Tekniker – Digital-Twin subrogado para optimización de la extrusión
Tekniker
Sector: Industria
Business Case
Relanzar la extrusión después de un cambio de receta o para probar un nuevo compuesto en una planta de fabricación de neumáticos es una tarea manual que se basa en la experiencia de cada operario. A su vez, cada inicio de extrusión produce cierto residuo y conlleva un tiempo de estabilización que varía en base a estas decisiones. En este contexto, el proyecto AI-PROFICIENT ha encontrado una forma de optimizar los relanzamientos de extrusión disponiendo de las señales registradas durante un periodo de 3 años en el SCADA de CONTINENTAL.
Objetivos
– Desarrollar sistema capaz de detectar la condición de las extrusoras para poder relanzar la extrusión en el momento adecuado. – Identificar parámetros óptimos de velocidad para minimizar residuo y tiempo de estabilización cuando se relanza la extrusión
Use case
Puesto que se dispone de un extenso dataset que contiene las extrusiones realizadas durante los últimos 3 años, se propone emplear modelos subrogados que imiten el comportamiento de la extrusora sin necesidad de parar la producción para poder identificar parámetros óptimos de lanzamiento. A su vez, este modelo se ejecuta en tiempo real junto a la extrusora para determinar si las condiciones son o no adecuadas para lanzar una extrusión.
Infraestructura
Análisis y desarrollo de modelos utilizando servidores propies (CPUs, GPUs) Explotación on premise.
Tecnologías utilizadas
Aprendizaje Automático o Profundo
Datos utilizados
3 años de histórico de series temporales de CONTINENTAL
Recursos utilizados
Se ha requerido la dedicación de un analista y personal de arquitectura para modelar y desplegar los modelos. Al mismo tiempo, se ha precisado alta implicación del personal de CONTINENTAL (ingenieros de proceso e IT), tanto para comprender bien los matices del modelo como para realizar el despliegue.
Dificultades y aprendizaje
Un sistema tan complejo de modelar (+200 variables, múltiples recetas) requiere mucha implicación y conocimiento de dominio que es necesario adquirir mediante reuniones periódicas con los usuarios. Además, el despliegue de los modelos tiende a mostrar nuevos requerimientos/funcionalidades que no estaban previstos y que hay que aportar.
KPIs (impacto en el negocio y métricas del modelo)
Simulando sobre datos de histórico los valores óptimos obtenidos: – Incremento en extrusiones de buena calidad (aumento de 33% a 90%) – Reducción de tiempos de estabilización de recetas más empleadas (60%, 81% y 86% respectivamente)
Financiación
Proyecto AI-PROFICIENT financiado por la unión Europea
Colaboradores
CONTINENTAL
