Reto 11. “Modelo de detección de anomalías y mantenimiento predictivo basado en datos de proceso”
Sobre Espiga I+D
Espiga I+D es un centro de innovación especializado en el ámbito de los cereales y abarcando sus diferentes procesos de transformación y aplicaciones finales. Su actividad se centra en la generación y aplicación de conocimiento para mejorar la calidad de los productos, optimizar los procesos de molienda y aportar valor a lo largo de toda la cadena agroalimentaria.
La entidad combina sus plantas piloto a diferentes escalas con capacidades de análisis, laboratorio y experimentación, añadiendo un profundo conocimiento del proceso industrial, trabajando estrechamente con empresas del sector cerealista para dar respuesta a retos técnicos y productivos. Su enfoque integra tanto el desarrollo de soluciones prácticas en planta como la investigación aplicada en torno a materias primas, procesos y producto final.
En este contexto, Espiga I+D busca avanzar en la incorporación de nuevas tecnologías que le permitan mejorar el control de proceso, la monitorización en tiempo real y la explotación de datos industriales, con el objetivo de seguir aportando valor a sus clientes y reforzar su posicionamiento como referente técnico en el sector.
Para el planteamiento de estos retos, ESPIGA I+D actúa como Unidad de I+D Empresarial del Grupo Harinero MHM, así como de HARIVENASA, planta dedicada al procesado de avena, con quienes trabajará conjuntamente en la valoración de las soluciones propuestas.
Conce el Reto 11 que Espiga I+D ha presentado al programa Open Innovation.
Reto 11. “Modelo de detección de anomalías y mantenimiento predictivo basado en datos de proceso"
Actualmente, el análisis de incidencias en planta se realiza de forma reactiva, una vez que el problema ya ha ocurrido. Aunque las empresas asociadas a Espiga I+D disponen de sistemas de captura de datos que registran lo sucedido antes de un incidente en alguna de las plantas productivas, esta información no se está explotando de forma sistemática para anticipar fallos.
Así pues, este modelo de trabajo presenta varias limitaciones:
Enfoque reactivo ante incidencias.
Infrautilización de datos históricos.
Dificultad para identificar patrones previos a fallos.
Dependencia de análisis manual.
En este contexto, el reto consiste en desarrollar un modelo de aprendizaje que permita analizar datos históricos, identificar patrones previos a incidentes y generar alertas o avisos cuando estas condiciones se repitan en el futuro, para tratar de evitar nuevas incidencias.
En particular, se valorarán soluciones capaces de analizar grandes volúmenes de datos de proceso, identificar patrones previos a incidencias y desarrollar modelos de detección de anomalías. Además, la solución deberá ser capaz de ofrecer alertas tempranas y aprender de forma continua con nuevos datos.
El objetivo, por tanto, es evolucionar hacia un modelo de mantenimiento predictivo basado en datos, que permita anticiparse a los problemas y mejorar la fiabilidad del proceso.
Beneficios esperados
La implementación de un modelo de detección de anomalías basado en datos permitiría a Espiga I+D avanzar hacia una gestión mucho más proactiva de sus procesos productivos, reduciendo la dependencia de análisis reactivos y mejorando la capacidad de anticipación ante incidencias. En este sentido, se espera que la solución genere impacto en distintos niveles:
Reducción de incidencias y fallos, al identificar situaciones de riesgo antes de que se materialicen.
Disminución de paradas no planificadas y de los costes asociados.
Mejora de la eficiencia operativa, optimizando el funcionamiento de planta.
Evolución hacia un modelo de mantenimiento predictivo, más ajustado al comportamiento real del proceso.
Mayor aprovechamiento del dato, transformando la información histórica en conocimiento útil.
En conjunto, se trata de una oportunidad para reforzar la fiabilidad del proceso productivo y avanzar hacia una toma de decisiones más informada, basada en datos y orientada a la mejora continua.
¿Qué buscan en un colaborador?
Espiga I+D busca colaboradores capaces de transformar datos industriales en soluciones prácticas que puedan integrarse en la operativa diaria y aportar valor desde fases tempranas del proyecto. En particular, se valorarán perfiles que aporten:
Experiencia en ciencia de datos y machine learning aplicado a entornos industriales.
Capacidad para desarrollar modelos de detección de anomalías y predicción.
Experiencia trabajando con datos reales de planta (ruido, incompletos, heterogéneos).
Enfoque aplicado, priorizando soluciones utilizables frente a desarrollos teóricos.
Más allá de la tecnología, se busca un colaborador que entienda el contexto industrial, sea capaz de aterrizar las soluciones y acompañe el proceso de implantación, facilitando la adopción por parte del equipo interno y la generación de resultados tangibles.
Do you have any questions?
Write to us and we'll get back to you
El programa Open Innovation está financiado por
