ESTA HISTORIA ESTÁ ESPERANDO LA APROBACIÓN DEL CLIENTE. CONSIDERARLO EMPRESA CONFIDENCIAL. NO REVELAR.
Conduciendo hacia un neumático mejor
En Michelin, la experimentación multifactorial está creando eficiencias clave en I+D. Esa innovación podría desbloquear los futuros procesos químicos necesarios para un neumático 100 % sostenible.
______________________________________________________________________________________
Desafío: Mientras Michelin se esfuerza por lograr ambiciosos objetivos de sostenibilidad ambiental para su cartera de neumáticos, ha quedado claro que el diseño clásico de experimentos (DOE) ya no es suficiente para el ritmo imperativo de la innovación. Para acelerar el desarrollo de procesos químicos y reducir los costos asociados con la experimentación, la empresa buscó superar las ineficiencias creadas por su dependencia de un conjunto de herramientas inadecuado.
Solución: Reconociendo la necesidad de crear economías de escala, el liderazgo técnico de Michelin dio luz verde a una propuesta presentada por Florent Mathieu, ingeniero de procesos en el sitio de la compañía en Auvergne-Rhône-Alpes, Francia, para licenciar el software de descubrimiento estadístico JMP®. “Las capacidades del DOE que ofrece JMP son mucho más eficientes que otras herramientas”, explica, y agrega que, además de agilizar la exploración y la gestión de datos, el software ahora permite a los ingenieros y científicos optimizar una multitud de variables experimentales con interacciones complejas.
Resultados: Desde su implementación, JMP ha ayudado a los equipos de ingeniería a lograr una optimización multiobjetivo; por ejemplo, alcanzando la vida útil más larga posible del neumático y maximizando al mismo tiempo el agarre. Dice Mathieu: "Desde que comenzamos a usar JMP, la cantidad de experimentos que necesitamos se ha reducido drásticamente, al igual que el costo relacionado de esos experimentos".
______________________________________________________________________________________
Además de sus ambiciosos objetivos para reducir las emisiones de las operaciones logísticas y la fabricación, el Grupo Michelin anunció en 2021 que reducirá las emisiones de CO2 relacionadas con las materias primas en un 70 %, aumentará la eficiencia energética de su cartera de productos (10 % para 2030) y fabricará un neumático totalmente sostenible para 2050. Tales objetivos, si bien son alcanzables, requerirán una innovación sin precedentes, una realidad que la empresa no ha rehuido.
Mientras Michelin busca reemplazar todos los materiales fósiles con los sustitutos de biomateriales ahora disponibles a través de las cadenas de suministro emergentes, la compañía también ha adoptado soluciones creativas para aumentar la eficiencia y acelerar el desarrollo. En I+D, los encargados de crear los futuros procesos químicos necesarios para producir un neumático 100 % sostenible consideran que el compromiso de la empresa con la sostenibilidad medioambiental va de la mano con un cambio radical en la cultura analítica.
Procesos químicos innovadores para un neumático 100% sostenible
Cuando Florent Mathieu, PhD, se unió a Michelin por primera vez en 2021, entendió bien el encargo: establecer procesos químicos para producir materias primas completamente de origen biológico, y lo que se necesitaría para lograrlo. Experto en la construcción de estrategias de intensificación de procesos basadas en diseños experimentales no lineales, Mathieu llegó a la industria de los neumáticos desde las ciencias de la vida, donde había diseñado un proceso para la síntesis de glóbulos rojos artificiales para la empresa emergente de biotecnología EryPharm.
Traído a un equipo de ingeniería de procesos químicos en el sitio de Michelin en Clermont-Ferrand, Auvergne-Rhône-Alpes, Francia, Mathieu comenzó haciendo un inventario de los flujos de trabajo de datos existentes para identificar oportunidades de mejora estratégica que podrían introducir un nuevo nivel de eficiencia en la organización de I+D. . “El análisis estadístico nos permite ser más objetivos en todo lo que hacemos”, dice.
“Creo firmemente que todos los datos que capturamos, ya sean datos de procesos históricos o de otro tipo, son muy importantes para comprender [la ciencia] y los fenómenos que estamos observando. Ahora es posible acceder a más y más datos, por lo que necesitamos absolutamente herramientas más eficientes para administrar esos datos, así como para analizarlos, explorarlos y modelarlos”.
Un agente de cambio aboga por capacidades estadísticas mejoradas
Si bien el equipo de ingeniería de procesos de Michelin ya contaba con un conjunto de mejores prácticas estadísticas, Mathieu vio la oportunidad de crear eficiencias transformadoras pasando del diseño clásico de experimentos (DOE) al DOE moderno e implementando la automatización para crear economías de escala. Elevar la capacidad estadística de toda la organización a primera vista parecía un objetivo ambicioso, dice, pero gran parte de ese desafío podría lograrse simplemente mediante la introducción de una nueva herramienta.
Reflexionando sobre su primera incursión en un puesto en la industria en EryPharm, Mathieu dice que su impulso inicial fue usar las herramientas de programación en las que había confiado en el mundo académico. Sin embargo, Mathieu pronto aprendió que el ritmo de desarrollo requerido en la industria no permitiría suficiente tiempo para la codificación.
“No solo debe ser mucho más rápido, sino que también debe compartir sus datos y herramientas con sus colegas”, dice. “Tenía que encontrar otra forma de trabajar de manera más visual y ser más eficiente, así que comencé a buscar una herramienta estadística y encontré JMP®”.
Después de haber utilizado el software de descubrimiento estadístico anteriormente, Mathieu observó rápidamente que el limitador de tasa clave en Michelin no era un conocimiento inadecuado, sino herramientas inadecuadas. Sin acceso al software adecuado, los científicos e ingenieros se vieron limitados a enfoques de experimentación mucho más lentos.
“El diseño clásico de experimentos simplemente no es tan eficiente como lo que se puede hacer en JMP”, explica Mathieu. “Entonces, una de las primeras cosas que hice en Michelin fue proponer que compráramos JMP”. Una vez que el liderazgo técnico de la empresa vio lo que podía hacer la herramienta, dice, "no fue muy difícil demostrarles que JMP era realmente poderoso y eficiente". Ese poder pronto se tradujo en menos experimentos, menores costos de experimentación y ciclos de desarrollo más cortos.
“En Michelin, los experimentos son muy costosos, por lo que si puede reducir la cantidad de experimentos que necesita para llegar a una respuesta, puede ahorrar mucho dinero y tiempo”, dice. “Desde que comenzamos a usar JMP, la cantidad de experimentos que necesitamos se ha reducido drásticamente… De hecho, hice una estimación de cuántos experimentos podemos ahorrar, y los costos asociados con eso, y descubrí que en menos de un mes, con solo la economía de los experimentos que no tuvimos que hacer gracias a JMP, los ahorros más que paga por una licencia.”
El diseño personalizado de experimentos proporciona una comprensión más completa del proceso
A pesar de su ubicuidad en la vida cotidiana, el neumático es, en realidad, un objeto de muy alta tecnología. El producto de formulaciones químicas complejas, el neumático promedio comprende más de 200 materias primas únicas que incluyen cauchos naturales y sintéticos, negro de humo y sílice, resinas, aceites, azufre, cables, alambre de talón y refuerzos textiles como rayón y poliéster.
Uno de los ingredientes más importantes en la formulación de cualquier neumático es el elastómero, un polímero que se caracteriza tanto por su viscosidad como por su elasticidad. Las propiedades de un elastómero constituyente dictan con frecuencia la composición de los resultados de la formulación, y los propios elastómeros varían en gran medida. En otras palabras, explica Mathieu, la manipulación de elastómeros dentro de una formulación, desde pequeños ajustes hasta cambios importantes, como reemplazar materiales no renovables con componentes de fuentes biológicas, afecta a los demás factores a través de interacciones complejas.
“Por eso es tan importante explorar todo el espacio de diseño”, explica Mathieu, y agrega que cuando se aplica a las reacciones químicas, el DOE proporciona información sobre variables como la temperatura, la presión, la reactividad y la proporción de catalizador a materia prima. Con más de 200 componentes en cualquier formulación, las condiciones deben evaluarse a través de la experimentación de un factor a la vez oa través del DOE.
“Hay muchas personas que creen que para comprender algo, deben adoptar un enfoque de un factor a la vez”, explica Mathieu. “Pensamos linealmente ya menudo olvidamos que no entendemos las interacciones intuitivamente. Es por eso que tenemos que diseñar experimentos para obtener más información”.
Con JMP, los ingenieros y científicos de Michelin ahora tienen acceso a un conjunto de herramientas para diseños de detección definitivos y DOE personalizados que se pueden usar en casi cualquier situación experimental para brindar soluciones altamente personalizadas. Los diseños completos se pueden ejecutar dentro de las limitaciones de recursos. ¿Solo tiene los recursos para ejecutar 12 experimentos? No hay problema. ¿Tiene un conjunto de datos parcial y no quiere empezar de cero? Es fácil aumentar los nuevos experimentos con los datos que ya ha recopilado. “Eso significa que no estás ejecutando un experimento de nuevo”, dice Mathieu. "Utilizar los datos que ya ha recopilado es una eficiencia muy importante".
Además de sus eficiencias de costo y tiempo, dice, una de las capacidades más sólidas de JMP es su capacidad para llegar al compromiso óptimo entre objetivos en conflicto. Un neumático diseñado para durar mucho tiempo, por ejemplo, tendría que ser muy duro, mientras que un neumático diseñado para tener mucho agarre tendría que ser muy blando. Lograr el equilibrio correcto entre los dos es esencial para producir un producto de alta calidad y, dice, la optimización multiobjetivo es donde JMP realmente brilla.
“La mejor manera de demostrarles [a los escépticos] que el DOE es importante es mostrárselo con sus propios datos”, explica Mathieu. “Cuando les muestro un mapa de todos los datos que recopilaron y todos los experimentos que realizaron, entienden que [sin DOE] no estaban explorando todo el espacio de diseño”.
Desde visualización básica de datos hasta DOE avanzado y Explorador de datos funcionales, todo en una sola herramienta
Ahora que sus colegas aprovechan al máximo la mayor capacidad para el DOE de última generación, Mathieu se ha liberado para investigar otras formas de aprovechar las estadísticas para introducir eficiencias en el diseño de procesos. Como usuario de JMP Pro, ha explorado formas de usar la plataforma Functional Data Explorer (FDE) de la herramienta para predecir ciertas propiedades de los elastómeros utilizando datos de espectroscopia de masas. Al medir parámetros clave como la presión, la temperatura y la conversión con reacciones por lotes, Mathieu puede comprender cómo un perfil de lote influye en las propiedades de un producto y ajustar los parámetros con el tiempo para optimizar las propiedades deseables.
“La idea de FDE es transformar datos funcionales en un vector, crear un modelo y realizar análisis estadísticos sobre ese vector”, explica. “Es tan poderoso porque con un espectro, puede predecir algunas propiedades muy importantes para un elastómero e imaginar la mejor manera de modificar la reacción y los componentes químicos. Es una herramienta muy predictiva”.
Si bien no todos en la organización tienen la necesidad de ver los datos funcionales, el hecho de que los usuarios de todos los niveles de habilidad puedan trabajar con la misma herramienta es un activo importante. JMP, dice Mathieu, ha introducido eficiencias en la gestión y el acceso a los datos, así como en la visualización y exploración de datos, capacidades que afectan a todos. La visualización es lo que él ve como una de las características principales de la herramienta y alienta a todos los usuarios a visualizar primero sus datos como un paso obligatorio en cualquier flujo de trabajo estadístico. Además, con JMP, todos estos pasos se pueden estandarizar en torno a un único conjunto de prácticas recomendadas, automatizarse e implementarse en toda la organización.
“La gerencia ha visto muy rápidamente las ventajas de usar una herramienta de este tipo porque ayuda a formular el problema con claridad, identificar sus objetivos y tener una buena metodología”, dice. “La comunidad [de usuarios de Michelin] crece cada día más. Y cuando presentamos las razones por las que usamos JMP, todos se interesan y sienten curiosidad por saber más y obtener el software”.
