GHI Smart Furnaces – Kargatzeko puntu automatikoa labe birakari baskulagarrietan
GHI Smart Furnaces
Sektorea: Industria
Negozio-kasua
GHI Smart Furnaces ekimena da eta aluminioa urtzeko labe birakarietan karga-prozesua optimizatzea du xede, machine learningeko eta automatizazioko teknologia aurreratuak ezarriz. Aluminioa urtzeko prozesuaren produktibitatearen eta efizientziaren optimizazioarekin lotutako erronketako bat, hain zuzen ere, labearen karga-estalkian dago, materialaren osaketaren eta langilearen esperientziaren araberakoa baita.
Helburuak
Karga-prozesua optimizatzea: Fusio-denborak murriztea, labearen PLCri aginduak igorriz denbora errealean. Efizientzia energetikoa hobetzea: Urtzeko prozesuaren efizientzia energetikoa handitzea labea unerik optimoetan kargatuz, ekoizpen-irizpideen arabera. Automatizazio integrala: Karga-prozesua erabat automatizatzeko aurrerapausoak ematea, langilearen eskuzko erabakien mendekotasuna murriztuz.
Erabilera-kasua
Soluzioak garapen teknologikoa eta aluminioa urtzeko prozesuetako adituen parte-hartze aktiboa eta labeetako langileen parte-hartzea uztartzen ditu. Lehenik eta behin, ekoizpen-irizpideak eta operazio-patroiak biltzen dira, hautemandako seinaleekin lotu ahal izateko. Prozesuak identifikatu eta datuak etiketatu ondoren, kargara egokitutako patroia identifikatzen duen eredua garatzen da. Hainbat proba eta eredu-baliozkotze egiten dira zehaztasuna eta aurreikuspenaren fidagarritasuna ebaluatzeko. Azkenik, existitzen diren sistemetan integratzen da, eta eredua PLCrekin komunikatzen da, mezu bat bidaliz denbora errealean. Eredua berrentrenatzeko gai da aurreikuspen batek nahi den zehaztasuna betetzen ez badu, eta egokitutako gomendio berria bidaltzen du.
Azpiegitura
On premise
Erabilitako teknologiak
Ikaskuntza Automatikoa edo Sakona
Erabilitako datuak
Bideo-sekuentzietatik lortutako informaziotik abiatuta ereduaren denborazko informazioa eta segmentazio-transformerrak lor daitezke
Erabilitako baliabideak
GHIren parte-hartze integrala eta gure bezeroena funtsezkoa da; izan ere algoritmoetan, metalurgia-prozesuetan, machine learningean eta labeen funtzionamenduan adituak diren pertsonen lankidetza behar da. Diziplina anitzeko taldea izanik, zehaztasun- eta osotasun-maila handia lortzen da proiektuan, eta lortutako emaitzetan islatzen da hori. Azpiegiturari dagokionez, gure 4.0 sistema erabiltzen dugu datuak hautemateko.
Zailtasunak eta ikaskuntza
Txatarraren osaera aldakorra erronka bihurtzen da kargaren patroi zehatzak identifikatzeko garaian, batez ere langileen gaitasunak eta esperientziak kontuan hartuta, langile esperientziadunak zein esperientzia ez hain handikoak baitaude. Aldagaiak arretaz hautatzea ezinbestekoa da aldakortasun hori murrizteko eta materiak labe barruan duen egoera zehaztasunez finkatzeko. Funtsezkoa da prozesuaren denbora errealeko ezaugarriak izatea eta datuak modu eraginkorrean jasotzea streamingen. Bezeroaren salbuespen espezifikoek ez dute eraginik ereduan eta horrek sendotasun eta zehaztasun handiagoa bermatzen du prozesuan.
KPIak (negozioan duen inpaktua eta ereduaren metrikak)
Ereduaren zehaztasuna: Machine learningeko ereduak karga automatikorako une optimoak gaitasun handiarekin aurreikusteko duen gaitasuna neurtzea. Eraginkortasun energetikoa: Labearen kontsumo energetikoaren optimizazioaren jarraipena egitea, fusionatzeko eta kargatzeko denborak murriztuz.
Finantzaketa
Proiektu horren zati bat funts publikoekin finantzatu da.
