Acelerar la digitalización y la descarbonización de las industrias de gran consumo de energía
La digitalización y la mejora del control de los procesos pueden tener un efecto significativo en la huella ambiental de los procesos industriales, pero las industrias de transformación se están quedando atrás en la transición digital. El equipo del proyecto COGNIPLANT, financiado con fondos europeos, ha permitido a las industrias de gran consumo de energía (EII, por sus siglas en inglés) aprovechar los macrodatos mediante una arquitectura flexible en la nube, el análisis avanzado de datos y el aprendizaje automático. Los modelos predictivos y los gemelos digitales mejoraron la sostenibilidad en cuatro casos de uso: productos químicos, hormigón, aluminio y metales.
Tratamiento de los datos masivos, modelos de aprendizaje automático y gemelos digitales
La infraestructura común en la nube de COGNIPLANT puede recopilar, almacenar, procesar y mostrar de forma flexible los datos y análisis de los flujos de trabajo de cualquier EII. Dentro de esta misma infraestructura, se desplegó un sistema de modelización predictiva mediante la minería de datos y el aprendizaje automático. La integración de la modelización predictiva en la arquitectura basada en la nube permitió gestionar eficazmente la formación de los modelos a través de los datos masivos, así como el despliegue, la ejecución y el mantenimiento de los modelos. Según el coordinador del proyecto, Pedro María De la Peña Tejada, de www.ibermatica.com (Ibermática), ahora una empresa de Ayesa: «Los múltiples modelos de aprendizaje automático simulan distintos aspectos de los procesos industriales. Por ejemplo, pueden predecir la cantidad de energía necesaria para alcanzar una determinada temperatura en una fundición de acero o el vapor necesario en un proceso Bayer para la producción de aluminio». Además, se desarrollaron dos tipos de gemelos digitales. Uno se centró en proporcionar información al operario sobre los parámetros óptimos del proceso necesarios para alcanzar una variable objetivo, y el otro para ajustar dinámicamente los parámetros del proceso de producción en tiempo real.
Acelerar la digitalización y la descarbonización de las industrias de transformación
«Muchos de los avances fueron el primer paso hacia la digitalización y la utilización de datos para el control de los procesos de las industrias de transformación implicadas. Esto hizo que la fase inicial del proyecto fuera compleja en cuanto a tener un lenguaje común y expectativas unificadas», señala De la Peña. Una vez superado esto, el progreso se aceleró rápidamente. Para cada caso de uso, se organizó una sesión de formación «in situ» para los empleados de cada uno de los pilotos. Los materiales de formación para cada uno de los casos de uso están disponibles en el sitio web del proyecto, para inspirar y apoyar a otros en la reducción de la ineficacia energética y de los recursos y del impacto ambiental de las industrias de transformación. El seguimiento jerárquico y el control de supervisión que proporcionan a los usuarios información sobre el rendimiento, el consumo de energía y el uso de los recursos, permitieron a los pilotos de la industria de transformación reducir considerablemente su impacto ambiental. El consumo de energía de algunos procesos se redujo en torno a un 10 %. Uno de los socios redujo las emisiones de CO2 hasta en 8 100 toneladas, mientras que otros las redujeron entre un 19 % y un 30 %. Algunos socios también redujeron la chatarra hasta un 15 %. «La reducción en el uso de materias primas, el consumo de energía y las emisiones de CO2 lograda con COGNIPLANT nos ha enseñado que una mayor digitalización de los procesos de producción y los métodos basados en datos pueden tener un impacto muy significativo en la huella medioambiental de las IIE», concluye De la Peña. Estas industrias de transformación, antes rezagadas en materia de digitalización, tienen ahora una oportunidad enorme de cambiar radicalmente su forma de hacer negocios, con muchos beneficios para las industrias y el planeta.
Palabras clave
COGNIPLANT, energía, digitalización, industrias de transformación, industrias de gran consumo de energía, emisiones de CO2, aprendizaje automático, datos masivos, modelización predictiva, control de procesos, gemelos digitales