ACTIVA Industria 4.0

Despliegue de una plataforma de adquisición y tratamiento de datos IIoT que permite la aplicación de modelos de IA como soporte a la toma de decisiones en procesos de producción.

La plataforma permite la adquisición de todo tipo de datos, tanto señales generadas por los sensores en planta como cualquier otro dato proveniente de sistemas de gestión de la producción. Estos datos se almacenan en una base de datos unificada y se enriquecen con datos procesados que permiten tener la trazabilidad completa de todo el proceso de fabricación. Esta trazabilidad será imprescindible para poder aplicar posteriormente cualquier tipo de analítica sobre los datos, ya sea analítica descriptiva o bien modelos de IA de ayuda a la prevención de fallos o a la toma de decisiones en general.

Desarrollo de una plataforma de comunicación entre los diferentes actores en el proceso productivo. Comunicación con SAP para la adquisición de órdenes de fabricación, con Kanbanize para la visualización del proceso de producción y desarrollo de un asistente para la conversión de las órdenes de producción a tareas en los paneles de visualización Kanban.

Los hornos de fundición de acero tienen un alto consumo de energía (hasta 1740 MWh/día) lo cual los convierte en uno de los principales costes para esta industria. Este consumo varía en función de múltiples parámetros y condiciones de entrada que a menudo son difíciles de controlar por el operario debido a la complejidad del proceso.

Mediante técnicas de fusión de información, que permiten combinar más de 400 variables, y modelos de IA basados en datos ha sido posible determinar las causas de sobreconsumos y desarrollar una aplicación de generación de recomendaciones para operarios e ingenieros del proceso que permite reducir el consumo energético de estos hornos.  

Este proceso de laminación está compuesto por 4 subprocesos (horno, tren de laminación, placa de enfriamiento y enderezadora) interrelacionados entre sí de tal manera que el mal funcionamiento o desajuste de uno de ellos, o la combinación de pequeñas desviaciones de más de uno de estos subprocesos, puede llevar a la aparición de defectos de forma en el producto final, lo que implica que el cliente final lo acabe rechazando.
Gracias al modelado basado en IA del proceso de laminación y al desarrollo de una aplicación en tiempo real de monitorización, es posible detectar e identificar anomalías en la operativa del proceso. Esto permite reducir y detectar de forma temprana defectos en el producto final.

En los procesos de tratamiento de aguas es de suma importancia asegurar unos niveles determinados de ciertos parámetros como el carbono orgánico total (TOC), el nitrógeno (NT) y la turbidez (NTU). De lo contrario, el agua tratada podría no cumplir con las especificaciones que se requieren según la normativa.

Gracias al modelado basado en IA del proceso de tratamiento de aguas residuales, se ha conseguido monitorizar en tiempo real la estabilidad y el comportamiento de todas las balsas de la depuradora.

Durante su proceso de laminación, los tubos pasan por diferentes subprocesos: calentamiento, prensado, perforado y laminado. Una desviación en la operativa de cualquiera de estos subprocesos o ciertas combinaciones de operación de los diferentes subprocesos pueden ocasionar defectos superficiales en los tubos, que, en el mejor de los casos, requerirán de un tratamiento superficial para mitigarlos.
Gracias al modelado del proceso mediante técnicas de IA y a algoritmos de detección de anomalías, es posible identificar anomalías en el proceso que tienen alta probabilidad de desencadenar en un defecto superficial determinado en el tubo que se está fabricando.

Consultoría para la digitalización de un panel físico Heijunka a un panel totalmente digitalizado para una planta de producción de productos fitosanitarios que planifica la ejecución de las órdenes de producción y da soporte a la gestión de retrasos. A su vez permite la eliminación de tareas indirectas, agiliza la toma de decisiones operacionales y automatiza tareas de gestión del suministro de materias primas, gestión de almacenes, etc.

Generación de un modelo de programación lineal entera mixta (PLEM) que permite calcular la cantidad más adecuada a producir de cada uno de los diferentes productos para maximizar beneficios teniendo en cuenta la previsión de la demanda estimada, los stocks existentes, las diferentes caducidades, los costes de no servir y las restricciones de fabricación entre líneas, entre productos, etc. El resultado de este modelo sirve para alimentar un modelo heurístico que propone la mejor secuenciación de la producción semanal para ajustarse al máximo a las cantidades calculadas por el primer modelo.