Un productor líder maximiza la producción de nitratos con CONNECT y Databricks

Sociedad Química y Minera de Chile (SQM) es uno de los principales productores mundiales de nutrición vegetal especializada, yodo y sus derivados, y productos químicos industriales a base de nitratos. Con más de 8300 empleados y unos ingresos anuales de aproximadamente 4500 millones de dólares, SQM opera en varios continentes y presta servicio a los sectores de la agricultura, la industria farmacéutica, la salud y las tecnologías sostenibles.

Dentro de SQM, la división de yodo y nutrición vegetal (SQM YNV) gestiona las plantas de producción de nitrato. Esto es fundamental para la cadena de suministro global de la empresa. Al mejorar el rendimiento, reducir los residuos y optimizar el consumo de recursos, SQM reconoció que podía ampliar sus objetivos de sostenibilidad, así como mantener su papel de liderazgo en las especialidades químicas.

Maximizar la producción de nitratos requirió ajustes operativos

SQM quería maximizar el rendimiento de la producción de nitratos mediante el ajuste óptimo de parámetros operativos como las proporciones de alimentación, las temperaturas y las condiciones de flujo. Mejorar el rendimiento era fundamental para aumentar la eficiencia operativa, reducir los costes de producción y proteger los márgenes en un negocio que sigue siendo un componente importante de la cartera de SQM. Antes de iniciar la optimización, SQM necesitaba abordar varios retos operativos y de proceso.

Históricamente, las decisiones se basaban en la experiencia, no en los datos. Los operadores dependían en gran medida de la intuición y de años de conocimiento acumulado, sin disponer de un sistema dinámico que sugiriera puntos de ajuste óptimos. Por ejemplo, SQM no contaba con modelos automatizados de predicción ni de simulación que permitieran a los operadores anticiparse a los fallos antes de que afectaran a la productividad. Estas herramientas permitirían realizar simulaciones de escenarios en tiempo real y ajustar las variables en función de los resultados de los modelos.

Además, los procesos de SQM relacionados con las materias primas eran ineficaces. Por ejemplo, ciertas condiciones provocaban un consumo excesivo de sal y ratios más altos de alimentación/producción. El equipo reconoció que esto se podía resolver con una optimización dinámica.

Para hacer frente a estos retos operativos y de proceso, SQM tuvo que superar primero una serie de obstáculos relacionados con los datos y la tecnología, como los siguientes:

• Fuentes de datos desconectadas: SQM carecía de una capa analítica unificada que integrara los datos analíticos de procesos, sensores y laboratorio con los resultados de las simulaciones.
• Capacidad limitada para compartir conjuntos de datos operativos: SQM necesitaba una forma más escalable y fácil de usar para los desarrolladores de compartir datos operativos con plataformas de análisis en la nube y de IA, como Databricks.
• Ausencia de un flujo de trabajo de circuito cerrado: los resultados de los modelos no podían reintegrarse de forma fluida en los sistemas locales para ofrecer visibilidad a los operarios ni permitir el seguimiento histórico.

Para SQM, quedó claro que necesitaba una arquitectura que unificara los datos operativos, los modelos de simulación y la IA para ofrecer información y recomendaciones en tiempo real con el fin de mejorar la producción de nitratos.

Infraestructura centralizada de datos industriales

Para resolver estos retos, SQM implementó CONNECT sobre AVEVA PI System y utilizó la solución como infraestructura centralizada de los datos industriales, gracias a su interfaz sencilla que facilitó la implementación. La empresa también integró sus datos de OT mediante Delta Sharing con Databricks en Azure, y los puso a disposición en Unity Catalog para la simulación, el aprendizaje automático y modelos de optimización. Estas soluciones permitieron establecer un flujo de trabajo completo de circuito cerrado, desde las operaciones locales hasta los análisis en la nube y de vuelta a la planta, con las siguientes capacidades:

Arquitectura de datos unificada para análisis

• PI to CONNECT Agent transfirió de forma segura los datos de AVEVA™ PI Server de la planta de nitratos a CONNECT.
• Se creó una vista de datos depurada y una tabla virtual que contenían las variables operativas pertinentes con agregaciones de un minuto.
• Databricks accedió a estos datos de Unity Catalog a través de Delta Sharing estándar y abierto, que se actualizaba cada cinco minutos.

 Desarrollo rápido de modelos de ML e híbridos

• Se trabajó con notebooks de SQL y Python para validar la densidad y la calidad de los datos.
• Se entrenaron y reentrenaron modelos de ML y de simulación híbrida para estimar las condiciones óptimas de la planta.
• Se desarrollaron modelos avanzados de optimización dinámica para generar recomendaciones en tiempo real.

Cierre del ciclo de vuelta a las operaciones

• Los resultados de los modelos se escribían desde Databricks en CONNECT y, a continuación, en AVEVA PI Server mediante CONNECT to PI Agent.
• Los operarios podían visualizar las predicciones y recomendaciones de los modelos de ML en la herramienta de tendencias de CONNECT y en las herramientas de visualización de AVEVA, incluido AVEVA PI Vision.
• Esto permitió a los operadores comparar el rendimiento real con los valores óptimos recomendados por el modelo.

Mediante el uso de AVEVA PI System, CONNECT y Databricks, SQM estableció una base digital que transformó las operaciones y aceleró el valor empresarial. El piloto de Lighthouse se ejecutó a lo largo de varias semanas, con la colaboración de personal de operaciones, científicos de datos, ingenieros analíticos y especialistas en CONNECT para ingerir los datos, crear vistas de datos y desarrollar modelos predictivos y de optimización.

Este equipo multifuncional creó una base digital que transformó las operaciones y aceleró el valor empresarial:

• Los modelos predictivos son ahora muy precisos (alrededor del 90 %) y ayudan a los operadores a tomar decisiones seguras.
• El tiempo para obtener información se redujo de días a minutos gracias a los ciclos de actualización automáticos.
• El reentrenamiento de los modelos pasó de semanas a horas, lo que aceleró la iteración y mejoró la capacidad de adaptación a medida que evolucionan las condiciones del proceso.

La nueva base digital también aportó valor a los operarios:

• Las actualizaciones casi en tiempo real (cada cinco minutos) respaldan ciclos continuos de optimización.
• Los operarios redujeron el esfuerzo de análisis manual entre un 30 y un 50 %, lo que les permitió centrarse más en los ajustes y menos en la recopilación de datos.
• SQM dispone ahora de un pipeline de datos industriales preparado para el ámbito empresarial y orientado a desarrolladores, que permite impulsar nuevas iniciativas de analítica a gran escala.

«Se generó un gran valor cuando los datos pudieron transmitirse desde (AVEVA) PI System a Databricks, nuestra plataforma de datos e IA. Ahora disponemos de una solución industrial, orientada a desarrolladores, para mover datos a gran escala. No solo es posible abordar este caso de uso en particular, sino también muchos otros desafíos operativos que surgirán».

—Matías Gatica, Director de Transformación Digital de SQM YNV
 

Mejora de la producción de nitratos y reducción de residuos

La nueva arquitectura de SQM permitió al equipo adoptar una nueva forma de operar los procesos de producción de nitratos, basada en datos, y generar valor para el negocio de múltiples maneras.

• La producción de nitratos aumentó hasta un 1 %, impulsada por la optimización de las condiciones del proceso y por ventanas operativas de alto rendimiento más estables.
• La eficiencia de la materia prima mejoró entre 1 y 3 %, reduciendo el consumo de sal y minimizando las pérdidas de productos químicos.
• La variabilidad de los parámetros clave se redujo entre un 10 y un 15 %, lo que mejoró la estabilidad de la planta y redujo los periodos de operación fuera de especificación.

¿Qué le depara el futuro a SQM?

Sobre la base del éxito del proyecto de optimización de la producción de nitratos, SQM prevé ampliar este enfoque a más plantas y líneas de producción de nitratos, con el fin de incrementar el impacto de la toma de decisiones basada en datos. La empresa está explorando modelos más ricos y multivariables mediante la integración de datos de laboratorio, mantenimiento y calidad, así como agentes de optimización en tiempo real que sugieran puntos de ajuste a los operarios y reduzcan la variabilidad del proceso.

Con AVEVA PI System, CONNECT y Databricks como base de datos empresarial, SQM está creando un marco escalable para respaldar la analítica en sus divisiones de yodo, litio y nutrición vegetal, al tiempo que invierte en habilidades internas para que ingenieros y especialistas en datos puedan desarrollar y perfeccionar modelos predictivos.

Estas iniciativas marcan el inicio de una transformación más amplia, integrando datos, modelos y operaciones para mejorar el rendimiento de la planta, la eficiencia de los recursos y la sostenibilidad en todas las operaciones globales de SQM.