Detalles del proyecto
- Cliente: Hornos industriales para plantas de reciclado de aluminio
- Sector: Industria
- Servicio: Data Analytics & IA
- Fecha: 2020
Links relacionados
Redes neuronales para anticipar la recarga hornos en plantas de reciclaje
Necesidad del cliente
Los hornos rotativos funden el aluminio a altas temperaturas para reciclar chatarra. Este proceso de fundir la chatarra se divide por coladas, que son sucesiones de cargas de material cada cierto momento para ir alimentando el horno. Todo ello, no se llevaba a cabo bajo un criterio no uniforme que determinaba cuándo recargar el horno y eso imposibilitaba automatizar la gestión de las coladas creando una dependencia de los operadores expertos.
Por lo tanto, su necesidad era definir un criterio uniforme para la recarga del horno que permitiese la automatización e hiciese más eficiente la gestión de las coladas, reduciendo la dependencia de operadores expertos y reduciendo a su vez el consumo.
Objetivo del proyecto
Según los operadores expertos, el momento óptimo o el umbral de carga dependía de un indicador denominado “par de giro” que hace referencia a la velocidad a la que giraba el horno, ya que cuanto más líquido está el metal, más rápido gira el horno.
El proyecto tenía como objetivo anticipar el momento en que se alcanzaría un umbral específico definido por los operadores expertos. Así, se buscaba identificar el momento óptimo para cargar el siguiente lote en el horno sin requerir que los operadores vigilara constantemente el proceso.
Con esto, se establecería un sistema autónomo y se eliminaría la necesidad del conocimiento experto del operario diario, y desaparece también la necesidad de que haya una transferencia generacional de conocimientos.
Además, esta automatización facilitaría reducir tiempos consiguiendo hacer más coladas y ser más eficientes en el consumo, esto es, mayor productividad con menor consumo.
Resultados
Como resultado del proyecto, Dauta creó un modelo predictivo basado en redes neuronales que anticipaba cuando iba a ser el momento óptimo para la recarga del horno. Este modelo se creó a partir de los datos del histórico de dos años de coladas ya que los hornos estaban muy IOTizados y había variables cada segundo.
En términos de resultados cuantitativos, es destacable que el modelo logró una precisión del 80% dentro de un rango de +/-6 minutos. Además, el cliente consideró el modelo como exitoso, y se implementó en producción. Este proyecto no solo cumplió con sus objetivos específicos, sino que también ha establecido un referente para futuros modelos de optimización.
¿Quieres saber cómo obtener retorno de inversión de tus datos?
+34 944 41 88 42
