Fabricación de Semiconductors
Industria
Productos utilizados
Muchos de nosotros nos hemos llevado la sorpresa de recibir una factura de electricidad que supera nuestras expectativas… y nuestro presupuesto. En casa, podemos responder apagando las luces cuando no las estemos utilizando, cambiando a bombillas energéticamente eficientes y otras maneras comunes de reducir el consumo energético.
Pero ¿qué tal si tuviéramos que continuar con nuestras actividades diarias sin estas opciones? Predecir los costos de energía y crear un presupuesto realista se convertirían en asuntos de máxima prioridad. Ese es exactamente el dilema que enfrentan muchos fabricantes: al no contar con maneras efectivas de reducir el consumo de electricidad sin dejar de cumplir las metas de producción, procuran predecir con exactitud el consumo para poder tomar decisiones financieras informadas.
Este fue el enfoque adoptado por una planta de semiconductores de Tailandia, que usó Minitab Statistical Software para examinar su fluctuante carga eléctrica. La producción de materiales semiconductores, que son la base de muchos productos electrónicos, tiene una gran demanda y los equipos de la planta deben funcionar casi continuamente. Utilizando el análisis de datos, un equipo de proyecto de la planta se propuso determinar el método más preciso para predecir el consumo de electricidad con el fin de maximizar las ganancias.
El Desafío
Los modelos de predicción identifican patrones en los datos y luego usan esos patrones para predecir el comportamiento de cierta variable (en este caso, el consumo eléctrico de la planta) en el futuro. El equipo debía analizar tres años de datos históricos de la Autoridad Metropolitana de Electricidad (AME) usando seis modelos establecidos de predicción y un nuevo método creado para este proyecto. El nuevo método incorpora factores específicos del proceso de fabricación de semiconductores de la planta.
Cada método produciría predicciones de la carga eléctrica de la planta para los próximos seis meses. Posteriormente, estos resultados podrían compararse con los datos históricos. Al calcular el error porcentual absoluto medio (EPAM), que expresa la exactitud de un método de predicción como un porcentaje de error, el equipo podría determinar entonces el modelo que ofrece las predicciones más precisas.
El equipo del proyecto tenía que evaluar cada método y utilizar el modelo que presentara el valor más bajo de EPAM con el fin de evaluar el costo de electricidad, crear un presupuesto razonable y tomar decisiones financieras acertadas.
Cómo ayudó Minitab
El equipo examinó seis análisis de series de tiempo diferentes que emplean métodos simples de predicción y suavización. Cada modelo destaca diferentes componentes de los datos recogidos durante un período de tiempo, tales como tendencia, estacionalidad, ciclos y movimiento irregular, y luego extiende las estimaciones de los componentes al futuro para proporcionar pronósticos. El equipo utilizó cada modelo para predecir el consumo de electricidad en los próximos seis meses.
En primer lugar, el equipo del proyecto utilizó el método de análisis de tendencia, el cual ajusta una línea de tendencia general a los datos de consumo eléctrico. Este análisis muestra la tendencia a largo plazo de las series de subir o bajar en un período de tiempo.
Después, utilizando el método de descomposición, llamado así por su capacidad para “descomponer” un problema en subproblemas, el equipo pudo examinar los componentes de los datos que no se incluyeron en el método de análisis de tendencia. La división de los datos de las series de tiempo de consumo eléctrico en partes adicionales, tales como estacionalidad, ciclos y variaciones aleatorias, permitió al equipo considerar el impacto de cada componente en las predicciones del modelo.
Con el fin de suavizar las fluctuaciones a corto plazo en los datos y resaltar las tendencias y los ciclos a largo plazo, el equipo promedió las observaciones consecutivas de las series para calcular los promedios móviles. Puesto que los puntos de datos individuales creados por la estacionalidad, los ciclos y la variación aleatoria son aproximados en este modelo, el conjunto de datos suavizado puede revelar patrones importantes que de otro modo serían difíciles de detectar.
El equipo obtuvo otra perspectiva más al visualizar los datos usando el método de suavización exponencial simple, que asigna ponderaciones exponencialmente decrecientes a los puntos de datos en el tiempo. Con esta técnica se pronosticó el consumo de electricidad de la planta de una manera que puso mayor énfasis en los datos más recientes.
Como la suavización exponencial simple no es lo ideal cuando hay una tendencia en los datos, el equipo del proyecto introdujo un segundo componente usando el método de suavización exponencial doble, que tiene en cuenta la posibilidad de una tendencia en las series. Este enfoque también otorga ponderaciones decrecientes a las observaciones más antiguas de las series de tiempo, pero luego suaviza la tendencia y la pendiente utilizando constantes diferentes para cada una.
Con el fin de ampliar el método de suavización exponencial doble para incluir la tendencia y las variaciones estacionales, el equipo utilizó una técnica conocida como método de Winter para calcular las estimaciones dinámicas de tres componentes: nivel, tendencia y estacionalidad.
La variedad de métodos de predicción y suavización que ofrece Minitab permitió al equipo del proyecto analizar, mostrar y evaluar fácilmente sus datos utilizando cada uno de esos enfoques, así como el método que incorporaba los factores específicos de la planta. Para evaluar la exactitud de cada método, se compararon los resultados de cada modelo con los datos reales.
El método de predicción ideado por el equipo incorporó factores específicos relevantes para el proceso de la planta de semiconductores, tales como los requisitos de máquinas, el tiempo de inactividad de las máquinas y los kilovatios utilizados para cada estado, y ajustó los datos sin procesar del consumo eléctrico suministrados por la empresa de servicios públicos. Posteriormente, el equipo comparó los resultados de cada uno de los modelos establecidos con los de su propio método.
Resultados
Después de crear gráficas de series de tiempo y calcular el valor de EPAM para cada uno de los métodos establecidos, el equipo comparó cada método con los datos del consumo real de energía y determinó que la exactitud de la predicción de todos los métodos era similar. Sin embargo, el valor de EPAM asociado con el nuevo método del equipo fue de 2.48, un valor significativamente más bajo que el de los modelos establecidos, lo cual lo convierte en la mejor opción para predecir el consumo futuro de electricidad de la planta.
Gracias a la posibilidad de construir y aplicar diferentes análisis de series de tiempo en Minitab, el equipo pudo comparar fácilmente su nuevo método no probado con los métodos establecidos. Con el análisis de datos comprobaron que su modelo era mejor que los otros métodos y pudieron comenzar a usarlo con confianza.
Esta historia se adaptó a partir de un artículo publicado en la edición de octubre de 2013 del International Journal of Advanced Research in Computer and Communication Engineering, Vol. 2, Edición 10.