Industria
GHI Smart Furnaces – Punto automático de carga en hornos rotativos basculantes
Industria
GHI Smart Furnaces – Punto automático de carga en hornos rotativos basculantes
Business Case
Es una iniciativa de GHI Smart Furnaces dirigida a optimizar el proceso de carga en hornos rotativos de fundición de aluminio mediante la implementación de tecnologías avanzadas de machine learning y automatización. Uno de los retos relacionados con la optimización de la productividad y eficiencia en el proceso de fundición de aluminio, se encuentra, específicamente, en la etapa de carga del horno, que depende de la composición del material y la experiencia del operador.
Objetivos
Optimización del Proceso de Carga: Reducir los tiempos de fusión mediante la emisión de órdenes en tiempo real al PLC del horno. Mejora de la Eficiencia Energética: Aumentar la eficiencia energética del proceso de fundición al cargar el horno en los momentos óptimos según criterios de producción. Automatización Integral: Progresar hacia una automatización completa del proceso de carga, reduciendo la dependencia de las decisiones manuales del operario.
Use case
A partir de información obtenida de secuencias de video Se obtiene información temporal en el modelo y Transformers de segmentación
Infraestructura
On premise
Tecnologías utilizadas
Aprendizaje Automático o Profundo
Datos utilizados
A partir de información obtenida de secuencias de video Se obtiene información temporal en el modelo y Transformers de segmentación
imagen
imagen
Recursos utilizados
La participación integral de GHI y nuestros clientes es fundamental, ya que se requiere la colaboración de expertos en algoritmia, procesos de metalurgia, machine learning y operación de hornos. Al contar con un equipo multidisciplinar, se logra un alto nivel de detalle y completitud en el proyecto, lo cual se refleja en los resultados obtenidos. En términos de infraestructura, empleamos nuestro sistema 4.0 para la captura de datos.
Dificultades y aprendizaje
La composición variable de la chatarra presenta un desafío para identificar patrones precisos de carga, especialmente considerando las diferentes habilidades y experiencias de los operarios, que incluyen tanto operarios experimentados como menos experimentados. Una cuidadosa selección de variables es crucial para mitigar esta variabilidad y determinar con precisión el estado de la materia dentro del horno. Es fundamental contar con la caracterización en tiempo real del proceso y una recepción efectiva de datos en streaming. El modelo no se ve afectado por excepciones específicas del cliente, lo que garantiza una mayor consistencia y precisión en el proceso.
KPIs (impacto en el negocio y métricas del modelo)
Precisión del Modelo: Medición de la capacidad del modelo de machine learning para predecir los instantes óptimos de carga automática con alta precisión. Eficiencia Energética: Seguimiento de la optimización del consumo energético del horno mediante la reducción de los tiempos de fusión y carga.
Financiación
Parte de este proyecto fue parcialmente financiado por fondos públicos.
Colaboradores
multimedia
