Smart Monitoring to Enhance Oleochemical Stability and Performance

Smart Monitoring to Enhance Oleochemical Stability and Performance

Resumo

Este relato de caso apresenta a implementação do Smart Monitoring na planta oleoquímica da Indovinya em Camaçari, Bahia. O projeto teve como objetivo transformar dados industriais dispersos em uma rotina contínua de gestão da performance operacional, com foco em estabilidade do processo, redução de perdas e tomada de decisão baseada em evidências. A solução integrou 72 variáveis críticas do processo produtivo na plataforma SEEQ, incluindo categorias como temperaturas, vazões, composições, concentrações, níveis e condições de reação.

A iniciativa combinou monitoramento em tempo real, dashboards dinâmicos, análise de dados históricos, definição de faixas operacionais, metodologia DMAIC e princípios de Controle Estatístico de Processo. Implementado integralmente em 2024, o sistema passou a operar continuamente, 24 horas por dia e sete dias por semana, com uso diário pelas equipes de Operação e Engenharia. Entre 2024 e 2025, o atingimento operacional médio evoluiu de 87,4% para 91,47%. Até outubro de 2025, os benefícios econômicos documentados somaram aproximadamente US$ 1,83 milhão, incluindo ganhos na recuperação de metanol, redução de consumo de resina catalítica e melhoria do índice técnico de performance relacionado ao uso de óleo de palmiste, ou PKO. O caso demonstra uma inovação de aplicação e gestão, ao converter dados industriais já existentes em mecanismo permanente de governança operacional e melhoria contínua.

1. Introdução

Processos oleoquímicos contínuos dependem da manutenção de múltiplas variáveis dentro de condições operacionais adequadas. Temperaturas, vazões, composições, concentrações, níveis e condições de reação influenciam diretamente a estabilidade do processo, a conversão, o consumo de matérias-primas, a recuperação de reagentes, o uso de catalisadores e o desempenho global da planta.

Na unidade oleoquímica de Camaçari, os dados de processo já estavam disponíveis em sistemas industriais antes da implantação do Smart Monitoring. Entretanto, o acompanhamento da performance global ocorria de forma fragmentada e predominantemente reativa. A Operação e a Engenharia analisavam desvios após a identificação de resultados abaixo do esperado, enquanto os sistemas existentes tinham foco prioritário em segurança do processo e qualidade do produto. Faltava uma camada integrada voltada à eficiência operacional diária.

O avanço da Indústria 4.0 ampliou a presença de historiadores de processo, sistemas ciberfísicos e ferramentas de analytics industrial no ambiente produtivo. Contudo, a disponibilidade de dados não garante, por si só, melhoria de desempenho. Para que dados gerem valor, é necessário estruturá-los em indicadores, modelos analíticos e rotinas de decisão capazes de orientar o controle e a melhoria contínua. O Smart Monitoring foi desenvolvido nesse contexto: não como mera visualização de dados, mas como um modelo de gestão da performance baseado em variáveis críticas, limites operacionais, indicadores de atingimento e comparação entre grupos operacionais.

2. Problema e desafio operacional

O principal desafio era transformar um grande volume de dados industriais em uma estrutura simples, confiável e acionável para apoiar a rotina da planta. A quantidade de variáveis, a dispersão das informações e a ausência de uma visão padronizada dificultavam a identificação rápida de padrões e a priorização de ações. Além disso, diferentes grupos operacionais podiam interpretar o comportamento do processo de formas distintas, o que aumentava a subjetividade e limitava a comparação estruturada entre turnos.

O projeto buscou responder a cinco necessidades centrais: integrar variáveis críticas em uma única camada de acompanhamento; transformar histórico operacional e conhecimento técnico em limites úteis para decisão; padronizar a leitura de performance entre grupos operacionais; criar uma solução utilizável continuamente por Operação e Engenharia; e conectar melhorias operacionais a resultados mensuráveis para o negócio.

A avaliação econômica concentrou-se em três dimensões de impacto: recuperação de metanol, consumo de resina catalítica e índice técnico de performance relacionado ao uso de óleo de palmiste, principal matéria-prima do processo.

3. Referencial aplicado

O projeto se apoiou em conhecimentos já consolidados na indústria de processos, especialmente Lean Six Sigma, DMAIC, Controle Estatístico de Processo e analytics industrial. A metodologia DMAIC — Define, Measure, Analyze, Improve and Control — orientou a definição do problema, a seleção e medição das variáveis, a análise do comportamento histórico, a implementação de melhorias e o controle dos resultados. Os princípios de Controle Estatístico de Processo apoiaram a distinção entre comportamento esperado e desvios que demandam investigação.

O monitoramento digital com historiadores de processo, dashboards e faixas operacionais não é, isoladamente, uma prática inédita na indústria química. O diferencial do caso está na aplicação estruturada desses recursos ao ambiente oleoquímico da unidade, integrando seleção de variáveis críticas, limites definidos por histórico e conhecimento técnico, indicadores de atingimento e comparação sistemática entre grupos operacionais.

4. Método de implantação

A construção do Smart Monitoring envolveu Engenharia de Processo, Operação e Tecnologia Operacional. A Engenharia atuou na definição dos parâmetros críticos e na aplicação da lógica DMAIC. A Operação participou da validação das faixas, do desenho dos dashboards e dos testes em condições reais. A Tecnologia Operacional apoiou a disponibilidade dos dados e o uso da plataforma SEEQ. O fornecedor da plataforma contribuiu com treinamento e suporte técnico para exploração dos recursos analíticos.

4.1 Seleção das variáveis críticas

Foram integradas 72 variáveis críticas do processo produtivo. A seleção foi conduzida por Engenharia de Processo e Operação com base em quatro critérios: influência sobre a estabilidade do processo; relação com qualidade e conversão; impacto no consumo de matérias-primas e insumos; e capacidade de antecipar perdas ou desvios relevantes. A lista completa não é divulgada por conter informações industriais sensíveis, mas contempla categorias como temperatura, vazão, composição, concentração, nível e condições de reação.

4.2 Definição das faixas operacionais

As faixas operacionais foram definidas a partir da combinação entre análise do histórico operacional e conhecimento técnico das equipes. Foram considerados períodos representativos de operação estável, comportamento das variáveis em condições de melhor desempenho, requisitos de processo e validação multidisciplinar. Essas faixas não foram tratadas como limites de segurança ou especificações de produto, mas como referências de performance operacional para orientar a atuação diária.

Para garantir transparência e reprodutibilidade, o modelo prevê que cada faixa permaneça documentada com a variável correspondente, unidade de medida, período histórico analisado, critério estatístico utilizado quando aplicável, justificativa técnica, responsável pela aprovação e histórico de revisões.

4.3 Construção dos dashboards e indicadores

As variáveis foram organizadas em dashboards com limites operacionais e sinalização visual. A estrutura permite verificar quais parâmetros permanecem dentro das faixas definidas, quais exigem atenção e por quanto tempo os desvios permanecem ativos. O acompanhamento por grupo operacional possibilitou comparar turnos e identificar padrões recorrentes de estabilidade ou desvio.

O sistema consolida dados históricos e em tempo real na plataforma SEEQ. Os painéis são acessados diariamente pelas equipes de Operação e Engenharia, e a solução opera continuamente, 24 horas por dia e sete dias por semana. Essa rotina reduziu o esforço necessário para localizar causas potenciais de instabilidade em séries temporais extensas e direcionou as discussões para variáveis com maior impacto operacional.

4.4 Critérios de cálculo econômico

Os benefícios econômicos foram calculados comparando o desempenho observado após a implementação com a base de referência adotada para 2024. Para cada frente, a memória de cálculo deve registrar período de apuração, volume de produção considerado, consumo ou recuperação unitária, diferença em relação à referência, preço utilizado e taxa de câmbio quando aplicável. Essa estrutura permite auditoria dos resultados sem exigir divulgação pública de dados comerciais sensíveis.

5. Funcionamento da solução

O Smart Monitoring opera como uma camada de inteligência aplicada ao processo oleoquímico. Cada variável crítica é relacionada a faixas definidas com base em análise histórica e validação técnica. Os dashboards mostram o comportamento das variáveis ao longo do tempo, sinalizam períodos fora dos limites e permitem comparar o desempenho entre grupos operacionais.

Antes da iniciativa, a performance era observada principalmente de forma consolidada e retrospectiva. Com o novo modelo, as equipes passaram a contar com uma visão mais granular do comportamento do processo ao longo dos turnos. Isso tornou possível identificar práticas operacionais associadas a maior estabilidade e discutir oportunidades de padronização com base em evidências.

O projeto não substitui o julgamento técnico de operadores e engenheiros. Ao contrário, organiza os dados para que o conhecimento das equipes seja aplicado de forma mais rápida, consistente e comparável. A ferramenta passou a apoiar decisões diárias, priorização de análises e ciclos de melhoria contínua.

6. Resultados

6.1 Performance operacional

O principal indicador do projeto é o atingimento operacional médio. Em 2024, o indicador foi de 87,4%. Em 2025, após a implementação e consolidação do Smart Monitoring, alcançou 91,47%, o que representa evolução de 4,07 pontos percentuais.

Esse resultado indica maior aderência às condições operacionais definidas. Também amplia a capacidade de identificar desvios com potencial de elevar consumo de matérias-primas, reagentes, catalisadores e energia. O monitoramento contínuo aumentou a previsibilidade do processo e estabeleceu uma visão padronizada para todos os grupos operacionais.

6.2 Resultados financeiros

Até outubro de 2025, o Smart Monitoring acumulou aproximadamente US$ 1,83 milhão em benefícios econômicos documentados. Esses ganhos foram distribuídos em três frentes associadas ao desempenho operacional da planta.

A primeira frente foi a otimização da recuperação de metanol. Como o metanol é utilizado como reagente intermediário e parte do material pode ser recuperada, o acompanhamento mais preciso das variáveis permitiu otimizar essa recuperação, gerando aproximadamente US$ 198 mil em ganhos.

A segunda frente foi a redução do consumo de resina catalítica. A maior estabilidade dos parâmetros do processo reduziu a frequência de substituição da resina. Até outubro de 2025, a redução foi quantificada em aproximadamente 5.100 kg, representando economia de US$ 267 mil em comparação com 2024.

A terceira frente foi a melhoria do índice técnico de performance, que considera o processo desde o consumo de PKO, principal matéria-prima, até a formação do álcool, produto final. Até outubro de 2025, os benefícios associados à melhoria desse índice e à economia de PKO totalizaram aproximadamente US$ 1,365 milhão em comparação com 2024.

6.3 Resultados ambientais

O resultado ambiental quantitativo diretamente documentado é a redução de aproximadamente 5.100 kg de resina catalítica até outubro de 2025. A otimização da recuperação de metanol também aumentou o aproveitamento de um reagente já presente no sistema. Os materiais do projeto relacionam a melhoria à redução de perdas de metanol e de emissões voláteis, embora outros efeitos ambientais, como redução de perdas de matéria-prima, energia e rejeitos, devam ser quantificados separadamente antes de serem apresentados como benefícios consolidados.

6.4 Pessoas e cultura digital

O Smart Monitoring alterou a relação de operadores e engenheiros com os dados industriais. Os dashboards e a sinalização visual organizaram os parâmetros que exigem atenção, reduziram o esforço de acompanhamento fragmentado e criaram uma linguagem comum para discussões de desempenho.

A participação das equipes na definição das variáveis, faixas e indicadores fortaleceu competências em análise de dados industriais e ampliou a integração entre Operação, Engenharia de Processo e Tecnologia Operacional. A solução consolidou uma prática de decisão baseada em evidências, preservando o conhecimento técnico dos profissionais responsáveis pela operação.

7. Originalidade e contribuição do caso

A originalidade do Smart Monitoring não reside na criação de uma nova tecnologia de analytics industrial, nem no uso isolado de dashboards. Historiadores de processo, painéis e faixas operacionais já são práticas conhecidas na indústria química. A contribuição está na integração desses elementos a uma rotina única de governança operacional.

O principal diferencial é a combinação entre seleção estruturada de variáveis críticas, limites baseados em histórico e conhecimento técnico, indicadores de atingimento e comparação entre grupos operacionais. Essa combinação tornou visível como diferentes turnos conduzem o processo e permitiu identificar configurações associadas a maior estabilidade.

A comparação entre grupos operacionais acrescentou uma dimensão de padronização e aprendizagem. O modelo criou uma referência comum para os turnos, reduziu a dependência de interpretações individuais e permitiu discutir práticas operacionais com base em evidências. Internamente, o projeto constitui a primeira aplicação da empresa que combina dados de processo contínuo com indicadores de atingimento por grupo operacional.

8. Governança, maturidade e replicabilidade

O Smart Monitoring criou uma base padronizada para acompanhar as principais variáveis da operação. Todos os grupos passaram a trabalhar com parâmetros transparentes e critérios comuns, reduzindo a subjetividade na interpretação do desempenho. A governança ocorre pelo acompanhamento contínuo dos painéis, análise dos indicadores de atingimento e atuação conjunta entre Operação e Engenharia.

A solução foi implementada integralmente na unidade oleoquímica de Camaçari em 2024 e está incorporada à rotina operacional. Na avaliação do Prêmio Nacional de Inovação, o case recebeu nota 4 de 5 no critério de nível de implementação, com reconhecimento da implementação completa em uma unidade, dos resultados relevantes e do uso em ambiente industrial real.

O modelo está sendo replicado em outras três unidades da Indorama em Camaçari e encontra-se em implementação em plantas de São Paulo. A expansão global também está em avaliação. O componente replicável inclui a metodologia de seleção de variáveis, a análise histórica, a definição das faixas, o desenvolvimento de dashboards, os indicadores de atingimento e a rotina de governança.

A replicação, contudo, exige adaptação local. Cada processo possui variáveis, matérias-primas, equipamentos e condições próprias. O principal desafio é preservar a consistência metodológica sem ignorar as particularidades técnicas de cada unidade.

9. Limitações

Este relato apresenta resultados de uma aplicação real em uma unidade industrial específica. A comparação de desempenho utiliza 2024 como base de referência e acompanha resultados até outubro de 2025. Embora os ganhos documentados sejam relevantes, o material disponível não detalha publicamente a memória completa de cálculo, por envolver dados comerciais e industriais sensíveis.

Outra limitação é que a lista completa das 72 variáveis não é divulgada. Isso restringe a reprodutibilidade externa integral do caso, ainda que a lógica metodológica de seleção, definição de faixas, construção de dashboards e governança possa ser replicada. Além disso, efeitos ambientais além da redução de resina catalítica e da melhoria no aproveitamento de metanol devem ser quantificados separadamente antes de serem tratados como resultados consolidados.

10. Conclusão

O Smart Monitoring transformou dados industriais dispersos em uma capacidade permanente de gestão da performance operacional. Ao integrar 72 variáveis críticas, análise histórica, monitoramento em tempo real, dashboards, DMAIC e princípios de Controle Estatístico de Processo, a iniciativa criou uma camada de inteligência aplicada à operação oleoquímica de Camaçari.

O impacto está demonstrado por resultados objetivos. O atingimento médio evoluiu de 87,4% em 2024 para 91,47% em 2025. Até outubro de 2025, o projeto acumulou aproximadamente US$ 1,83 milhão em benefícios econômicos, incluindo US$ 198 mil em recuperação de metanol, US$ 267 mil em redução do consumo de resina catalítica e US$ 1,365 milhão em ganhos associados ao índice técnico de performance e à economia de PKO. O consumo de resina foi reduzido em aproximadamente 5.100 kg.

A principal contribuição do caso está na integração entre dados de processo, conhecimento técnico e melhoria contínua. Mais do que um painel de acompanhamento, o Smart Monitoring estabeleceu um modelo digital de gestão industrial em que variáveis críticas, faixas operacionais, indicadores de atingimento e comparação entre turnos sustentam decisões mais rápidas, padronizadas e baseadas em evidências.

Referências

GAIKWAD, L. M.; SUNNAPWAR, V. K.; TELI, S. N.; PARAB, A. B. Application of DMAIC and SPC to Improve Operational Performance of Manufacturing Industry: A Case Study. Journal of The Institution of Engineers (India): Series C, v. 99, p. 229–238, 2018. DOI: 10.1007/s40032-017-0395-5.

GEORGE, M. L.; MAXEY, J.; ROWLANDS, D.; PRICE, M. The Lean Six Sigma Pocket Toolbook. New York: McGraw-Hill, 2005.

KAGERMANN, H.; WAHLSTER, W.; HELBIG, J. Recommendations for Implementing the Strategic Initiative INDUSTRIE 4.0. Frankfurt: acatech, 2013.

LEE, J.; BAGHERI, B.; KAO, H. A. A Cyber-Physical Systems Architecture for Industry 4.0-Based Manufacturing Systems. Manufacturing Letters, v. 3, p. 18–23, 2015. DOI: 10.1016/j.mfglet.2014.12.001.

MONTGOMERY, D. C. Introduction to Statistical Quality Control. 8. ed. Hoboken: Wiley, 2020.

PYZDEK, T.; KELLER, P. A. The Six Sigma Handbook. 5. ed. New York: McGraw-Hill Education, 2018.