Los trenes de laminación en frío (CRM) constituyen una parte íntegra del proceso de producción de metales, especialmente en la producción de acero. Para seguir siendo competitivos, los clientes precisan una calidad superior del producto, lo que implica que las tolerancias aceptables en cuanto a grosor y planitud deben disminuir, y la calidad de la superficie mejorar. Sin embargo, el hecho de aumentar la diversidad de productos significa que las plantas deben manipular distintos materiales y, al mismo tiempo, mantener o incluso superar la producción y el rendimiento. Con objeto de cubrir las demandas del mercado internacional y seguir siendo competitivos, los fabricantes de productos laminados planos cada vez buscan más formas económicas de mejorar el rendimiento y la calidad de los productos [1]. En respuesta a estas necesidades empresariales y técnicas, ABB ha desarrollado la solución digital CRM de última generación: ABB Ability™ Data Analytics para trenes de laminación en frío →01.
La herramienta de análisis avanzado de datos de ABB parte de la idea básica de que los operarios de CRM obtendrían información vital sobre el rendimiento, especialmente sobre desviaciones en la calidad de productos o problemas en el proceso de producción, si pudieran ver el estado de los equipos en tiempo casi real. Sin embargo, aunque es fácil hablar de este objetivo, conseguirlo no lo es tanto.
Para aprovechar todo el potencial productivo de un CRM en el actual mercado, tan competitivo, se precisa un enfoque conectado e integrado de las herramientas de automatización, optimización, control y apoyo a la toma de decisiones. El propio proceso de laminación emplea un rodillo superior e inferior para reducir el grosor de una banda de metal hasta conseguir el espesor uniforme deseado a una temperatura por debajo de la temperatura de cristalización del metal o aleación. A pesar de la sencillez conceptual del objetivo, el proceso de laminación es complicado y depende de un sinfín de factores [2].
Hoy en día, los CRM están provistos de modernos sistemas de control con múltiples sensores que no paran de registrar enormes cantidades de datos aportados por las mediciones de planitud, tensión, velocidad, grosor de bandas, etc. Se instalan circuitos de control que responden a estos datos. Con unos intervalos de muestreo con un margen de milisegundos, en cada instancia temporal se toman aproximadamente mil mediciones de diferentes valores de sensores. En consecuencia, cada día se generan más de 3 GB de datos en las operaciones de laminación. Los técnicos de servicio de ABB suelen aprovechar los datos disponibles para la puesta en marcha y el mantenimiento de los equipos de laminación utilizando circuitos de control. Aun así, esta enorme cantidad de datos tan valiosos no se analiza con regularidad para fines de rendimiento puesto que el análisis manual y el estudio de patrones de datos precisan invertir mucho trabajo y contar con conocimientos especializados. Es una tarea costosa y tediosa.
Con objeto de ayudar a los clientes a explotar el enorme potencial de información que brindan los datos sin procesar, y analizar de forma eficiente el rendimiento de sus sistemas, ABB aprovecha los grandes conocimientos especializados de sus técnicos y se basa en los avances conseguidos en las aplicaciones de las redes neuronales y de análisis avanzado para datos operativos con vistas de crear una innovadora solución de servicios digitales para las industrias de procesos. Soluciones digitales para procesos industriales (SODA) Algunos conceptos clave obtenidos del proyecto de investigación SODA de ABB se han integrado en la nueva versión del analizador de datos CRM de ABB: la capacidad de monitorizar y detectar firmas de problemas. De este modo, la nueva herramienta digital CRM facilita a los clientes los datos que necesitan para comprobar el estado de los trenes de laminación en frío a fin de evaluar la productividad y calidad del producto. Al dirigir rápidamente a los usuarios a información relevante y ofrecerles gráficos y diagramas interactivos, el analizador de CRM permite que los técnicos se centren sin pérdida de tiempo en los datos más pertinentes, con lo que se simplifica el análisis y se favorece una toma de decisiones más ágil. Por lo tanto, se pueden adoptar medidas para corregir problemas, pero con menos necesidad de personal.
Monitorización del funcionamiento de un CRM
Dado que la calidad del producto y la productividad del sistema son indicadores clave de rendimiento (KPI) con un impacto directo en la rentabilidad de los clientes de CRM, los operarios hacen una monitorización constante de las métricas para poder detectar desviaciones lo antes posible. El objetivo es identificar cualquier perturbación que indique un posible deterioro del proceso industrial.
SODA es una sofisticada solución digital que ayuda a los clientes a cubrir sus necesidades en materia de monitorización. Al reconocer las anomalías y los mejores escenarios, los operarios CRM pueden gestionar mejor su proceso de producción. Como primer paso, SODA sintetiza una “bobina modelo” a partir de los datos históricos disponibles. Se trata de una bobina ficticia integrada por segmentos temporales de diferente duración recuperados de los datos históricos correspondientes a un momento en el que se registraron unos valores máximos de calidad del producto y la productividad. Así, estos segmentos representan los modos de funcionamiento con los que se obtuvieron los mayores valores de calidad y productividad.
Tomando como referencia esta bobina modelo, SODA analiza las desviaciones dentro de los datos históricos y, de esa manera, va aprendiendo automáticamente un abanico de comportamientos funcionales del proceso que se clasifican de deficiente a excelente. Actualmente, se extraen de las mediciones con sensores hasta cien indicadores de rendimiento para calcular los indicadores clave de rendimiento (KPI) relativos a productividad y calidad →02.
Una vez se han calculado los KPI, SODA permite que el usuario evalúe el rendimiento de la bobina que está en servicio en ese momento, comparándola con la bobina modelo calculada y con ejemplos de bobinas históricas generados por el dispositivo específico que se está evaluando. Las bobinas se pueden agrupar en función del rendimiento (expresado por varios indicadores). Esta información se asigna a una instancia de laminación de bobina. Las vistas de la interfaz gráfica de usuario interactiva (GUI) facilitadas por SODA pueden servir a los técnicos para explorar fácilmente todos los datos relevantes. Por ejemplo, es posible evaluar rápidamente las bobinas que han registrado un rendimiento deficiente y los técnicos pueden reconocer visualmente patrones y cualquier desviación, con lo que se simplifica la determinación de errores.
SODA presenta diferentes modos de explorar los datos. Así, los técnicos de CRM pueden evaluar el rendimiento a fondo, de forma rápida y precisa →03a–c. Por ejemplo, se puede seleccionar una bobina caracterizada por un rendimiento deficiente y comparar por encima el perfil de velocidad de esa bobina con la bobina modelo. El técnico también puede ahondar en los detalles y comparar la bobina disfuncional seleccionada con la bobina modelo óptima de cualquier indicador de rendimiento →03b y, así, determinar la causa de ese rendimiento deficiente→03a–b. También es difícil detectar los problemas de geometría en los rodillos. La excentricidad de los rodillos puede provocar variaciones periódicas en el intervalo entre rodillos. Esto puede dar lugar a unas variaciones desfavorables en el grosor del producto laminado, lo que perjudica tanto a la calidad como a la productividad. A través de un análisis espectral, la solución digital de ABB para CRMs ayuda a los técnicos a detectar la excentricidad de los rodillos en tiempo casi real →03c.
(1/3) 03a Comparativa de velocidad y tiempo de una bobina disfuncional respecto a la bobina modelo óptima. El rendimiento deficiente se debe a una menor velocidad y un periodo de aceleración más largo de lo aceptable. 
Detección de firmas de problemas en CRMs
SODA emplea unos algoritmos sofisticados para detectar varias firmas de problemas comunes y habituales en datos de series temporales obtenidos de las mediciones: cambios en las características del material entrante, por ejemplo, cambios en la dureza del material entrante, o discordancias en las mediciones debido a un mal ajuste de los circuitos de control. Algunos de los algoritmos se basan en un procesamiento convencional de señales, mientras que otros dependen de un enfoque basado en el aprendizaje automático fundamentado en redes neuronales amplias y recurrentes. Este segundo enfoque es especialmente adecuado para analizar datos de series temporales dada su capacidad de modelar un comportamiento dinámico temporal discreto. El proceso se guía por un enfoque convencional de aprendizaje automático donde se crea un modelo durante una fase de instrucción y preparación. El patrón de interés en sí, que se pretende detectar, queda caracterizado mediante unos ejemplos determinados por un experto en la materia y se utiliza para instruir y formar al modelo. Por último, el modelo localiza patrones en los datos de series temporales que son parecidos a esos ejemplos aprendidos de forma automática.
Los operarios pueden confiar en que la última herramienta de ABB para CRM les ayude a detectar rápidamente circuitos de control mal ajustados →04. A veces, la magnitud de la corrección del circuito de control de retroalimentación puede ser mucho mayor a la del circuito de control de prealimentación y, aun así, correlacionarse (presentando el mismo aspecto visual) con la corrección del circuito de control de prealimentación. Aquí, la herramienta para CRM indica de forma visual que ambos circuitos de control están desempeñando la misma función; se trata de un estado inaceptable que da lugar a pérdidas de productividad. Para que el circuito de control de prealimentación aproveche bien todo su potencial funcional y realice la corrección sin necesidad de un control de retroalimentación, el operario puede ajustar el control de prealimentación para aumentar la ganancia. Al detectar estas firmas de problemas, es posible dar con una buena explicación de cualquier disminución en el rendimiento o la productividad, y los técnicos de mantenimiento pueden emprender medidas para resolver los problemas.
La IA ayuda a detectar características en SODA
Aunque todavía no está disponible para los CRMs, el uso de inteligencia artificial (IA) es otro concepto clave desarrollado en SODA con mucho potencial para los CRMs. Pese a que los métodos convencionales de procesamiento de señales, como el filtro, análisis de correlación y descomposición de Fourier, son muy eficientes y prácticos para ciertos casos de uso limitado, no lo son tanto para detectar muchos problemas a los que se enfrenta la industria. Por ejemplo, el sobreimpulso es una característica importante de un sistema de control relacionado con cambios decisivos. En teoría, los sobreimpulsos tienen formas sinusoidales amortiguadas para sistemas lineales de orden inferior. Habituales en los CRMs →05, todos los sobreimpulsos medidos presentan unos aspectos visuales similares, pero sus perfiles, formas de onda y duraciones varían, por lo que es difícil detectarlos con métodos tradicionales de procesamiento de señales lineales.
Por lo tanto, ABB ha desarrollado y puesto en práctica un novedoso enfoque para la extracción de características basado en ventanas móviles y redes neurales recurrentes capaces de aprender patrones arbitrarios en datos de series temporales. En el análisis, el técnico etiqueta patrones de interés, como los sobreimpulsos, que pasan a usarse para instruir y formar a un clasificador basado en redes neurales recurrentes [3].
Este práctico enfoque se puede usar de manera genérica para detectar patrones arbitrarios en análisis de series temporales univariantes y multivariantes en base a las aportaciones realizadas por técnicos especializados. Así se evita la necesidad de desarrollar y ajustar algoritmos de detección especializados. Este enfoque permite que los conocimientos en la materia de los expertos se usen directamente y, además, abre el acceso a dichos conocimientos.
Arquitectura de software SODA
Empleando unos paradigmas de uso y tecnología de vanguardia, se ha desarrollado SODA como una aplicación basada en módulos y con una interfaz de usuario en la web. Está integrada por una aplicación para clientes, un middleware y un motor de análisis →06; la comunicación queda en manos de una Interfaz de programación de aplicaciones de Transferencia de estado representacional (API de REST) basada en la web. Este marco modular puede ejecutarse in situ o en la nube, según las necesidades de escalabilidad, flexibilidad y privacidad del cliente. Se trata de un marco flexible y genérico fácilmente adaptable a otras aplicaciones, por ejemplo, reconfigurando el middleware, es posible adaptar el marco para usarlo en otras industrias. Además, el motor de análisis puede funcionar independientemente de otros componentes y, de esta forma, constituye la base para una aplicación futura que precise tipos similares de análisis.
Logros y visión SODA
Como el mayor proveedor mundial de automatización para el sector metalúrgico, ABB ha realizado más de 450 proyectos en los últimos veinte años. Gracias a esta enorme experiencia y los conocimientos especializados sobre datos operativos acumulados a lo largo de los años, ABB ha podido desarrollar unas buenas prácticas para deducir y obtener información útil a partir de los datos disponibles: cómo presentar los datos de manera procedente, en el contexto adecuado; cómo simular escenarios relevantes; y cómo aprovechar la información de los análisis para tomar decisiones bien fundadas a fin de mejorar el tiempo útil, la velocidad de producción y el rendimiento de la planta. Al desarrollar SODA con las aportaciones y opiniones de técnicos expertos, ABB garantiza que estos cuenten con el mejor apoyo en su trabajo.
Actualmente, los clientes de CRM pueden acceder a las funciones recién creadas para monitorizar operaciones y detectar firmas de problemas en la última versión del analizador de datos CRM de ABB.
A pesar de estos avances notables, ABB sigue desarrollando tecnologías digitales de apoyo para los CRMs al añadir una función de detección con inteligencia artificial, ya desarrollada en SODA. Está previsto que esta tecnología vaya integrada en una versión futura del analizador de datos CRM.
Pero esto no es todo: ABB está ampliando su oferta digital. Tras crear una herramienta que ofrece una vista general del rendimiento productivo y detecta anomalías con suma precisión, ABB se ha marcado como nuevo reto concebir una solución digital que identifique las causas originarias de dichas anomalías. Siempre a la vanguardia de la innovación, ahora mismo ABB está investigando y trabajando en esta solución.
