ARATUBO

Eficiencia energética y procesos

Aratubo
Predecir el consumo energético de las 6 diferentes líneas de producción asociado a cada familia de fabricación. El problema es que actualmente disponemos únicamente de los consumos de energía por tonelada de tubo fabricado y por línea. El reto es conseguir asociar los consumos de energía de cada una de las partes de las 6 líneas de producción a la familia que se está fabricando en ese momento para poder tomar decisiones.
Prever de los consumos de las diferentes etapas de las 6 líneas de producción asociados a las fabricaciones de cada familia de productos así como poder detectar desviaciones entre estos consumos y los óptimos para: 1) Eficienciar nuestros procesos optimizando su funcionamiento (parámetros, settings, etc) y reducir el consumo energético. 2) Conocer y asociar los costes de energía derivados de la producción a cada familia de productos. 3)Adecuar la programación de la producción para fabricar cada familia en las línea mas eficiente para ello. 4)Obtener patrones de consumo y tendencias para detectar y anticiparse a averías (mantenimiento predictivo) y predecir el fin de la vida útil de los diferentes componentes del proceso.
Disponemos de analizadores en las diferentes etapas de cada una de las líneas que nos proveen de los consumos y se almacenan en una base de datos alojada en Power Cloud. Se puede monitorizar estos consumos a través de Grafana. Deberemos cruzar y matchear los consumos con: familias, línea de producción, materia prima, etc. que actualmente están alojados en diferentes espacios. Con todos estos datos crear y entrenar algoritmos de modo que obtengamos patrones y tendencias de consumo para poder compararlas con las reales y tomar decisiones al respecto.
On Premise y Cloud
Machine Learning & Deep Learning
Consumos a través de analizadores de al menos los últimos 5 meses. Datos de producción de mas de 3 años; familias, referencias, temperaturas, potencias, velocidades de línea, etc.
Equipo multidisciplinar compuesto por científicos de datos y expertos en el dominio.
Disponemos de analizadores en las diferentes etapas de cada una de las líneas que nos proveen de los consumos y se almacenan en una base de datos alojada en Power Cloud. Se puede monitorizar estos consumos a través de Grafana. Deberemos cruzar y matchear los consumos con: familias, línea de producción, materia prima, etc. que actualmente están alojados en diferentes espacios. Con todos estos datos crear y entrenar algoritmos de modo que obtengamos patrones y tendencias de consumo para poder compararlas con las reales y tomar decisiones al respecto.

Data Value Management BAIC

es
10/09/2026
Álava, FABRICACIÓN, Machine Learning & Deep Learning, Predicción
Scroll al inicio