Inteligencia artificial para procesos industriales
Comprender antes de optimizar.
Construimos modelos de hornos, cubilotes, prensas y líneas térmicas que combinan los datos de planta con la física del proceso y con lo que sabe el equipo que lo opera. Sin obra y sin cambiar la lógica de los autómatas programables.
A esta forma de trabajar la llamamos Inteligencia de Procesos Industriales: inteligencia artificial que entiende la raíz física de un proceso y la convierte en decisiones que se miden en la cuenta de resultados.
Somos un equipo científico. Modelamos un proceso concreto de una planta concreta y devolvemos al turno recomendaciones que el jefe de turno puede discutir y probar antes de aplicarlas.
Lo que la inteligencia artificial industrial consigue en planta
Tres líneas de trabajo. Cada una nace de una pregunta que hoy se responde con la experiencia y las lecturas que hay en el puesto.
Gastar menos energía en el mismo proceso
En un horno de fundición, la potencia del quemador, el caudal de aire, la carga y la humedad de la materia explican buena parte del consumo por tonelada. El modelo aprende esa relación con la física dentro y propone la consigna mínima que mantiene la temperatura de salida. Lo mismo vale para cubilotes, tratamientos térmicos y compresores, y para meter el precio de la energía en el programa de producción.
Saber por qué sube el rechazo antes de la siguiente colada
Cuando una desviación de calidad aparece en el control final, la causa suele estar horas atrás, en una combinación de variables: la humedad de la materia junto con la velocidad de la línea, por ejemplo. El modelo relaciona las señales que ya registra el SCADA con la física del proceso y señala esa combinación con antelación. El aviso entra en el GMAO con la variable que lo origina y el activo al que afecta.
Elegir la secuencia de producción con el coste de la energía delante
Un programa de producción reparte cargas, materia prima y cambios de formato según la capacidad de la línea, el plazo de entrega y el precio horario de la energía. El sistema genera varias secuencias viables, dice qué restricción manda en cada una y cuánto cuesta, en kWh, en horas de cambio y en plazo, elegir una u otra. El planificador decide, y su ajuste queda registrado para la siguiente vez.
Un modelo que solo busca patrones deja de valer cuando cambia la materia
Los datos de planta son pocos, tienen ruido y dependen del régimen de operación. Un modelo entrenado solo con el histórico funciona mientras la línea se parece a ese histórico, y falla en cuanto entra una receta nueva o cambia la temporada. Por eso tantos pilotos se quedan en pilotos.
Nuestros modelos llevan dentro los balances térmicos y de materia del proceso. Cuando cambia la materia, el modelo sabe qué sigue siendo válido.
Trabajamos con lo que la planta ya registra en el SCADA, el histórico de proceso, el GMAO y el ERP. A eso le añadimos lo que el proceso puede y no puede hacer físicamente, y lo que sabe quien lleva años en esa línea, que entra en el modelo como reglas en lugar de esperar a que los datos lo revelen.
Cada recomendación sale con las variables que han pesado, las condiciones en las que se ha disparado y su nivel de confianza. El jefe de turno puede discutirla.
Cuando el proyecto lo pide, la recomendación se escribe directamente en el sistema de control. Si el cliente prefiere que pase por una persona, se queda en la pantalla del turno.
Los métodos, para quien quiera el detalle: análisis causal, redes neuronales informadas por la física, grafos de conocimiento e inteligencia artificial neurosimbólica. Están explicados en cómo trabajamos.
Elige un proceso y hablamos de él
45 minutos con el equipo científico sobre un proceso concreto de tu planta. Miramos qué datos hay y te decimos si vemos margen y qué haría falta para medirlo.
