Ejemplo SBR

Imagina que estás monitoreando un proceso industrial en el que se producen lotes de productos a lo largo del tiempo. Quieres asegurarte de que cada lote se mantenga dentro de los límites de calidad y eficiencia. Aquí es donde entra en juego el análisis de procesos por lotes mediante machine learning, una herramienta que te permite comprender y controlar tus procesos de manera efectiva.

El ejemplo que mostramos es un Reactor Discontinuo Secuencial (SBR) donde tenemos 5 variables monitorizadas a los largo de 340 instantes de tiempo y replicado en 72 lotes u operaciones. Vamos a aplicar las técnicas de variables latentes para comprender la dinámica del proceso y detectar anomalías en el mismo.

Análisis

Necesitamos entender como se comporta nuestro proceso, que relaciones hay entre los diferentes lotes y las variables e instantes

Relación entre Lotes

  • Cada lote es representado por un punto en este mapa
  • Los lotes que son similares en términos de sus variables tendrán puntos cercanos entre sí en el gráfico
  • Identificar grupos de lotes y posibles desviaciones

Relación entre Variables

  • ¿Cómo se relacionan las diferentes variables en cada instante de tiempo?
  • Puntos próximos cambian en la misma dirección
  • Puntos opuestos se tienen una variación inversa
  • Qué variables están más relacionadas con las diferencias entre los lotes

Monitorización

Mediante los métodos de variables latentes podemos monitorizar nuestro proceso con dos gráficos de control que resumen el comportamiento de todas nuestras variables.

T2

El gráfico de T2 de Hotelling identifica lotes que están demasiado lejos de la «zona de control» donde la mayoría de los lotes se encuentran. Los puntos que están fuera de esta zona pueden indicar problemas o desviaciones en el proceso.

SCR

El gráfico SCR nos ayuda a detectar lotes que tienen variaciones no convencionales respecto del resto de lotes estudiados.

Diagnóstico

¿Qué ha fallado?, ¿Dónde?, ¿Cuando?
Los gráficos de diagnóstico ayudan a entender cuánto contribuye cada variable/instante a las desviaciones observadas en los lotes.

T2

El gráfico de contribuciones T2 detecta los instantes de cada variable que están más alejados del comportamiento esperado. En este ejemplo observamos que para el lote 72 el oxígeno disuelto y el pH tuvieron una desviación respecto del valor usual del resto de lotes.

SCR

El gráfico de contribuciones al SCR, identifica qué instantes de cada variable se han desviado respecto de la dinámica habitual de los diferentes lotes. En el ejemplo observamos como la variación del nivel de oxigeno no ha sido la correcta entre los instantes 91 y 127.

El análisis, monitorización y diagnóstico de los diferentes lotes lo podemos replicar y añadir nuevos lotes para su estudio. De esta manera tenemos el control de nuestros procesos, pudiendo garantizar la estabilidad de la fabricación y detectando errores de manera precisa para proporcionar soluciones efecivas.

Ayúdanos a Mejorar

Realiza la siguiente encuesta y dinos tus impresiones sobre nuestro producto

Nombre
Sector










Cargo que ostenta en la empresa
¿Has utilizado alguna vez técnicas de machine learning en tu trabajo o proyectos?
¿Has tenido la necesidad de analizar-monitorear procesos en tu trabajo?
¿Te gustaría tener una solución automatizada para el análisis y monitorización de procesos en tu empresa?
¿Qué desafíos enfrentas actualmente en términos de optimización de procesos o análisis de datos?
¿Qué tipo de información te gustaría obtener al monitorear tus procesos?
¿Ves alguna barrera o desafío que podría evitar que adoptes una solución de análisis y monitorización basada en machine learning?
¿Qué funcionalidades te gustaría ver implementadas?
En una escala del 1 al 10, ¿Qué tan interesado/a estarías en probar una solución de este tipo para tu empresa?
¿Cuánto estaría dispuesto a pagar por un sistema similar?
¿Tienes algún comentario adicional o sugerencia que nos ayude a comprender mejor tus necesidades y expectativas?
¡El formulario ha sido enviado correctamente!
Ha ocurrido algún error al enviar el formulario. Por favor, revisa de nuevo todos los campos.
Scroll al inicio