo também foi avaliado. Essa matéria-prima é necessária para produzir intermediários para a BU Rhein Chemie. Em uma análise inicial, os cientistas de dados, juntamente com os especialistas em processos, determinaram que uma proporção significativa da cara matéria-prima anilina não chegava ao produto-alvo durante a produção. “Ela é ligada em forma de resinas em um subproduto indesejado e, por fim, queimada”, explica Rasit Faller, acrescentando que isso era inaceitável, dado o fato de que a matéria-prima anilina é o componente mais caro do processo de fabricação. “Com um modelo apoiado por IA que baseamos no DIAP, conseguimos otimizar o processo de produção de modo que perdemos um terço a menos de anilina”, diz Hessam Ramezani. Mas isso não é tudo: “Agora estamos tentando encontrar outros parâmetros de processo com a ajuda da IA para transferir ainda mais anilina para o produto final”, afirma Ramezani.

PROJETO 4: O COCKPIT É O PONTO DE ACESSO CENTRAL

Outro projeto-piloto surgiu do projeto de otimização da produção em Kallo. Os cientistas de dados Faller e Ramezani desenvolveram um painel de produção inovador junto com especialistas em processos de Kallo e colegas da GF PTSE. Eles implementaram o cockpit no Microsoft Power BI. Ele permite que os usuários monitorem o status da produção e o consumo de energia da planta de maneira dinâmica e precisa. “Com isso, oferecemos uma visão geral, abrangente e contínua de todos os principais números de produção e energia em um ponto de acesso central”, explica Faller.

O cockpit de produção já está sendo usado de forma ativa na unidade de Kallo e está sendo continuamente expandido para melhorar ainda mais a eficiência e a tomada de decisões.

Explicação

Resumida dos Novos Termos

Aprendizado de Máquina (Machine Learning): um modelo é treinado com dados de entrada conhecidos para gerar previsões para pontos de dados novos e desconhecidos. O modelo aprende a reconhecer correlações e padrões nos dados de entrada.

Aprendizado Sequencial (Sequential Learning): em um processo iterativo (repetitivo), um modelo de aprendizado de máquina é treinado e usado para fazer previsões para dados desconhecidos. As previsões mais promissoras são testadas. Na próxima aprendizagem sequencial, o modelo é treinado adicionalmente com os resultados dos testes da iteração anterior. Isso ajuda o modelo a entender melhor ainda as correlações e os padrões, de modo que sua capacidade preditiva é aperfeiçoada a cada iteração.

Data Integration & Analytics Platform (DIAP): essa plataforma, desenvolvida pela equipe da DSAI, permite a combinação, análise e visualização de dados de todos os sistemas da LANXESS, assim como de vários sistemas externos. Como parte de projetos no ambiente de produção, a plataforma é usada para melhorar processos, identificar gargalos, prever requisitos de manutenção, aumentar a produção ou aprimorar a eficiência geral.

Power BI: o termo refere-se a um conjunto de serviços de software, aplicativos e interfaces que possibilitam vincular, importar e visualizar dados de várias fontes. Com a ajuda do Power BI, os relatórios podem ser acessados não só localmente no PC, mas também em qualquer lugar do mundo por meio de um navegador da Web. Com os aplicativos móveis do Power BI, os relatórios e painéis também podem ser usados em um smartphone. Isso se aplica a dispositivos Windows, iOS e Android.