11. erronka. “Prozesu-datuetan oinarritutako anomalien detekzio eta mantentze prediktiboaren eredua”

Espiga I+G-ri buruz

Espiga I+G zerealetan espezializatutako berrikuntza zentro bat da, haien eraldaketa prozesu desberdinak eta azken aplikazioak barne hartzen dituena. Bere jarduera produktuen kalitatea hobetzeko, ehotze prozesuak optimizatzeko eta nekazaritza-elikagaien kate osoan balioa gehitzeko ezagutza sortu eta aplikatzean oinarritzen da.

Erakundeak eskala ezberdinetako pilotu-lantegiak gaitasun analitiko, laborategiko eta esperimentalekin konbinatzen ditu, prozesu industrialaren ezagutza sakona gehituz eta zereal-sektoreko enpresekin estuki lan eginez erronka tekniko eta produktiboei aurre egiteko. Bere ikuspegiak landare-irtenbide praktikoen garapena eta lehengaien, prozesuen eta azken produktuaren inguruko ikerketa aplikatua integratzen ditu.

Testuinguru honetan, Espiga I+G-k prozesuen kontrola, denbora errealeko monitorizazioa eta industria-datuen ustiapena hobetzeko aukera emango dioten teknologia berriak txertatzen aurrera egin nahi du, bezeroei balioa ematen jarraitzeko eta sektoreko erreferente tekniko gisa duen posizioa indartzeko helburuarekin.

Erronka hauei aurre egiteko, ESPIGA I+D MHM Irin Taldeko I+G Negozio Unitate gisa jarduten du, baita HARIVENASAkoa ere, oloa prozesatzeko lantegi bat, eta harekin batera lan egingo du proposatutako irtenbideen ebaluazioan.

Conce el Reto 11 que Espiga I+G programa aurkeztu du Open Innovation.

11. erronka. “ Prozesu-datuetan oinarritutako anomalien detekzio eta mantentze prediktiboaren eredua ”

Gaur egun, lantegian gertatzen diren gorabeheren azterketa modu erreaktibo batean egiten da, arazoa gertatu ondoren. Espiga I+G-rekin lotutako enpresek ekoizpen-lantegi batzuetan gorabehera baten aurretik gertatutakoa erregistratzen duten datuak jasotzeko sistemak badituzte ere, informazio hori ez da sistematikoki erabiltzen akatsak aurreikusteko.

Beraz, lan-eredu honek hainbat muga ditu:

Gertakarien aurrean erreaktiboa den ikuspegia.
Datu historikoen gutxiegizko erabilera.
Zailtasunak porrotak baino lehen ereduak identifikatzeko.
Eskuzko analisiarekiko mendekotasuna.

Testuinguru honetan, erronka ikaskuntza-eredu bat garatzea da, datu historikoen analisia, gertakarien aurreko ereduak identifikatzea eta etorkizunean baldintza horiek errepikatzen direnean alertak edo abisuak sortzea ahalbidetzen duena, gertakari berriak saihesteko.

Bereziki, prozesu-datu bolumen handiak aztertzeko, gorabeherak baino lehen ereduak identifikatzeko eta anomaliak detektatzeko ereduak garatzeko gai diren irtenbideak baloratuko dira. Gainera, irtenbideak abisu goiztiarrak eman eta datu berrietatik etengabe ikasteko gai izan behar du.

Helburua, beraz, datuetan oinarritutako mantentze-lan prediktiboen eredu baterantz eboluzionatzea da, arazoak aurreikusteko eta prozesuen fidagarritasuna hobetzeko aukera ematen digun eredua.

Espero diren onurak

Datuetan oinarritutako anomaliak detektatzeko eredu bat ezartzeak Espiga I+D-ri bere ekoizpen-prozesuen kudeaketa askoz proaktiboago baterantz joatea ahalbidetuko lioke, analisi erreaktiboen mendekotasuna murriztuz eta gorabeherak aurreikusteko gaitasuna hobetuz. Zentzu honetan, irtenbideak hainbat mailatan eragina izatea espero da:

Arrisku-egoerak gertatu aurretik identifikatuz, gorabeherak eta hutsegiteak murriztea.
Aurreikusi gabeko geldialdiak eta harekin lotutako kostuak murriztea.
Landarearen funtzionamendua optimizatuz, eragiketa-eraginkortasuna hobetu da.
Prozesuaren benetako portaerarekin lerrokatuago dagoen mantentze-lan prediktiboen eredu baterantz eboluzionatzea.
Datuen erabilera handiagoa, informazio historikoa ezagutza erabilgarrian eraldatuz.

Oro har, aukera bat da ekoizpen-prozesuaren fidagarritasuna indartzeko eta etengabeko hobekuntzan oinarritutako erabakiak hartzeko datuetan oinarritutako erabaki informatuago baterantz aurrera egiteko.

Zer bilatzen dute kolaboratzaile batean?

Espiga I+G-k industria-datuak eguneroko eragiketetan integratu eta proiektu baten hasierako faseetatik balioa gehitzeko irtenbide praktiko bihurtzeko gai diren kolaboratzaileak bilatzen ditu. Bereziki, honako hauek eskaintzen dituzten profilak baloratuko dira:

Datu-zientzian eta makina-ikaskuntzan esperientzia ingurune industrialetan aplikatuta.
Anomaliak detektatzeko eta aurreikusteko ereduak garatzeko gaitasuna.
Benetako landare-datuekin lan egiteko esperientzia (zaratatsua, osatugabea, heterogeneoa).
Aplikatutako ikuspegia, erabilgarriak diren irtenbideei lehentasuna emanez garapen teorikoen gainetik.

Teknologiaz gain, industria-testuingurua ulertzen duen, irtenbideak ezartzeko gai den eta inplementazio-prozesua laguntzen duen kolaboratzaile baten bila gabiltza, barne-taldeak adopzioa erraztuz eta emaitza ukigarriak sortuz.

Galderarik baduzu?