GHI Smart Furnaces – Punto automático de carga en hornos rotativos basculantes
GHI Smart Furnaces
Sector: Industria
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
La solución combina el desarrollo tecnológico con la participación activa de expertos en procesos de fundición de aluminio y operarios de los hornos. Se comienza con la recopilación de criterios de producción y patrones de operación para poder relacionarlos con las señales capturadas. Una vez identificados los procesos y etiquetando los datos, se desarrolla un modelo que identifica el patrón adecuado a la carga. Se realizan diferentes pruebas y validación del modelo para evaluar su precisión y fiabilidad en la predicción. Finalmente se integra con los sistemas existentes comunicando el modelo con el PLC mandando un mensaje en tiempo real . El modelo es capaz de reentrenarse en caso de que una predicción no cumpla con la precisión deseada, mandando una nueva recomendación ajustada.
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
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.
