IA na indústria de processos

Na indústria de processos, fabrica-se um produto num processo contínuo ou por lotes, como acontece nos setores alimentar, químico, do papel, da água potável e da energia. A IA ajuda em três áreas: estimar um valor que, atualmente, só é medido em laboratório, escolher melhor os parâmetros de operação e detetar avarias mais cedo.

O ponto de partida são quase sempre os dados do processo que já existem. Estas são algumas das aplicações de IA que desenvolvemos. Para saber mais sobre produção de energia e redes, consulte dados e IA para o setor da energia.

Um soft sensor é um modelo que estima uma variável do processo difícil de medir, como a concentração ou a viscosidade, a partir de medições recebidas continuamente, como a temperatura, a pressão e o caudal. Uma revisão de Kadlec, Gabrys e Strandt (Computers and Chemical Engineering, 2009) apresenta os soft sensors como uma alternativa valiosa para medir, monitorizar e controlar variáveis críticas do processo.

O risco está no tempo: um resultado laboratorial corresponde ao momento da recolha da amostra, não ao momento em que é introduzido no sistema. Se confundir os dois, treina o modelo com o estado errado do processo.

Normalmente, são necessários os tags do historian, alimentados pelo sistema de controlo do processo ou pelo SCADA, os resultados laboratoriais do LIMS e os registos de avarias e ordens de trabalho do sistema de manutenção. O modelo ISA-95 organiza uma empresa em camadas, desde os equipamentos no chão de fábrica até ao ERP, com MES e SCADA pelo meio.

Reunimos os dados dessas camadas numa plataforma de dados e IA, muitas vezes através do historian ou de uma ligação por OPC UA, a norma independente de plataforma para o intercâmbio de dados industriais.

O ambiente OT — as redes e os sistemas que controlam a instalação — está normalmente separado da rede dos escritórios, e deve continuar assim. A série ISA/IEC 62443 define requisitos e processos para manter a segurança digital dos sistemas de automação e controlo industriais.

Por isso, não lemos os dados diretamente do sistema de controlo. Usamos uma cópia do historian ou uma ligação aprovada pela equipa responsável pela gestão de OT. Um modelo que apenas recomenda ações não precisa de enviar dados de volta para o sistema de controlo.

Num processo contínuo, uma única bomba, compressor ou permutador de calor pode, por vezes, parar toda a linha. Um modelo de manutenção acompanha sinais como vibração, temperatura e queda de pressão, e aprende com o histórico de avarias que padrões antecedem uma falha. Num permutador de calor, a acumulação de sujidade revela-se muitas vezes por uma queda de pressão que aumenta gradualmente.

Para a Fokker Services, combinámos dados de manutenção, dados de sensores e dados operacionais num modelo que mostra quando a manutenção é realmente necessária. Saiba mais sobre a abordagem em predictive maintenance.

Depende do que o modelo faz. O Regulamento da IA classifica como de risco elevado a IA utilizada como componente de segurança no fornecimento de água, gás, aquecimento ou eletricidade. Um soft sensor que aconselha o operador é diferente de um modelo que aciona uma comporta ou válvula por si próprio.

Cabe à sua equipa jurídica ou de conformidade avaliar se a aplicação é de risco elevado. Ajudamos a fazer o levantamento e a preparar a classificação do risco; pode consultar o calendário em Regulamento da IA.

Uma matéria-prima diferente, um sensor substituído ou um novo ciclo de limpeza alteram os dados. Se o modelo não detetar a mudança, pode começar a fazer estimativas erradas sem que ninguém se aperceba. Por isso, é necessário monitorizar os modelos em produção. Para a Rijkswaterstaat, desenvolvemos um pacote genérico para deteção de drift e outliers.

Para a Waternet, criámos um workflow de MLOps com um MLflow model registry e templates de CI/CD, para que o código e os modelos sigam um percurso definido até à produção. Saiba mais sobre MLOps e gestão e melhoria contínua.

Quando um controlador bem configurado ou uma medição laboratorial adicional já resolve o problema, ou quando não é possível relacionar os dados históricos com resultados laboratoriais e avarias. Nesse caso, começa-se pelo controlo, pelos dados ou por um dashboard de Power BI — e dizemo-lo claramente.

Se fabrica produtos individuais numa linha, em vez de produzir um produto através de um processo, as questões são outras. Nesse caso, consulte a avaliação de IA para a indústria transformadora.