Empresas Premium
.jpg){kind=logo}
La compañía japonesa ha aplicado un algoritmo de aprendizaje por refuerzo para controlar de forma autónoma una operación de destilación, abriendo una nueva vía para avanzar desde la automatización convencional hacia procesos industriales más adaptativos.
La inteligencia artificial comienza a dar un paso más en la industria química: de analizar información y ayudar a los operadores a participar directamente en el control de los procesos.
Un ejemplo destacado es el proyecto desarrollado por ENEOS Materials junto con Yokogawa, que ha aplicado un sistema de inteligencia artificial basado en aprendizaje por refuerzo para controlar de forma autónoma una operación de destilación en una planta química de Japón. El caso vuelve a cobrar protagonismo tras su presentación en la conferencia de usuarios YNOW 2026 de Yokogawa.
El sistema emplea Factorial Kernel Dynamic Policy Programming (FKDPP), un algoritmo de aprendizaje por refuerzo desarrollado conjuntamente por Yokogawa y el Nara Institute of Science and Technology (NAIST). A diferencia de los sistemas tradicionales basados en reglas predefinidas, el algoritmo aprende políticas de control a partir de datos operativos y puede adaptar sus acciones a diferentes condiciones de funcionamiento.
La aplicación se llevó a cabo sobre una columna de destilación cuya operación presentaba dificultades para ser automatizada completamente mediante las estrategias convencionales de control PID y control avanzado de procesos (APC). En determinadas condiciones, los operadores necesitaban realizar ajustes continuos sobre las válvulas para mantener las variables del proceso dentro de los parámetros requeridos.
El objetivo era especialmente complejo, ya que el sistema debía mantener simultáneamente la calidad del producto y los niveles de líquido, optimizar el aprovechamiento del calor residual y responder a las variaciones de las condiciones de operación.
Tras una fase de simulación y pruebas, el algoritmo de IA pasó a controlar directamente determinados elementos del proceso. La solución fue sometida posteriormente a un periodo prolongado de funcionamiento en planta, durante el cual demostró su capacidad para mantener una operación estable en condiciones ambientales cambiantes.
El proyecto ya había sido presentado en 2023 como el primer caso en el que una tecnología de aprendizaje por refuerzo era adoptada formalmente para el control directo de una planta industrial. El ensayo de campo se prolongó durante aproximadamente un año antes de su adopción.
Uno de los aspectos más relevantes de la aplicación es que la inteligencia artificial no se limita a mantener las variables del proceso dentro de unos límites establecidos. El algoritmo busca una combinación óptima de diferentes objetivos operativos.
Durante las pruebas, el sistema consiguió mantener la estabilidad de la operación y la calidad del producto, al tiempo que optimizaba el consumo energético. Yokogawa señala que el uso del sistema permitió reducir el consumo de vapor y las emisiones de CO₂ asociadas en torno a un 40 % frente al control manual convencional.
La tecnología también permitió reducir la carga de trabajo de los operadores. En lugar de sustituir las capas de seguridad y control existentes, el enfoque consiste en incorporar la inteligencia artificial sobre la infraestructura industrial disponible, manteniendo los sistemas convencionales y las salvaguardas de la planta.
Este planteamiento resulta especialmente importante en instalaciones químicas, donde una decisión incorrecta puede afectar simultáneamente a la seguridad, la calidad del producto, el consumo energético y la disponibilidad de los equipos.
El caso de ENEOS representa una de las vías que está impulsando la evolución desde la automatización tradicional hacia la denominada autonomía industrial. En este modelo, tecnologías como el aprendizaje por refuerzo se incorporan progresivamente a los sistemas de control para afrontar operaciones demasiado complejas o variables para ser gestionadas únicamente mediante estrategias convencionales.
La experiencia también muestra que esta transición no requiere necesariamente sustituir los DCS, PLC o sistemas APC existentes. La estrategia pasa por incorporar capacidades de aprendizaje y adaptación allí donde aporten un beneficio concreto, manteniendo las capas de control y seguridad ya implantadas.
La aplicación de ENEOS constituye así un ejemplo de cómo la IA puede integrarse en el entorno real de una planta química y pasar de ser una herramienta de análisis y predicción a convertirse en un elemento activo de la operación.
El siguiente desafío para el sector será extender este tipo de soluciones a un mayor número de procesos y equipos, manteniendo al mismo tiempo los niveles de seguridad, trazabilidad y supervisión necesarios en las instalaciones químicas. El objetivo último es avanzar hacia plantas capaces de adaptarse automáticamente a cambios en las condiciones de operación y optimizar de forma continua su rendimiento, sin prescindir del conocimiento y la supervisión de los profesionales de planta.
|
