Chemicals and Petrochemicals

MATLAB y Simulink para la industria de proceso de producción, refino, petroquímica y química

Los ingenieros de procesos utilizan MATLAB y Simulink para analizar datos de sensores en tiempo real, implementar estrategias de control y crear sistemas de mantenimiento predictivo basados en big data y machine learning.

MATLAB y Simulink ayudan a los ingenieros de procesos a:

Desarrollar sistemas de mantenimiento predictivo mediante la aplicación de técnicas numéricas a datos de sensores de alta velocidad
Utilizar machine learning con datos históricos para solucionar problemas de procesos
Usar la modelización de datos para mejorar el rendimiento de los procesos
Desarrollar e implementar estrategias de control avanzado de procesos (APC)
Adoptar la digitalización sin depender de científicos de datos o personal de sistemas informáticos

"Como empresa de fabricación, no tenemos científicos de datos con experiencia en machine learning, pero MathWorks nos proporcionó herramientas y conocimientos técnicos que nos permitieron desarrollar un sistema de mantenimiento predictivo de producción en cuestión de meses."
Dr. Michael Kohlert, Mondi Gronau

Ver un ejemplo

Big data y análisis predictivo en Shell

Shell detecta eventos y anormalidades en plantas químicas mediante análisis predictivos con MATLAB.

Cómo MATLAB Parallel Server y las herramientas de visión artificial están transformando Shell

Shell y la AACoE muestran cómo utilizar MDCS para que sus ingenieros dispongan de herramientas de IA fáciles y sencillas para acelerar los procesos y aumentar su fiabilidad.

Mantenimiento predictivo de una turbina de vapor

Descubra cómo los ingenieros de Sasol implementaron un programa de mantenimiento predictivo de extremo a extremo para turbinas de vapor en la refinería de Sasol.

Más allá de los simuladores de procesos

Los simuladores de procesos tradicionales suelen ser suficientes en situaciones de estado estacionario, pero no pueden gestionar la naturaleza dinámica de las señales con las que tratan las plantas de producción reales. Con MATLAB, puede escribir sus propias ecuaciones y algoritmos, lo cual le otorga el control total del modelo completo.

También es posible integrar MATLAB con simuladores de procesos tales como Aspen Plus y gPROMS para operaciones unitarias personalizadas, analítica avanzada, diseño de esquemas de control y aprovechamiento de rutinas de optimización, tales como los algoritmos genéticos.

Gemelos digitales para producción de petróleo y gas (48:37)

Mantenimiento predictivo para la optimización de activos

Optimización de activos con mantenimiento predictivo y procesamiento de señales

MATLAB puede ayudarle a desarrollar algoritmos de mantenimiento predictivo personalizados según el perfil operativo y la arquitectura específica de su equipo. Utilice Predictive Maintenance Toolbox para diseñar indicadores de condición y calcular la vida útil restante de su maquinaria rotatoria.

Puede utilizar Signal Processing Toolbox para automatizar la supervisión del rendimiento de sus bucles de control, determinar de manera remota el alcance de la corrosión o las picaduras en los oleoductos y detectar la ubicación y la cantidad de fugas en ellos.

Descubra cómo (39:51) Tupras ha implementado un sistema de evaluación del rendimiento del circuito de control automatizado en sus refinerías.

Más información sobre el mantenimiento predictivo

Machine learning y big data

Las apps interactivas de Statistics and Machine Learning Toolbox permiten aplicar técnicas de machine learning sin necesidad de ser un experto en data analytics. MATLAB proporciona también un entorno único de alto rendimiento para trabajar con big data, tanto estructurados como no estructurados. Esto permite realizar la detección y el diagnóstico de fallos con mayor rapidez y mejorar la supervisión de los procesos.

Descubra cómo los investigadores de I²C² analizaron millones de filas de datos de procesos y desarrollaron modelos de machine learning para predecir las propiedades funcionales de la leche en polvo.

Integración de diferentes fuentes de datos

Deep learning y procesamiento de imágenes

Basta con unas pocas líneas de código de MATLAB para crear modelos de deep learning que emplean los datos de procesos para predecir estados anormales. Utilice las apps de Image Processing Toolbox para automatizar procesos habituales, tales como la segmentación de datos de imágenes y el procesamiento por lotes de grandes conjuntos de datos de imágenes. Puede emplear MATLAB en aplicaciones de procesamiento de imágenes tales como la caracterización de llamas, las imágenes térmicas de maquinaria y la inspección de calidad del film de plástico. Con deep learning en MATLAB, es posible aprender representaciones de características directamente a partir de datos de imagen y vídeo.

Mejora de los procesos gracias a la modelización de datos

Utilice las herramientas de análisis multivariante de MATLAB para determinar las variables independientes que afectan al rendimiento de los procesos. System Identification Toolbox permite crear y utilizar modelos de sistemas dinámicos que no se modelizan con facilidad a partir de especificaciones o primeros principios. Esta toolbox también permite la estimación online de parámetros y estados de manera interactiva.

Vea cómo Shell utiliza MATLAB (3:35) para desarrollar modelos y llevar a cabo la optimización en tiempo real de un proceso por lotes.

Desarrollo e implementación de estrategias de APC

Los productos de control de MATLAB permiten diseñar esquemas de control y efectuar simulaciones dinámicas para un mejor análisis del comportamiento de la planta. Diseñe, simule e implemente controladores predictivos de modelos lineales y no lineales para su planta mediante Model Predictive Control Toolbox.

Los ingenieros de control también pueden integrar modelos de procesos de Aspen Plus y gPROMS en Simulink. De esta forma, es posible volver a implementar modelos existentes para diseñar una estrategia de control en su entorno preferido.

Compruebe cómo Tata Steel ahorró un 40 % de energía en sus torres de refrigeración industrial gracias a la optimización de la estrategia de control a través de un gemelo digital.

Digitalización

MathWorks puede ayudarle a adoptar e implementar estrategias de big data específicas para las necesidades de su organización. Puede emplear las toolboxes y las arquitecturas de referencia prediseñadas de MATLAB para simplificar una amplia gama de aplicaciones: desde la integración con sistemas informáticos empresariales, la nube y la infraestructura de datos de producción hasta el escalado del cálculo a clusters o la implementación de los modelos a modo de aplicaciones para compartirlas con usuarios que no disponen de MATLAB.

Averigüe cómo conectar directamente con sistemas PI System de AVEVA™ y habilitar la inteligencia operativa en tiempo real.

Observe cómo Shell adoptó la digitalización (29:14) con MATLAB Production Server. Los ingenieros de Shell automatizaron sus procesos para integrar los datos de distintas fuentes, crear modelos e implementar los análisis en la nube y en sistemas de empresa.

Implementación de DCS para cerrar el círculo

Implementación de DCS para cerrar el bucle

Los algoritmos de MATLAB se pueden integrar con diversos sistemas DCS utilizando Industrial Communication Toolbox. Esta toolbox proporciona acceso a datos de OPC históricos y en tiempo real directamente desde MATLAB y Simulink. Puede leer, escribir y registrar datos de OPC de dispositivos tales como DCS, sistemas de captura de datos y control de supervisión, y PLC. Industrial Communication Toolbox también permite trabajar con sensores de Modbus, datos de servidores de PI y otros historiadores de datos que cumplen los estándares de OPC DA, HDA y UA.

Descubra cómo utiliza Genentech MATLAB y Industrial Communication Toolbox para crear una plataforma de desarrollo de algoritmos de control de supervisión para biorreactores.

“Otra de las ventajas de desarrollar nuestro propio sistema en MATLAB y Simulink es que podemos capturar el conocimiento y la experiencia organizativos acumulados por los ingenieros de Johnson Matthey en vez de depender de una solución genérica de otra empresa.”
Tim Watling, Johnson Matthey