Um produtor líder maximiza o rendimento de nitrato usando CONNECT e Databricks

A Sociedad Química y Minera de Chile (SQM) é uma das principais produtoras mundiais de nutrição vegetal especializada, iodo e seus derivados, e produtos químicos industriais à base de nitrato. Com mais de 8.300 colaboradores e aproximadamente US$ 4,5 bilhões em receita anual, a SQM atua em vários continentes, atendendo os setores de agricultura, farmacêutico, saúde e tecnologias sustentáveis.

Na SQM, a divisão de iodo e nutrição vegetal (SQM YNV) gerencia as plantas de produção de nitrato. Isso é fundamental para a cadeia de suprimentos global da empresa. Ao melhorar o rendimento, reduzir o desperdício e otimizar o consumo de recursos, a SQM reconheceu que poderia ampliar suas metas de sustentabilidade, além de manter sua posição de liderança em produtos químicos especializados.

Maximizar a produção de nitrato exigiu ajustes operacionais.

A SQM queria maximizar o rendimento da produção de nitrato por meio do ajuste ideal de parâmetros operacionais, como proporções de alimentação, temperaturas e condições de fluxo. Melhorar o rendimento era fundamental para aumentar a eficiência operacional, reduzir os custos de produção e proteger as margens em um negócio que continua sendo um importante contribuinte para o portfólio da SQM. Antes que a otimização pudesse começar, a SQM precisava enfrentar vários desafios operacionais e de processo.

Historicamente, as decisões eram baseadas na experiência, não em dados. Os operadores dependiam fortemente da intuição e de anos de conhecimento acumulado, sem um sistema dinâmico que sugerisse os pontos de ajuste ideais. Por exemplo, a SQM não tinha modelos preditivos ou de simulação automatizados que permitissem aos operadores prevenir falhas antes que elas afetassem a produtividade. Essas ferramentas permitiriam aos operadores executar simulações de cenários em tempo real e ajustar variáveis com base nos resultados dos modelos.

Além disso, os processos da SQM envolvendo matérias-primas eram ineficientes. Por exemplo, determinadas condições levavam ao consumo excessivo de sal e a proporções mais altas entre alimentação e produção. A equipe reconheceu que isso poderia ser resolvido com otimização dinâmica.

Para enfrentar esses desafios operacionais e de processo, a SQM primeiro teve que superar uma série de obstáculos de dados e tecnologia, como os seguintes:

• Fontes de dados desconectadas:A SQM não tinha uma camada analítica unificada que integrasse dados de processo, sensores e análises laboratoriais aos resultados de simulação.
• Capacidade limitada de compartilhar conjuntos de dados operacionais: A SQM precisava de uma maneira mais escalável e amigável para desenvolvedores de expor dados operacionais a plataformas de análise em nuvem e IA, como o Databricks.
• Ausência de fluxo de trabalho em circuito fechado: Os resultados dos modelos não podiam ser reintegrados de forma contínua aos sistemas locais para dar visibilidade aos operadores ou permitir o rastreamento histórico.

Ficou claro para a SQM que ela precisava de uma arquitetura que unificasse dados operacionais, modelos de simulação e IA para viabilizar percepções e recomendações em tempo real a fim de melhorar o rendimento de nitrato.

Infraestrutura centralizada de dados industriais

Para resolver seus desafios, a SQM implementou o CONNECT sobre o AVEVA PI System e utilizou a solução como espinha dorsal dos dados industriais, usando sua interface de apontar e clicar para facilitar a implementação. A empresa também integrou seus dados de OT ao Databricks no Azure por meio do Delta Sharing, disponibilizando-os no Unity Catalog para simulação, aprendizado de máquina e modelagem de otimização. Essas soluções viabilizaram um fluxo de trabalho completo em circuito fechado, das operações locais à análise em nuvem e de volta à planta, com os seguintes recursos:

Arquitetura de dados unificada para análise

• O agente PI to CONNECT transferiu de forma segura os dados do AVEVA™ PI Server da planta de nitrato para o CONNECT.
• Foram criadas uma visualização de dados curada e uma tabela virtual, contendo variáveis operacionais relevantes usando agregados de um minuto.
• O Databricks acessou esses dados no Unity Catalog por meio do Delta Sharing padrão e aberto, com atualização a cada cinco minutos.

 Desenvolvimento rápido de ML e modelos híbridos

• Trabalho com notebooks SQL e Python para validar a densidade e a qualidade dos dados.
• Treinamento e retreinamento de modelos de simulação híbridos e de ML para estimar as condições ideais da planta.
• Desenvolvimento de modelos avançados de otimização dinâmica para gerar recomendações em tempo real.

Fechando o ciclo de volta para as operações

• Os resultados dos modelos eram gravados do Databricks de volta no CONNECT e, em seguida, no AVEVA PI Server usando o CONNECT to PI Agent.
• Os operadores podiam visualizar previsões e recomendações dos modelos de ML na ferramenta de tendências do CONNECT e nas ferramentas de visualização da AVEVA, incluindo o AVEVA PI Vision.
• Isso permitiu que os operadores comparassem o desempenho real com os valores ideais guiados pelos modelos.

Ao usar o AVEVA PI System, o CONNECT e o Databricks, a SQM estabeleceu uma base digitalizada que transformou as operações e acelerou o valor para o negócio. O piloto Lighthouse foi executado ao longo de várias semanas, com equipes de operações, cientistas de dados, engenheiros de análise e especialistas em CONNECT colaborando para ingerir os dados, criar visualizações de dados e desenvolver modelos preditivos e de otimização.

Esta equipe multidisciplinar criou uma base digital que transformou as operações e acelerou o valor de negócio.

• Os modelos preditivos agora são altamente precisos (cerca de 90%), ajudando os operadores a tomar decisões com confiança.
• O tempo para geração de insights caiu de dias para minutos, graças aos ciclos de atualização automática.
• O retreinamento dos modelos foi reduzido de semanas para horas, acelerando a iteração e melhorando a adaptabilidade à medida que as condições do processo evoluem.

A nova base digitalizada também gerou valor para os operadores:

• Atualizações em tempo quase real (cinco minutos) suportam ciclos de otimização contínua.
• Os operadores reduziram o esforço de análise manual em 30 a 50%, concentrando-se mais nos ajustes e menos na coleta de dados.
• A SQM agora possui um pipeline de dados industriais pronto para a empresa e amigável ao desenvolvedor para suportar novas iniciativas de análise em escala.

"Um grande valor foi liberado quando os dados puderam ser transmitidos do (AVEVA) PI System para o Databricks, nossa plataforma de dados e IA. Uma solução amigável para desenvolvedores e industrial para mover dados em escala está agora disponível para nós. Não só este caso de uso específico é viável, mas também muitos outros desafios operacionais que surgirão."

–Matias Gatica, Gerente de Transformação Digital, SQM YNV
 

Aumento do rendimento de nitrato e redução de desperdícios

A nova arquitetura da SQM ajudou a equipe a ativar uma nova forma de operar seus processos de produção de nitrato orientada por dados, gerando valor para o negócio de várias maneiras.

• O rendimento de nitrato aumentou em até 1%, impulsionado por condições de processo otimizadas e janelas operacionais de alto desempenho mais consistentes.
• A eficiência no uso de matérias-primas melhorou de 1 a 3%, reduzindo o consumo de sal e minimizando as perdas químicas.
• A variabilidade nos parâmetros-chave diminuiu de 10 a 15%, melhorando a estabilidade da planta e reduzindo os períodos de operação fora de especificação.

O que vem a seguir para a SQM?

Com base no sucesso do projeto de otimização do rendimento de nitrato, a SQM planeja expandir essa abordagem para mais plantas e linhas de produção de nitrato, ampliando o impacto da tomada de decisão orientada por dados. A empresa está explorando modelos multivariáveis mais robustos por meio da integração de dados laboratoriais, de manutenção e de qualidade, bem como agentes de otimização em tempo real para sugerir pontos de ajuste aos operadores e reduzir a variabilidade do processo.

Com o AVEVA PI System, o CONNECT e o Databricks como base de dados corporativa, a SQM está criando uma estrutura escalável para dar suporte à análise em suas divisões de iodo, lítio e nutrição vegetal, ao mesmo tempo em que investe em competências internas para permitir que engenheiros e especialistas em dados criem e aperfeiçoem modelos preditivos.

Essas iniciativas marcam o início de uma transformação mais ampla, integrando dados, modelos e operações para aprimorar o desempenho da planta, a eficiência no uso de recursos e a sustentabilidade em todas as operações globais da SQM.