Azken 5 urteetan prozesuan eta PLCtan bildutako datuak erabiliz, burdinurtuaren tenperatura optimoa lortzeko berotze-fasean beharrezkoa den gutxieneko denbora gomendatzen duen aurreikuspen-eredua garatzea.
Helburuak
Helburua da galda bakoitzean kontsumo energetikoa murriztea eta langileei tresnak eskaintzea prozesua optimizatzeko eta galdak gehiegi berotzea edo tenperatura optimoaren azpitik dauden galda-prozesuak ekiditeko.
Erabilera-kasua
Alde batetik, Snowflake bidez partekatzen dira datuak dataseta egiteko eta cloudean aurretiazko eredu deskribatzaile batek elikatutako aurreikuspen-eredu bat garatzeko lanean ari dira. Emaitzak denbora errealean agertuko zaizkio langileari, Grafana plataformaren bidez.
Azpiegitura
Cloud
Erabilitako teknologiak
Ikaskuntza Automatikoa edo Sakona
Erabilitako datuak
Datasetak pribatuak dira. MES sisteman jasotako erregistro-prozesuak ditu, segundoko 640 tag (PLC) inguru jasotzen ditu. Gure “denbora erreala” 2 minutukoa da.
Erabilitako baliabideak
Antolaketan mailan, beharrezkoak izan dira proiektu-arduradun 1, SWko 2 teknikari (ETL eta ML) eta ACVA barne-prozesuetako 2 teknikari. Garapen teknikoa IBERMATICAk egin du batez ere eta baliozkotze teknikoa, baldintzak eta bideragarritasuna TUBACEXek.
Zailtasunak eta ikaskuntza
Izan dugun zailtasun nagusia datuak ezagutzea, sailkatzea eta ulertzea izan da, hori izan da gure botila-lepoa. HW azpiegitura eta ETL prozedura badaude dagoeneko. Aukera eman digu datuen deskubrimendua ikasteko eta gure helburua DataProductera bideratzeko.
KPIak (negozioan duen inpaktua eta ereduaren metrikak)
RMSE (Root Mean Square Error). RMSEk aurrez esandako tenperaturak tenperatura errealekin alderatzen ditu. RMSEren balioa zenbat eta txikiagoa izan, orduan eta handiagoa izango da galdaren amaierako tenperatura aurreikusteko eredua, eta horrekin batera, kontsumo elektrikoa, hau da, gure KPI helburua.
Finantzaketa
Proiektua Europako COGNIPLANT programak finantzatu du.