Proyecto Digital Bottle

Indicadores y procesos de mejora

Este proyecto permite ahorrar más de 88 GWh al año, gracias a la implantación de sistemas de control end-to-end que enlazan los procesos:

• Optimización de los hornos para que funcionen con un mínimo de energía y mantengan la calidad del vidrio (hasta 9% ahorro energético posible).

• Maximización de la eficiencia del proceso por los operarios. Se recopilan/procesan datos de todo el centro, se realiza un análisis Big Data para identificar tendencias operativas y un análisis de la causa raíz de los defectos; se alimenta el cuadro de mando de Mendix para que los operarios puedan corregir los procesos antes de producirse defectos o fallos en los equipos.

• Aumento de la eficiencia del proceso de empaquetado y fundido, gracias a la reducción de los defectos/rechazos en los procesos de conformación (mejora productividad 2,5% y ahorro de energía 27MWh).

• Minimización del margen seguridad operativa necesario para el funcionamiento fiable del horno (integración de sistemas ESIII y Emhart).

Cuantificación/Estimación reducción consumo

El proyecto ‘Despliegue del control de procesos de extremo a extremo para la planta de Encirc en Elton (DEEP Control)’ supondrá un ahorro energético de >88 GWh/año, gracias a la implantación de nuevos sistemas de control de extremo a extremo que enlazan los procesos de Encirc Elton 860Toneladas/día (EL1) y 820Toneladas/día (EL2) de hornos de vidrio para contenedores y 14 líneas de formación asociadas para facilitar:

• Optimización de los hornos para que funcionen con el mínimo de energía y mantengan la calidad del vidrio (hasta un 9% de ahorro energético posible, equivalente a un ahorro energético anual: >61MWh/£2,2millones).

• Aumento de la eficacia del proceso de empaquetado y fundido, gracias a la reducción de los defectos/rechazos en los procesos de conformación (con una mejora de la productividad de hasta el 2,5%, lo que equivale a un ahorro energético anual de: 27MWh/£1millón).

• Ahorro total anual estimado de CO2: 15,6kT/año.

Cuantificación/Estimación reducción emisiones CO2

El sistema hace posible que en diez años sea factible que el proceso de fabricación de envases de vidrio alcance una dimensión óptima, evitando no sólo problemas de suministro de materias primas, sino consiguiendo también el objetivo de la UE de reducir las emisiones de CO2 a 15,6kT/año.

Innovación aplicada y buenas prácticas

Algunos hitos que se han conseguido de la aplicación de Machine Learning e Inteligencia Artificial pueden extrapolarse a otras plantas y/o organizaciones:

• Se formaliza un análisis de los parámetros con los que se fabricó el envase de vidrio.

• Se recolectan las variables de producción para posterior correlación de datos. Se determina el mapa de datos y los protocolos IoT para la ingesta de datos.

• Se realiza una alimentación de sistemas expertos.

Se consigue una estandarización y automatización de diferentes formatos de datos ingestados, así como la manera en que son servidos para su consumo.

Partiendo de una prueba de concepto inicial (Digital Bottle POC), se han definido buenas prácticas que permiten abordar toda la casuística y estandarizar procedimientos, para luego desplegarlo de la forma más efectiva en las plantas destino.

Se mejora la arquitectura actual para que sea escalable y replicable, siempre teniendo en cuenta la flexibilidad que proporciona una estrategia Cloud.

Usabilidad de Tecnologías de la Información y Comunicaciones

Se parte de una arquitectura propuesta para la POC inicial que se basa en Node-Red (on premise y en Cloud-Azure) como herramienta para la ingesta de información e InfluxDB como base de datos para Time Series. La visualización de Time Series se realiza con Grafana. Hay 8 flujos desarrollados con Node-Red.

En el avance del proyecto, se detectan una serie de limitaciones de la arquitectura actual para los que se propone solución. Tal es el caso de la limitación de Node-Red como herramienta de ingesta de datos y se propone Nifi como solución de futuro.

Según su grado de usabilidad, los datos se clasifican en 3 tipos (‘temperaturas de datos’):

• Datos fríos: correspondientes a aquellos datos que son históricos o de archivo.

• Datos calientes y templados en formato bruto.

• Datos calientes y templados en formato procesado.