CASOS DE USO

1. Control de calidad del proceso
de fundición de bloques motor

Sector: Automoción

El objetivo de este proyecto es predecir fallos de calidad analizando información del proceso de fabricación de piezas.

El proceso de pruebas es largo y tedioso, por lo que conocer si una pieza es mala por cómo ha sido su fabricación evita hacer pruebas innecesarias.

Ver solución

Para este caso se entrenan autoencoders, un tipo de red neuronal, utilizando datos históricos sobre el proceso de fabricación y la calidad de las piezas tras las pruebas de conformidad.

Con este sistema se consigue una reducción de la dimensionalidad, lo que permite identificar un conjunto de piezas malas con mucha precisión (al que no hay que realizar más pruebas), y un conjunto difuso (al que hay que realizárselas).

2. Detección de defectos en
piezas de estampación en frío

Sector: Automoción

El objetivo de este proyecto es la mejora de los controles de calidad en una línea de producción de piezas por estampación.

En la actualidad se cuenta con complejos sistemas de visión artificial que detectan una pieza, analizan su contorno, su posición y realizan una serie de medidas para conocer su calidad.

Ver solución

Para ello se entrenan redes neuronales convolucionales (CNN) con un gran volumen de imágenes históricas y su defectología.

De esta manera, se mejora la detección de anomalías frente a los sistemas de visión artificial tradicionales, simplificando el modelo de detección, y se minimiza la posibilidad de que una pieza defectuosa llegue a montarse en un coche.

3. Detección de anomalías en
maquinaria de corte de madera

Sector: Manufacturing

En este proyecto se busca identificar anomalías en el funcionamiento de maquinaria, identificando los momentos iniciales de la aparición de un fallo.

Se cuenta con instrumentación de precisión para la medida de vibraciones en alta frecuencia, lo que permite obtener instantáneas sobre las vibraciones de los componentes de la máquina con gran nivel de detalle.

Ver solución

Para ello se entrenan diferentes algoritmos de Machine Learning, buscando englobar 3 categorías: detección de anomalías, clasificación de modo de fallo e indicadores de salud de la maquinaria.

El estado de salud se emplea para indicar cómo de severa es la anomalía o fallo detectada en la máquina.

4. Fiabilidad de subestaciones
con transformadores eléctricos

Sector: Energía

Este proyecto busca conocer cómo se comportan los transformadores, detectar las anomalías de funcionamiento y predecir su evolución en el tiempo de cara a evitar paradas no programadas, optimizando recursos y reduciendo los costes de mantenimiento.

El transformador es la parte más crítica de una subestación eléctrica: un fallo y no es posible dar suministro eléctrico.

Ver solución

Para este caso se emplean sensores de gases disueltos en el aceite dieléctrico y se estudian las condiciones de carga y las climáticas para hacer un modelo predictivo del funcionamiento de los equipos.

La mayoría de los transformadores instalados tienen una antigüedad alta, lo que los hace propensos a fallar. Los costes derivados de su reposición y del corte de suministro del servicio son muy altos, por lo que un evento inesperado puede tener grandes consecuencias económicas.

5. Mantenimiento predictivo
para maquinaria rotativa

Sector: Energía

Bajo el paraguas de la detección temprana de averías se busca mejorar la disponibilidad de los equipos críticos de una planta de generación de energía eléctrica.

Ver solución

Se utilizan los informes de mantenimiento y señales de planta (vibraciones, temperaturas y consumos) para modelar los equipos y entender mejor su funcionamiento.

Se comienza detectando anomalías de funcionamiento, avanzando a un diagnóstico automático, vitaminado con conocimiento experto.