Modelos de monitorización basados en datos

Las incidencias en entornos productivos provocan pérdidas de eficiencia operativa, desperdicio de recursos y un coste de oportunidad de venta. Hay que anticiparse y detectar a tiempo las condiciones que preceden una incidencia y disponer de información, mediante modelos predictivos, sobre cómo evolucionará una planta o línea productiva para reducir las consecuencias de las paradas no previstas.

Pero la situación habitual a la hora de tomar decisiones operativas basadas en datos de sistemas SCADA es basarse en el análisis de una única variable. La gran cantidad de datos recogidos hacen muy compleja una aproximación multivariable sin las herramientas adecuadas.

intelligent-monitoring-ithinkupc.png
No es un modelo robusto para el diagnóstico ni la predicción y no sirve para el diagnóstico de múltiples causas.

 

STELA: Monitorización Inteligente Multivariable

La creciente sensorización de los entornos operativos nos permite aplicar nuestra solución de diagnóstico y predicción de fallos y rendimiento con una aproximación de análisis multivariable. Además, gracias a nuestra plataforma de IoT MIIMETIQ, podemos escalar sin problema la solución y hacerlo en tiempo real.

Multivariate Intelligent Monitoring

 Análisis multivariable, robusto en diagnosis y prognosis y adecuado en escenarios de múltiples causas.

Soluciones de vanguardia de la UPC

Conjuntamente con MCIA Research Center (Motion Control & Industrial Applications) ofrecemos las soluciones más avanzadas de mantenimiento industrial, optimización de la producción y Zero-Defect Manufacturing. Entre otras capacidades, incorporan:

  • Captura automática, refinamiento y tratamiento de los datos de los sensores inteligentes.
  • Procesado automático de la señal, filtrado y extracción de características.
  • Técnicas de Data Mining & Knowledge Discovery para realizar diagnósticos y predicciones.
  • Sistemas de reporting claros y ágiles para informar con precisión y a tiempo a los usuarios.
  • Auto-adaptación y optimización constante.


Aplicaciones

graph1.pngValidation Results

Predicción del comportamiento de variables críticas del proceso
Aplicando algoritmos y técnicas ANFIS, regresión multivariable, etc.

 

 

graph2.png

Plant Condition Diagnosis

Diagnóstico basado en patrones conocidos de funcionamiento correcto y fallo
Redes neuronales, k-Nearest Neighbors, etc.

 

 

graph3.png

Plant Status Map

Aprendizaje de nuevas situaciones anómalas partiendo del conocimiento de punto óptimo
Novelty Detection, One-Class Support Vector Machine, etc.