Ciberrefinería: el nuevo modelo operativo

Por Diego Galar, Vicepresidente de Investigación Tecnológica en Sisteplant, Chairman de EFNMS y Catedrático en Condition Monitoring en Luleå University of Technology.

La industria del refino ha alcanzado un nivel de digitalización sin precedentes, pero esa evolución ha puesto de manifiesto una limitación estructural: la capacidad de medir ha crecido más rápido que la capacidad de comprender. En un entorno cada vez más complejo, donde la degradación se construye de forma silenciosa y distribuida, los modelos tradicionales empiezan a mostrar sus límites. Este artículo explora cómo la Ciberrefinería emerge como una nueva arquitectura operativa capaz de integrar percepción, interpretación y decisión en tiempo real.

1. La refinería que sigue funcionando… aunque ya no la entendemos 

Hay algo casi hipnótico en una refinería cuando todo funciona como debería. Desde el exterior, el sistema transmite una sensación de orden absoluto: columnas en operación, intercambiadores estabilizados, balances cerrados, consumos dentro de lo previsto. En la sala de control, las pantallas muestran una normalidad que, a fuerza de repetirse, se convierte en rutina. Todo está donde tiene que estar. Todo responde como se espera.
Y, sin embargo, esa aparente estabilidad esconde una realidad mucho más incómoda.

Porque en algún punto —difícil de identificar, imposible de fechar— se produce un desplazamiento silencioso. No ocurre cuando aparece una alarma ni cuando una variable se sale de rango. Ocurre mucho antes. Es un momento en el que el sistema sigue siendo operativo, pero deja de ser completamente comprensible. La planta continúa funcionando, pero la relación entre lo que realmente está ocurriendo y lo que somos capaces de interpretar sobre ella empieza a degradarse.

No es un fallo técnico. Es una pérdida de visibilidad real.

Durante años, la industria ha convivido con esta limitación sin cuestionarla demasiado. El modelo ha sido robusto: operadores con experiencia, sistemas de control bien ajustados y procedimientos claros para reaccionar ante desviaciones. La lógica era sencilla: mientras el sistema se mantuviera dentro de ciertos límites, la operación podía considerarse bajo control.

Pero ese modelo asumía algo que hoy ya no es cierto: que la complejidad del sistema estaba dentro del rango de lo que el humano podía comprender.
La refinería contemporánea ya no responde a esa lógica. No es un conjunto de unidades relativamente independientes, sino un sistema profundamente interconectado donde proceso, energía, integridad mecánica y condiciones operativas evolucionan de forma simultánea y, muchas veces, no lineal. Las interacciones ya no son evidentes, las correlaciones no siempre son visibles y los efectos de una decisión pueden manifestarse en lugares y tiempos que no resultan intuitivos.

En ese entorno, la degradación tampoco se comporta como antes.
No aparece de forma súbita ni localizada. Se construye progresivamente, distribuida en múltiples variables, muchas de ellas dentro de rangos aparentemente normales. No hay un instante claro en el que “algo empieza a ir mal”. Lo que hay es una trayectoria que avanza mientras el sistema sigue mostrando signos de estabilidad.

Es aquí donde la analogía cinematográfica deja de ser estética para volverse inquietante. Como en esas escenas donde la aparente normalidad es solo una construcción frágil —donde todo parece en calma mientras el sistema ya ha empezado a desviarse— la refinería puede estar operando con normalidad sin que entendamos realmente lo que está ocurriendo. No porque haya fallado, sino porque ha entrado en un régimen que ya no estamos interpretando correctamente.

La paradoja es evidente y, en cierto modo, incómoda de admitir: nunca hemos tenido tantos datos, tantas mediciones, tanta capacidad de observación… y, al mismo tiempo, nunca ha sido tan difícil construir una comprensión coherente del sistema en su conjunto.
La digitalización ha ampliado nuestra capacidad de ver, pero no necesariamente nuestra capacidad de entender.

Y en ese punto aparece la verdadera pregunta, que ya no es tecnológica, sino operativa: ¿es sostenible seguir gestionando sistemas de esta complejidad con modelos de interpretación que no han evolucionado al mismo ritmo?

Es precisamente en esa brecha —entre lo que ocurre en la planta y lo que somos capaces de comprender sobre ella— donde empieza a tomar forma un nuevo enfoque. No como una mejora incremental del modelo existente, sino como una respuesta a un límite que ya no puede ignorarse estableciendo una forma distinta de relacionarnos con el sistema, de operarlo y, en última instancia, de entenderlo.

2. Controlar no es comprender

Si algo ha definido históricamente la operación en refino es la obsesión por el control. No en un sentido abstracto, sino profundamente práctico: controlar significa mantener el sistema dentro de unos límites conocidos, garantizar estabilidad, evitar desviaciones y, en última instancia, asegurar que la planta siga produciendo en condiciones seguras y eficientes.

Ese enfoque ha dado resultados. De hecho, ha sido uno de los pilares sobre los que se ha construido la fiabilidad de la industria durante décadas. La combinación de instrumentación avanzada, sistemas de control distribuido y técnicas como el control avanzado de proceso (APC) ha permitido gestionar sistemas extremadamente complejos con un nivel de robustez difícil de encontrar en otros sectores industriales.
Pero ese éxito tiene una consecuencia poco visible: ha consolidado una forma de entender la operación que, sin ser incorrecta, empieza a mostrar sus límites.

El control se basa en estados. En valores que pueden medirse, compararse y corregirse en tiempo real. La lógica es directa: si una variable se desvía, se actúa; si el sistema responde, se estabiliza; si vuelve a su rango, el problema se considera resuelto. Todo ocurre dentro de un marco en el que el presente es la referencia principal.

Sin embargo, los sistemas complejos no se comportan únicamente como una colección de estados. Son, ante todo, dinámicos. Evolucionan, acumulan efectos, generan interacciones que no siempre son evidentes en el corto plazo. La realidad del activo no es una fotografía, sino una trayectoria.

Y ahí es donde aparece la diferencia.

Un sistema puede estar perfectamente controlado en cada instante… y, aun así, estar siguiendo una evolución que no estamos interpretando correctamente.
Esta idea resulta incómoda porque cuestiona una suposición muy arraigada: que la estabilidad observable es equivalente a la estabilidad real. En la práctica, lo que vemos en la sala de control es una representación simplificada de un sistema mucho más complejo, donde múltiples variables interactúan a distintas escalas temporales. Algunas de esas interacciones son rápidas y visibles; otras son lentas, acumulativas y, en muchos casos, prácticamente invisibles hasta que alcanzan un umbral crítico.

La degradación pertenece a este segundo grupo.
No se manifiesta necesariamente como una desviación inmediata. Puede desarrollarse dentro de rangos aparentemente normales, distribuida entre diferentes variables que, consideradas de forma aislada, no parecen problemáticas. Es un fenómeno que exige ser observado en el tiempo, no solo en el instante.

El modelo de control tradicional no está diseñado para eso.
Está diseñado para reaccionar ante desviaciones, no para seguir trayectorias. Para corregir lo que ocurre, no para anticipar lo que está empezando a ocurrir. Y mientras la complejidad del sistema se mantuvo dentro de ciertos límites, esa diferencia no era crítica. La experiencia del operador, su capacidad para reconocer patrones y su conocimiento del proceso actuaban como un complemento esencial que compensaba esa limitación.

Pero esa compensación ya no es suficiente.
La escala, la interconexión y la variabilidad de los sistemas actuales han superado el rango en el que la interpretación humana puede cubrir todos los escenarios posibles. No porque el operador haya perdido capacidad, sino porque el sistema ha cambiado de naturaleza. La cantidad de variables relevantes, la velocidad a la que interactúan y la complejidad de sus relaciones hacen que la comprensión completa deje de ser alcanzable mediante observación directa y experiencia acumulada.

En ese punto, el control sigue funcionando. La planta continúa operando, las variables se mantienen dentro de sus límites y las decisiones se siguen tomando. Pero la base sobre la que se sustentan esas decisiones empieza a debilitarse, porque ya no se apoya en una comprensión completa del sistema, sino en una aproximación parcial que, aunque operativamente válida, introduce un grado de incertidumbre que antes no existía.

Esa es la diferencia fundamental: no hemos perdido capacidad de control, pero sí hemos empezado a perder capacidad de comprensión.
Y cuando ambas cosas dejan de avanzar al mismo ritmo, el modelo operativo entra en una zona de tensión que no siempre es evidente, pero que acaba manifestándose en forma de ineficiencias, riesgos no anticipados o decisiones que, siendo correctas en el corto plazo, no lo son necesariamente en el largo.

Es precisamente en esa tensión donde empieza a surgir la necesidad de un cambio. No en la forma de controlar, que sigue siendo imprescindible, sino en la forma de entender el sistema sobre el que ese control se aplica.

Figura 1. Evolución del modelo operativo en refino: desde el control basado en estados y reacción a desviaciones, pasando por la representación digital del sistema, hasta la Ciberrefinería como arquitectura integrada de comprensión y decisión en tiempo real.

3. El fallo no ocurre: se construye

En la forma en la que tradicionalmente se ha entendido la operación industrial existe una simplificación que, durante mucho tiempo, ha resultado útil, pero que empieza a volverse problemática a medida que los sistemas aumentan en complejidad. Esa simplificación consiste en asumir que el fallo es un evento claramente identificable, un momento concreto en el que algo deja de funcionar como debería y a partir del cual se inicia el análisis, la explicación y la corrección.

Es una lógica que recuerda a ciertos relatos donde el desenlace parece repentino, cuando en realidad todo estaba en marcha mucho antes de que el espectador pudiera verlo. Antes, el sistema funciona; después, el sistema falla. Entre ambos estados, existe una ruptura que permite trazar una línea clara, asignar causas y construir una narrativa operativa coherente. En sus primeras fases, esta degradación no se manifiesta mediante eventos claros, sino a través de señales débiles: pequeñas variaciones, correlaciones apenas perceptibles o desviaciones que, consideradas de forma aislada, no parecen relevantes, pero que en conjunto forman parte de una dinámica que ya está en marcha. Es un modelo que facilita la toma de decisiones, porque organiza la realidad en términos discretos y manejables.

Sin embargo, cuando se observa con mayor detenimiento el comportamiento de los activos en una refinería, esa visión empieza a mostrar fisuras.

En realidad, ningún sistema complejo pasa de un estado “correcto” a un estado de fallo de forma instantánea. Lo que ocurre es mucho menos evidente y, precisamente por eso, más difícil de gestionar. Entre esos dos estados existe un proceso continuo de degradación que, en muchos casos, solo puede describirse adecuadamente mediante modelos de evolución o aproximaciones probabilísticas que se desarrolla a lo largo del tiempo, acumulando efectos que rara vez son visibles en sus primeras fases y que, durante buena parte de su evolución, no generan señales lo suficientemente claras como para ser interpretadas como un problema.

Ese proceso no es lineal, ni necesariamente homogéneo. Puede avanzar de forma lenta en determinados momentos, acelerarse bajo ciertas condiciones operativas, estabilizarse temporalmente y volver a evolucionar más adelante. En muchos casos, se distribuye entre distintos elementos del sistema, afectando simultáneamente a variables que, consideradas de forma aislada, no presentan ninguna anomalía significativa. Es precisamente esa naturaleza distribuida la que hace que resulte tan difícil de identificar en su fase inicial.

Cuando finalmente se produce lo que denominamos fallo, lo que realmente ocurre es que ese proceso alcanza un punto en el que ya no puede ser ignorado. No porque haya comenzado en ese instante, sino porque, a partir de ese momento, su manifestación se vuelve inequívoca. El sistema deja de poder absorber la degradación acumulada y la hace visible en forma de evento.
Desde esta perspectiva, el fallo deja de ser el origen del problema para convertirse en su consecuencia.

Figura 2. El fallo como trayectoria: la degradación del activo evoluciona de forma continua y permanece en gran medida invisible hasta que alcanza un umbral a partir del cual se manifiesta como evento.

Este cambio conceptual tiene implicaciones profundas, porque desplaza el foco desde el momento en el que el sistema deja de funcionar hacia todo lo que ocurre antes de que eso suceda. Sin embargo, la mayor parte de los modelos operativos siguen orientados precisamente a ese instante final, utilizando mecanismos diseñados para detectar desviaciones claras y actuar sobre ellas una vez que se han producido.

El resultado es una forma de operar que, aun siendo eficaz en términos de control, introduce un desfase inevitable entre la realidad física del sistema y la información disponible para gestionarlo. La degradación avanza de forma continua, pero la observación sigue siendo esencialmente discreta. Se capturan valores, se registran eventos, se realizan inspecciones en momentos concretos, pero rara vez se dispone de una visión completa y continua de la evolución del activo.

En la práctica, esto implica que una parte significativa de la historia del sistema queda fuera del campo de observación. Se toman decisiones basadas en fragmentos de información que, aunque técnicamente correctos, no siempre reflejan la dinámica completa del proceso. Es como intentar reconstruir un fenómeno continuo a partir de puntos aislados, confiando en que entre ellos no haya ocurrido nada relevante.

Durante años, este enfoque ha sido suficiente porque la complejidad del sistema permitía que esa pérdida de información no tuviera consecuencias críticas en la mayoría de los casos. Pero a medida que las interacciones se vuelven más densas, las condiciones de operación más variables y las exigencias sobre seguridad y eficiencia más estrictas, esa falta de continuidad deja de ser asumible.

El problema, por tanto, no es que no se disponga de datos, sino que la forma en la que se observa el sistema no está alineada con la naturaleza del fenómeno que se pretende entender.
Cuando el comportamiento es continuo y la observación es fragmentada, siempre existirá una parte de la realidad que no está siendo capturada. Y es precisamente en esa parte —la que transcurre entre medición y medición, entre inspección e inspección— donde se desarrollan los procesos que, más tarde, se manifiestan como fallos.

Comprender esto no implica únicamente mejorar las técnicas de monitorización, sino replantear la forma en la que se concibe la relación entre el sistema y quien lo opera. Porque en el momento en que se acepta que el fallo no es un evento, sino la culminación de una trayectoria, deja de tener sentido centrar la gestión en el instante en el que se hace visible y pasa a ser necesario seguir, de forma mucho más cercana, la evolución que conduce hasta él.

4. Cuando tener más datos ya no significa entender mejor

Si algo ha cambiado de forma radical en la industria en los últimos años no es tanto la forma de operar como la capacidad de observar. Allí donde antes existían lagunas inevitables de información, hoy encontramos sistemas capaces de capturar datos de forma continua, en múltiples puntos del proceso y con una resolución que hace apenas una década resultaba impensable. Sensores distribuidos, sistemas de adquisición masiva, plataformas de almacenamiento y herramientas analíticas han transformado la planta en un entorno profundamente instrumentado, donde prácticamente cualquier variable relevante puede ser registrada, almacenada y analizada.

A primera vista, esta evolución debería haber resuelto buena parte de los problemas asociados a la comprensión del sistema. Más datos implican, en teoría, más conocimiento, y más conocimiento debería traducirse en mejores decisiones. Sin embargo, la experiencia acumulada en múltiples instalaciones apunta en una dirección distinta.

A medida que la cantidad de información disponible aumenta, también lo hace la dificultad para integrarla en una visión coherente del sistema. Los datos no llegan organizados en forma de conocimiento, sino como señales dispersas que requieren ser interpretadas dentro de un contexto que no siempre está definido de forma explícita. Cada sistema mide lo suyo, cada plataforma estructura la información de una manera determinada y cada área de la organización accede a una parte del conjunto que, por sí sola, rara vez permite comprender el comportamiento global.

El resultado es una situación paradójica: se dispone de más información que nunca, pero esa abundancia no se traduce necesariamente en una mejora proporcional de la comprensión. En algunos casos, incluso ocurre lo contrario. El exceso de datos introduce ruido, genera interpretaciones divergentes y dificulta la identificación de lo que realmente es relevante para la toma de decisiones.

Este fenómeno no responde a una limitación tecnológica, sino conceptual.

El dato, por sí mismo, no contiene conocimiento. Es simplemente una representación parcial de un fenómeno físico en un instante determinado. Su valor depende completamente del marco en el que se interpreta. Sin ese marco, los datos no explican el sistema; lo fragmentan. Se convierten en piezas aisladas que, aunque precisas en sí mismas, no necesariamente encajan en una narrativa operativa útil.

En este contexto, el esfuerzo por medir más empieza a mostrar un rendimiento decreciente. Añadir sensores, aumentar la frecuencia de adquisición o mejorar la precisión de las mediciones no resuelve el problema si no existe una estructura que permita transformar esa información en algo accionable. La cuestión deja de ser cuánto sabemos sobre la planta y pasa a ser qué somos capaces de hacer con lo que sabemos.

Este desplazamiento es sutil, pero fundamental.

La industria ha invertido de forma significativa en tecnologías de captura y almacenamiento de datos, pero la evolución en los modelos de interpretación y, sobre todo, en su integración con la toma de decisiones, no ha seguido el mismo ritmo. El resultado es un ecosistema donde la información existe en abundancia, pero su utilización efectiva sigue siendo limitada.

En muchos casos, los datos se analizan de forma retrospectiva, buscando explicar lo que ya ha ocurrido en lugar de anticipar lo que está empezando a ocurrir. En otros, se utilizan como soporte para decisiones que siguen dependiendo en gran medida del juicio humano, sin que exista una integración real entre la información disponible y la lógica operativa del sistema.

Así, la promesa inicial de la digitalización —convertir datos en decisiones— queda parcialmente cumplida.
Lo que emerge de esta situación no es una falta de capacidad, sino la necesidad de un cambio de enfoque. No se trata de seguir ampliando la base de datos, sino de construir estructuras que permitan organizar, interpretar y utilizar esa información de forma coherente con la dinámica del sistema.

Porque cuando el volumen de información supera la capacidad de interpretarla de forma integrada, el problema deja de ser la escasez de datos para convertirse en una cuestión de sentido.
Y es precisamente en ese punto donde empieza a ser evidente que la transformación necesaria no pasa por medir más, sino por entender de otra manera.

5. Cuando el sistema empieza a construirse a sí mismo

Si se observa con cierta distancia la evolución reciente de la industria, resulta evidente que el cambio no ha sido lineal. Durante años, la transformación se ha centrado en mejorar la capacidad de observar el sistema: más sensores, más datos, más herramientas de análisis. Después llegó la capacidad de representar esa realidad mediante modelos cada vez más sofisticados, capaces de simular comportamientos y explorar escenarios que antes solo podían intuirse.

Pero en algún punto de ese recorrido, el problema deja de ser tecnológico y pasa a ser estructural.
Porque observar mejor y modelar mejor no resuelve, por sí solo, la cuestión fundamental: cómo se toman las decisiones sobre el sistema en tiempo real.

Es en ese punto donde empieza a emerger un nuevo tipo de arquitectura, que no se limita a capturar información ni a representarla, sino que integra de forma coherente percepción, interpretación y acción. No como capas independientes, sino como un flujo continuo en el que cada elemento depende del anterior y alimenta al siguiente.
A esta lógica responde lo que empieza a definirse como Ciberrefinería.

Figura 3. Arquitectura operativa de la Ciberrefinería: flujo integrado desde la planta física hasta la decisión, donde percepción, modelos y acción se articulan sobre la misma base operativa.

No se trata de una tecnología específica, ni de una plataforma concreta, ni siquiera de una suma de herramientas avanzadas. Es, más bien, una forma distinta de organizar el sistema industrial, en la que la capacidad de observación deja de estar separada de la operación y pasa a formar parte de ella de manera intrínseca.
En una Ciberrefinería, la planta no es únicamente un conjunto de activos físicos que producen, ni un sistema digital que los representa en paralelo. Es un entorno integrado en el que ambos planos —el físico y el digital— están continuamente alineados, intercambiando información y ajustándose mutuamente en función de la evolución del sistema.

Este acoplamiento cambia la naturaleza de la operación.
La información deja de ser algo que se consulta para tomar decisiones y pasa a ser el propio mecanismo a través del cual esas decisiones se generan. Los modelos dejan de ser herramientas de análisis aisladas para convertirse en parte activa del proceso operativo, proporcionando contexto, anticipando comportamientos y evaluando consecuencias antes de que estas se materialicen.

En este contexto, la pregunta ya no es qué está ocurriendo en la planta, sino hacia dónde se dirige el sistema y qué intervención es necesaria para modificar esa trayectoria.

Este desplazamiento introduce una diferencia esencial.

Mientras que en el modelo tradicional la decisión se produce como respuesta a un estado observado, en la Ciberrefinería la decisión emerge de la interpretación continua de la dinámica del sistema. No se espera a que el problema sea evidente; se actúa sobre la evolución que conduce a él.

Para que esto sea posible, no basta con disponer de datos o modelos avanzados. Es necesario que estos estén integrados en una estructura capaz de operar en tiempo real, conectando múltiples fuentes de información, correlacionando variables que antes se analizaban de forma independiente y generando una visión coherente que pueda ser utilizada de forma operativa.

Es aquí donde convergen elementos que, hasta ahora, han evolucionado de forma relativamente separada: el mantenimiento basado en condición, los modelos de proceso, la analítica avanzada y las capacidades de automatización, integrados sobre la misma base de datos operativa y conectados a la lógica de decisión en tiempo real. Cada uno de ellos aporta una pieza, pero es su integración lo que permite construir un sistema que ya no se limita a describir la realidad, sino que empieza a interactuar con ella de forma activa.

Desde fuera, la planta sigue siendo la misma. Las unidades, los equipos, las líneas de proceso no cambian en su naturaleza física. Lo que cambia es la forma en la que el sistema se relaciona consigo mismo.
La refinería deja de ser un entorno que se observa y se gestiona desde el exterior para convertirse en un sistema que incorpora su propia capacidad de interpretación dentro de la operación.

Y es precisamente en ese momento —cuando la observación deja de ser externa y pasa a ser parte del sistema— cuando la planta empieza, en cierto modo, a construirse a sí misma desde el punto de vista operativo.
No porque adquiera autonomía plena, sino porque reduce de forma drástica la distancia entre lo que ocurre y la forma en la que se decide sobre ello, redefiniendo la propia lógica operativa del sistema.

Es también el punto de partida de todo lo que viene después. La idea de un sistema que no solo observa, sino que interpreta y actúa, ha sido durante años patrimonio de la ficción. Hoy empieza a tener una traducción operativa.

Figura 4. Transición del modelo operativo en refino: de un enfoque basado en observación puntual y decisión reactiva hacia un sistema de comprensión continua y actuación anticipativa.

6. La refinería que empieza a entenderse

Llegados a este punto, la cuestión deja de ser tecnológica para volverse casi conceptual. No se trata únicamente de qué herramientas se utilizan ni de cuántos datos se generan, sino de cómo cambia la relación entre el sistema y quienes lo operan cuando la capacidad de interpretación empieza a integrarse dentro de la propia operación.

Durante décadas, la refinería ha sido un entorno que debía ser observado, interpretado y gestionado desde fuera. Incluso con altos niveles de automatización, siempre existía una separación clara entre lo que el sistema hacía y la forma en la que se comprendía su comportamiento. La inteligencia, en última instancia, residía fuera del activo.

Lo que empieza a cambiar ahora es precisamente esa frontera.

Cuando la observación se vuelve continua, cuando los modelos dejan de ser representaciones estáticas y pasan a formar parte del proceso operativo, y cuando las decisiones empiezan a apoyarse en una interpretación dinámica del sistema, la refinería deja de ser únicamente un objeto de gestión para convertirse en un sistema que participa activamente en su propia regulación.

No es una cuestión de sustituir al operador ni de automatizar todas las decisiones. Es, más bien, un cambio en el punto de apoyo desde el que se opera. El conocimiento deja de estar fragmentado entre datos, modelos y experiencia, y empieza a articularse en una estructura coherente que reduce la distancia entre lo que ocurre y lo que se decide.

La cuestión ya no es si podemos entender mejor la refinería, sino si estamos preparados para operar en un entorno en el que esa comprensión deja de depender exclusivamente de nosotros.

Fuente: Industria Química