BASF Amberes: soft sensors con IA en destilación

¿Qué hace BASF en su planta de Amberes?

BASF está aplicando modelos de machine learning como soft sensors (sensores virtuales) para mejorar el control de sus procesos de destilación en la planta de Amberes, según informó la propia compañía. La iniciativa permite estimar en tiempo real determinados parámetros de calidad a partir de los datos del proceso, reduciendo la dependencia de los análisis de laboratorio. El caso será presentado el 8 de octubre en Kortrijk (Bélgica), durante la feria ABISS, por David Autrique (Data Scientist) y Filip Logist (equipo APC), en una sesión titulada Operating on the Edge: Streaming Model Predictions at BASF Antwerp.

¿Cómo funciona un soft sensor en una columna de destilación?

Un soft sensor es un modelo de machine learning entrenado para inferir variables de calidad —composición, pureza, humedad— a partir de los datos que ya recogen los sensores físicos del proceso: temperatura, presión, caudales. En lugar de esperar horas a que un laboratorio devuelva un resultado, el operador ve la estimación en pantalla, en cuestión de segundos.

En una columna de destilación, donde pequeñas variaciones de temperatura o presión pueden degradar el producto final, esa inmediatez se traduce en tres efectos prácticos:

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

Operar más cerca de los límites técnicos del proceso sin perder seguridad, porque la respuesta es continua y la alarma llega antes de que el producto se salga de especificación.
Reducir muestreos y costes de laboratorio al detectar desviaciones antes de que se materialicen en producto fuera de norma.
Alimentar estrategias de control avanzado (APC) con datos frescos en lugar de históricos por lote, lo que mejora la estabilidad del proceso y reduce la variabilidad entre turnos.

El proyecto combina tecnologías OT, plataformas de datos, edge computing y machine learning en el mismo entorno industrial. Uno de los puntos destacados de la arquitectura es que los modelos pueden desarrollarse con distintas librerías de ML y, después, desplegarse como aplicaciones edge sobre Siemens Industrial Edge, ejecutándose físicamente en la planta con latencia reducida.

¿Por qué el edge computing es la pieza crítica?

Lo relevante de la arquitectura de BASF no es solo el modelo, sino dónde corre. Entrenar un modelo de ML es relativamente estándar; desplegarlo de forma robusta en un entorno industrial regulado, no tanto. En destilación química, dos restricciones hacen que el edge no sea opcional:

Soberanía y seguridad de datos. Las plantas operan redes OT aisladas por motivos de ciberseguridad. Enviar telemetría cruda a la nube no siempre es viable ni deseable, y los reguladores suelen exigir que el dato sensible no salga del perímetro.
Latencia determinista. En control de procesos, una predicción que llega tarde es una predicción inútil. Procesar localmente elimina la dependencia de la conectividad y reduce la latencia a la escala de milisegundos.

BASF señala que la arquitectura está pensada para escalar los modelos a otras unidades de producción y, eventualmente, a otras instalaciones, tratándola como una plantilla reutilizable y no como un piloto aislado. Esa portabilidad es, en la práctica, lo que convierte un experimento de data science en infraestructura industrial.

¿Es la IA ya mainstream en la química industrial?

El caso de Amberes no es aislado. BASF ya utiliza soft sensors también en su planta de Geismar (EEUU), donde esta técnica permitió reducir un 30% los defectos por lote, según un análisis sectorial publicado por iFactory. A escala de toda la industria, las cifras son más elocuentes:

El mercado global de IA en química se valoró en US$943 millones en 2023 y se proyecta que alcance US$5.240 millones en 2030, con una CAGR del 27,8%, según Grand View Research (citado por SmartDev).
McKinsey estima que la IA puede recortar hasta un 40% los costes de I+D químico y reducir los tiempos de desarrollo hasta un 50%.
Una encuesta de Deloitte recogida en ese mismo análisis señala que el 94% de los ejecutivos del sector considera la IA crítica para el futuro del negocio.
Shell aplica más de 11.000 modelos de IA sobre 3 millones de sensores, generando 15 millones de predicciones diarias que, según el mismo reporte, han reducido las paradas no planificadas en torno al 20% y los costes de mantenimiento entre un 5% y un 15%.

La pregunta para los directivos del sector ya no es si una planta adoptará IA, sino qué proveedor de edge, qué librería de ML y qué arquitectura de datos se convertirán en la columna vertebral de la próxima década industrial.

¿Qué significa esto para tu startup?

Aunque tu producto no controle columnas de destilación, el caso de BASF Amberes ilustra tres movimientos que cualquier founder tech puede aprovechar:

Vende a plantas, no solo a oficinas. El grueso del valor de la IA industrial se captura donde se mueve el material, no donde se firman los contratos. Si tu SaaS o tu modelo va a operar sobre datos OT, diseña desde el día uno para desplegarse en edge: inferencia local, sincronización opcional con la nube y un modelo de soporte que entienda turnos de 24/7. Es el patrón que el edge industrial ya está consolidando, con Siemens —el proveedor detrás del despliegue de BASF— como uno de los jugadores más visibles.
Elige un vertical con datos maduros. Los soft sensors de BASF funcionan porque la planta llevaba décadas capturando temperatura, presión y caudal. Antes de proponer un proyecto de IA, audita qué series temporales reales puede capturar tu cliente, con qué frecuencia y con qué calidad. Sin datos limpios, no hay modelo que sobreviva al primer piloto en producción.
Piensa en plantillas, no en proyectos puntuales. BASF diseñó la arquitectura para mover los modelos a otras unidades, no para dejarlos en Amberes. Si tu propuesta de valor se atasca en un único cliente o un único equipo, tu expansión orgánica va a chocar con el coste de reimplementar. Diseña para que migrar a una segunda planta (o a un segundo cliente) sea copiar y pegar configuración, no rehacer el modelo desde cero.

Para founders que están decidiendo dónde colocar su próxima ficha en AI industrial, edge computing o MLOps para manufactura, la señal del mercado es que el sector químico está dejando de experimentar y empezando a industrializar. El próximo cuello de botella no será convencer al operador de que la IA sirve, sino quién tiene la infraestructura de datos y los modelos listos para producción cuando llegue la demanda.