El modelado de datos en el entorno cerámico
En este caso, nuestro cliente es un fabricante de piezas cerámicas de pavimento y revestimiento en diferentes formatos. Dispone de varias líneas de fabricación con múltiples máquinas y procesos paralelos. Desea ejecutar un análisis comparativo entre un total de 20 puntos de datos de cada línea para medir KPI, realizar OEE y ejecutar análisis para optimizar el rendimiento en toda la planta.
El problema es que la maquinaria se compró con décadas de diferencia de unos a otros proveedores. Así mismo, los controles son de varios proveedores y se han modificado y personalizado a lo largo de los años. También las bases de datos con las que se conectan.
Modelado de datos en entorno cerámico
A pesar de los esfuerzos por estandarizar e integrar aspectos críticos de esta infraestructura, el contexto y las estructuras de datos varían. Incluso usando sensores de similares características (presión, temperatura, caudal, número de unidades, etc.), los proveedores, las tecnologías, los protocolos de comunicación e incluso las unidades de medida varían.
Tratamiento de los datos
En lugar de embarcarse en un proyecto de extracción y reemplazo costoso con el consiguiente tiempo de inactividad, o escribir código personalizado para tratar los datos, los ingenieros de Mas Ingenieros propusieron otras acciones. Conectar las etiquetas OPC UA de sus máquinas, a modelos de información estándar en un HUB industrial.
El concentrador se ejecuta en una variedad de plataformas en edge, desde una puerta de enlace IoT de placa única, móviles, conmutador industrial, o cualquier dispositivo Linux, hasta plataformas Windows 10 y Windows Server.
Para escalabilidad, aislamiento y seguridad, los concentradores se instalaron tanto a nivel de máquina como de línea.
Resultados obtenidos
Como resultado del modelado de datos en entorno cerámico, las máquinas tienen ahora un conjunto de datos optimizados, estandarizados. Además, en el mismo contexto que el departamento de OT, puede transferir fácilmente a los sistemas locales en la red, así como a los responsables de análisis de datos que dependen de sistemas basados en la nube para inteligencia artificial (IA) y otros sistemas avanzados.
Los modelos de datos están completamente contextualizados y estandarizados, no solo ”abandonados” en la nube, donde los técnicos responsables ya no dedican más del 80 por ciento de su tiempo a limpiar y preparar datos. Sino que directamente pueden comenzar a trabajar, haciendo ciencia de datos real.
El ancho de banda y el almacenamiento en la nube se reducen y el tiempo de implementación de análisis se acelera enormemente.