Analítica y BI/BIG Real Time E6iciencia industrial con BIG Data

Transcripción

1 Analítica y BI/BIG Real Time E6iciencia industrial con BIG Data Enero de 2015

2 E6iciencia industrial con BIG Data Caso: Eficiencia en hornos y procesos industriales en condiciones extremas de temperatura. Soluciones en el plano BI/BIG Data e Internet of the things Uso de Sensores Remotos. Analytics con Sensores Remotos. Puestas en valor. Conclusiones.

3 El caso...1/ En un contexto de industria con procesos de fabricación basados en hornos a ALTAS TEMPERATURAS... Roturas de pirométría, cableado. Pérdida de eficiencia en paradas de producción. Riesgo y Seguridad Laborales. MONETIZACIÓN Coste Material Coste por pérdida de producción Coste laboral Coste Legal Repercusión en pricing Competitividad

4 El caso...2/ ALTAS TEMPERATURAS. Dónde Interesa medir temperatura? Dónde interesa controlar en tiempo real? Sonda pirométrica cableada Sonda pirométrica cableada Sonda pirométrica cableada Resto producción

5 El caso...3/ ROTURAS SONDAS... Problemas de fundición del cableado... Parada para cambiarla... Si no medimos no controlamos...parada EFICIENCIA PROCESO. Cuándo cambiamos la Cuchara? parada MEJORA DE CALIDAD. Como se ha roto la sonda no hemos podido medir bien y la colada no ha tenido los indicadores de calidad adecuados...pérdida de producción. EVITAR RIESGOS. Mejor la cambiamos ahora por si acaso... Lo que supone una parada Alguna cifras

6 La solución...1/ El planteamiento MODELO REACTIVO Detectar Eventos MEDICIÓN REMOTA TEMPERATURA ACCIONES REACTIVAS PREVENTIVAS MODELO PREVENTIVO Prevenir eventos

7 La solución...2/ La ejecución 1.- Búsqueda sensores remotos de temperatura 2.- Proyecto de I+D+i Sensor Individual en una ubicación para diferentes configuraciones y generaciones Modelo Analítico del Proceso 3.- Cambio del Proceso Roturas Eficiencia Calidad Riesgos

8 La solución...3/ 1.- Búsqueda sensores remotos de temperatura 2.- Proyecto de I+D+i Sensor Individual en una ubicación para diferentes configuraciones y generaciones del Proceso 3.- Cambio del Proceso Roturas Eficiencia Calidad Riesgos El alcance en el marco del proyecto I+D+i Premisas: Existen esos sensores Para la misma instalación se han realizado múltiples configuraciones. Se ha usado tecnología BIG Data (Hadoop) para el almacenamiento en bruto de la información. Se ha utilizado herramientas Analíticas sobre Hadoop. Se puede monitorizar con baja latencia. Estado de los sensores. Temperaturas.

9 La solución...4/ 1.- Búsqueda sensores remotos de temperatura 2.- Proyecto de I+D+i Sensor Individual en una ubicación para diferentes configuraciones y generaciones del Proceso 3.- Cambio del Proceso Roturas Eficiencia Calidad Riesgos El alcance en el marco del proyecto I+D+i Arquitectura Data Flow de la solución Sensor remoto dipolar que vibra con la temperatura a doble frecuencia. Typical BIG Data Analytics Project Interrogador de frecuencia que se sintoniza con el sensor. Se digitaliza la señal con unas condiciones que generan MILLONES de registros. Se suben de manera continua a un Cluster Hadoop (BIG Data) Internet of the things concept Se Aplica un Predictivo que proporciona: Calidad Real del sensor. Duración prevista del sensor. Previsión de rotura de sensor. Extendiendo el al sistema de Control en tiempo Real con nuevas variables: Disponibilidad tiempo real.

10 La solución...5/ 1.- Búsqueda sensores remotos de temperatura 2.- Proyecto de I+D+i Sensor Individual en una ubicación para diferentes configuraciones y generaciones del Proceso 3.- Cambio del Proceso Roturas Eficiencia Calidad Riesgos Requerimiento de Análisis.. Modelo de Datos Analítico BBDD para elaborar modelo analítico

11 La solución...6/ 1.- Búsqueda sensores remotos de temperatura 2.- Proyecto de I+D+i Sensor Individual en una ubicación para diferentes configuraciones y generaciones del Proceso 3.- Cambio del Proceso Roturas Eficiencia Calidad Riesgos Medición Fecha Descripción Generación sensor Distancia entre antenas (cms) Instalación Material que recubre el sensor Rango Frecuencia en frío dipolo1 Rango Frecuencia en frío dipolo2 Temperatura Ciclo (Grados centígrados) M G1 0 I1 M G1 45 I2 M G1 45 I2 M G1 45 I3 M G1 45 I4 M G1 45 I4 M G1 19 I4 M G1 19 I4 M G1 19 I4 Disculpas, no podemos dar estos datos M G1 19 I4 M G1 19 I4 M G1 19 I4 M G1 19 I4 M G1 19 I4 M G2 0 I1 M G2 25 I1

12 La solución...7/ 1.- Búsqueda sensores remotos de temperatura 2.- Proyecto de I+D+i Sensor Individual en una ubicación para diferentes configuraciones y generaciones del Proceso 3.- Cambio del Proceso Roturas Eficiencia Calidad Riesgos Un fichero de lo visto en R vs Hadoop Nombre fecha princ_trama Fcy_1 niv_senial_recib1 niv_senial_recib2 separador1 Fcy_2 niv_senial_recib3 niv_senial_recib4 separador2 cont_tics ind_trama_val Temp Momento Campo15 Medici_n Descripci_n Generaci_n_sensor Distancia_entre_antenas cms_ Instalaci_n Material_que_recubre_el_sensor Rango_Frecuencia_en_fr_o_dipolo1 Rango_Frecuencia_en_fr_o_dipolo2 Temperatura_Ciclo Grados_cent_g fallo first last ciclo durac

13 La solución...8/ Proyecto I+D+i IAAS - Infraestructure As A Service 1/ NODOS con DIFERENTE roll: Nodos Manager 10 Tb en Test con Cloudera *El almacenamiento bruto se calcula como el almacenamiento neto x4. Contienen los demonios/servicios principales de la distribución de software base internos. Plataformado InHouse. Conectados en red securizada interna. Nodos de trabajo. Contienen los procesos/servicios de almacenamiento y procesamiento. Plataformado por el Proveedor (HP). Conectados en red interna sin visibilidad ni acceso desde el exterior

14 La solución...9/ Proyecto I+D+i SAAS - Infraestructure As A Service 1/ Se ha empleado tecnología Open en Cloud. Extractores para la sensorización semiestructurada. Tratamiento de datos con Hive. Lenguaje R, para el modelo analítico y de predicción. Presentaciones gráficas con R. App desarrollada igualmente en R sobre Front Web. (En curso)

15 La solución 10/... Aplicar la tecnología Primero se han subido los datos a hadoop con un almacén temporal previo. Segundo se suben las mediciones al modelo y se evalúa el modelo en tiempo real.

16 La solución 11/...el método Transformación del dato en valor ANALÍTICA ACTIVA (BI / BIG data) CONN. ANALIZE ACT Variables Sensores Variables Materiales Eficiencia Ventaja competitiva Gestión de Riesgos Nuevos modelos de producción Retroalimentar

17 La solución 12/...el método Transformación del dato en valor

18 Arbol de predicción disponibilidad del sensor 24% de mediciones erróneas. Predice no dispon. Predice disponibilidad Mayoría de casos de disponibilidad

19 Temperatura en función de frecuencia determinante 1.- Búsqueda sensores remotos de temperatura La solución...3/ 2.- Proyecto de I+D+i Las últimas generaciones de Sensores están dentro de las necesidades. Sensor Individual en una ubicación para diferentes configuraciones y generaciones del Proceso 3.- Cambio del Proceso Roturas Disponibilidad Eficiencia y fiabilidad del sensor Calidad Riesgos Predicción de ruptura por tiempo de exposición, temperatura El aislamiento no interfiere en la calidad de la medición.

20 La solución...13/ 1.- Búsqueda sensores remotos de temperatura 2.- Proyecto de I+D+i Sensor Individual en una ubicación para diferentes configuraciones y generaciones del Proceso 3.- Cambio del Proceso Roturas Eficiencia Calidad Riesgos Proyecto I+D+i...RESUMEN CONCLUSIONES Las últimas generaciones de Sensores están dentro de las necesidades. El aislamiento no interfiere en la calidad de la medición. Las frecuencias de transmisión afectan al comportamiento. Disponibilidad y fiabilidad del sensor predecible. Puede predecirse la rotura de un sensor por Temperatura de exposición. Frecuencia de transmisión. Tiempo de exposición. Viabilidad de medir en Tiempo Real con baja latencia. Posibilidad de Internet De las Cosas.

21 Puestas en valor DIRECTAS Proyecto I+D+i... Proceso de Compras Planificación de las compras de Sensores Incremento de la Calidad. Proceso de Fabricación. Reducción Coste de Mnto. Optimizar paradas. Coste de cambio sonda vs sensor. Reducción coste energético. Paradas. Optimización temperatura hornos PU Sonda pirométrica >> PU Sensor Remoto. Predicción del comportamiento del Sensor. TCO Sonda Pirométrica >> TCO Sensor Remoto Tiempo de sustitución de sensor << Tiempo sustitución de Sonda Pirométrica El modelo económico presentaría una importante reducción de número y duración de de paradas

22 Puestas en valor INDIRECTAS Proyecto estratégico... Proceso de compras. Mayor diversidad de sensores y fabricantes atendiendo al punto de medición. Proceso de Fabricación Calidad de la Colada en base a modelos de temperatura correlacionados en diversos puntos de medición. Optimizar cambios de cucharas. Riesgos Laborales. Reducción riesgo para los Trabajadores. Reducción Coste Pólizas. CORRELACIONES: Mediciones en diversos puntos. + Variables Externas Introducir en el modelo la presión barométrica, humedad, temperatura y riqueza del aire exteriores Calidad Materiales BBDD Empírica.

23 Conclusiones... Clara aplicación de BIG Data en el Sector con datos Semi-Estructurados.. Áreas de especialización de BIG Data Analytics y Real Time BIG Data. Extensión de uso de Internet of The Things. Coste proyecto acomodado.

24 Agradecimientos... Eskerrik Asko