La industria de petróleo y gas implica procesos de producción continua que requieren un uso intensivo de capital. Las materias primas, como el crudo, se convierten en productos derivados del petróleo a muy gran escala, por lo que el control de los procesos se vuelve crucial. Las materias primas suelen presentar una gran variabilidad en sus propiedades químicas y físicas, lo que puede influir notablemente en la salida del proceso. Los ingenieros tienden a utilizar los principios científicos y la experiencia para determinar la configuración del proceso que puede que produzca los resultados deseados; sin embargo, esas prácticas no son infalibles. Las gráficas de control estadístico de procesos (SPC) son muy útiles para señalar un proceso que se vuelve inestable. El inconveniente de usar el SPC para alertar de un cambio en el proceso es que, mientras tanto, se elabora un producto sospechoso.
Los fabricantes transfieren a los proveedores gran parte de la responsabilidad de calificar las materias primas. Es habitual que las certificaciones se envíen a los clientes antes de que estos reciban los materiales, lo que suele ocurrir días o semanas antes de que los mismos sean utilizados. ¿Qué tal si la información de los proveedores pudiera utilizarse para predecir cambios en el proceso antes de la ejecución del mismo y así poder adoptar medidas de mitigación? En este artículo se explica cómo utilizar la implementación operativa de un modelo de proceso para crear gráficas estadísticas previas al proceso para ese propósito. Hay muchas otras industrias con procesos que implican el uso de equipos muy costosos, flujo continuo y materias primas entrantes que presentan una variación significativa. La producción de alimentos, suplementos nutricionales y productos químicos son algunos de los ejemplos de industrias que pueden beneficiarse del uso del SPC predictivo.
Las técnicas de modelado se han vuelto muy potentes y fáciles de usar con los recientes desarrollos añadidos a Minitab. Muchas organizaciones utilizan los modelos de proceso para los esfuerzos de desarrollo y mejora. Se crea un modelo de proceso utilizando la medida proporcionada por el proveedor y las entradas del proceso (controladas por los técnicos) para determinar la relación con una salida clave. Los ingenieros encuentran el número correcto de entradas y el tipo de modelo necesario para contar con un buen ajuste que permita hacer predicciones razonables de la salida. El modelo se implementa en ModelOps y se conecta al flujo de datos nuevos para hacer predicciones. Se crea una gráfica de SPC a partir de las predicciones del modelo y se monitorea su estabilidad. Si se identifica una tendencia desfavorable, se revisa el modelo para encontrar las variables del proceso que se pueden manipular para mitigar la tendencia. Todo este trabajo se realiza antes de la ejecución del proceso, lo que puede ser muy efectivo para minimizar los riesgos de calidad.
El ejemplo incluye 16 variables continuas, una de las cuales es una medida especificada en una certificación que el proveedor proporcionó antes del envío de una materia prima. Hay variables discretas, incluyendo la unidad que se utiliza para el proceso, y dos valores de configuración principales. Se crea un modelo de regresión lineal múltiple con un buen ajuste (r-cuadrado ~ 67%) a partir de 478 filas de datos históricos de proceso utilizando la selección de variables por pasos (tabla A).
Tabla A
La gráfica del optimizador de respuestas (figura 1) ilustra el apalancamiento de las variables predictoras más importantes. La medida de la certificación proporcionada por el proveedor y la presión inicial tienen marcadas relaciones lineales, ya que pequeños cambios de valor crean diferencias notables en la respuesta clave. La temperatura de enfriamiento indica una respuesta menor y los cambios en la unidad parecen tener una influencia agrupada sobre la respuesta clave.
Figura 1
El modelo de regresión predice de forma adecuada los resultados de la respuesta clave para los datos históricos. Los ingenieros publican fácilmente el modelo en ModelOps desde Minitab Statistical Software con un solo clic (figura 2).
Figura 2
Se recopilan nuevos datos para poder hacer predicciones de la salida clave. Los datos incluyen la medida de la certificación proporcionada por el proveedor, los valores de entrada estáticos de la configuración y los datos generados por la distribución para las variables del proceso con variación conocida. Las temperaturas de proceso son un ejemplo de variables generadas por la distribución. Los ingenieros saben que la temperatura real en el punto de proceso variará en torno al valor de control. Los parámetros de las variables se crean a partir de las mediciones en el punto de proceso o de las especificaciones técnicas del fabricante del equipo. Las variables se calculan a partir de una distribución elegida para obtener un escenario de proceso realista. Se trata básicamente de las mismas técnicas que se utilizan en las simulaciones Monte Carlo.
Minitab Connect recupera fácilmente los datos cada hora y los envía a Model Ops para obtener predicciones. Se utiliza una gráfica de control de valores individuales y de rango móvil para monitorear las tendencias. Es muy importante asegurarse de que se utilicen los parámetros históricos para calcular los límites de control estadístico; utilizar los datos simulados para calcular los límites no es apropiado. La gráfica de SPC predictivo que se muestra en la figura 3 ilustra un proceso estable (tal como se esperaba) hasta las últimas 3 observaciones. Las tres observaciones finales cayeron por debajo del límite de control inferior histórico, lo que podría crear problemas de calidad si continúa la tendencia inestable.
Figura 3
El equipo de ingeniería revisa el modelo del proceso y determina que el valor de presión inicial se puede aumentar fácilmente de 90 a 120. El optimizador del modelo indica que el cambio en el valor de control probablemente mitigará la caída en los resultados causada por el cambio en la medida de la certificación del proveedor. El cambio propuesto en el valor de la presión inicial se completa en la tabla de datos de origen y se reinicia la extracción de datos y la generación de gráficas en Connect. La gráfica resultante (figura 4) realmente indica que el cambio en la presión inicial mitigó los efectos negativos del cambio en la medida proporcionada por el proveedor.
Figura 4
El concepto de SPC implica reacciones oportunas a los cambios de tendencia que provocan inestabilidad. Un proceso inestable implica un riesgo de calidad, que puede dar lugar a materiales de baja calidad o que no cumplen con las especificaciones. La posibilidad de crear gráficas de control del proceso con datos previos a la ejecución del proceso es increíblemente valiosa, ya que ahora es posible mitigar las tendencias desfavorables antes de obtener resultados reales. En la industria de petróleo y gas, los beneficios pueden ser de millones de dólares debido al volumen y los ingresos potenciales de los productos elaborados. Las soluciones de Minitab convierten fácilmente el proceso de creación y monitoreo del SPC predictivo en una parte esencial de la gestión de la calidad.