Cliente: Celsa
Ubicación: Abrera, Barcelona, España
Sector: Metalúrgia
Aplicación: IIoT
Celsa, empresa metalúrgica dedicada a la laminación de metal, quería conocer las capacidades de trabajar con sistemas serverless (SaaS), con el fin de poder optimizar tanto la gestión de de los datos obtenidos de sus procesos productivos, como mejorar el postprocesamiento de estos datos, mediante la aplicación de Inteligencia Artificial, Machine Learning y mantenimiento predictivo.
Objetivo principal:
Reducir paradas por averías
Metodo propuesto:
Mantenimiento predictivo
Análisis en profundidad:
Celsa dispone de diversas plantas de producción repartidas por todo el mundo. En muchas de sus fábricas, los procesos son iguales o muy similares, por lo que Celsa busca la forma más eficiente de obtener estos datos, poder almacenarlos, y procesarlos de la forma más óptima para poder obtener métricas y poder realimentar el proceso con mejoras.
Celsa solicitó a Engapplic un PoC (Proof of Concept) en el cual quería poder probar y analizar las capacidades de trabajar con un sistema basado en servicios (Serverless), con los siguientes objetivos:
- Optimizar los costes del procesamiento de los datos, desde la máquina, hasta la base de datos o Cloud.
- Simplificar la infraestructura de la obtención de datos del con servicios Cloud, así como obtener un sistema robusto y seguro.
- Tener la capacidad de interactuar a posteriori con servicios Cloud que les permitiera procesar los datos de forma fácil y rápida, tales como IA (Inteligencia Artificial), ML (Machine Learning) y BI (Business Intelligence).
- Poder distribuir datos e información a los diferentes departamentos en función de sus necesidades y sus objetivos.
- Establecer las bases para implementar mantenimiento predictivo.
También, sin formar parte del alcance de la PoC, se busca en un futuro el poder transmitir directamente el feedback obtenido a la máquina con el fin de mejorar el proceso, aumentar la calidad y reducir los costes de producción.
Engapplic ha realizado una implementación de un sistema de captación de datos utilizando los siguientes servicios de AWS:
- Obtención de datos: Se ha implementado AWS Greengass como bridge de los tópicos MQTTa nivel local para comunicar con AWS IoT Core, servicio ubicado en el Cloud. Así podemos definir esta parte como la transferencia cifrada de los datos al Cloud.
- Una vez en el Cloud, se utiliza AWS IoT Core para coger los datos del tópico, procesarlo siguiendo unos parámetros e inyectarlos (rules) en AWS SiteWise para su almcenamiento y visulización.
- Por último, para esta PoC, el uso de AWS IoT SiteWise como servicio SaaS, encargado de generar el modelo de datos, almacenar en una base de datos temporal (time series) y de generar un portal desde el cual existe la posibilidad de generar diversos alarmas y avisos, así como la visualización de los datos en formato gráfico.
Esta infraestructura de servicios permite a posterior conectar servicios tales como SageMaker o QuickSight, y por lo tanto, utilizar servicios de IA (Inteligencia Artificial) o BI (Business Intelligence). De esta forma, se demuestra la escalabilidad de la solución propuesta y su capacidad de ser escalada para el resto de aplicaciones del cliente.
El objetivo principal era demostrar las capacidades que aporta trabajar con un sistema enfocado en optimizar todo el flujo de datos hacia el Cloud, dado que una vez los datos ya están en el Cloud, la gestión de éstos y la interacción con otros servicios es fácil, sencilla y rápida, así como la capacidad de añadir o eliminar parámetros, valores y atributos.
Como resultado de la PoC se han obtenido las siguientes conclusiones:
- El sistema es escalable y flexible, permitiendo poder ampliar y/o modificar según la necesidad de cada proceso productivo.
- El sistema es robusto y seguro, con encriptación de los datos y con un sistema de usuarios y roles fácil de definir, modificar y adaptar a las necesidades.
- Trabajar con los datos en el Cloud y con servicios Serverless es la forma más óptima de cara a poder procesar éstos datos y enlazarlos con otros servicios tales como IA, ML y BI.
- Para poder escalar el proceso, en este caso, es necesario hacer primero un estudio en profundidad de los datos y generar un listado claro y definido de “thing”, incluyendo las métricas, el modelo y los atributos de éste.
- Ha habido una reducción de costes significativa gracias al uso de un sistema por servicios (serverless) frente a una infraestructura clásica (On-premises).
- Sistema preparado para la implementación de mantenimiento predictivo.
Por otro lado, también se ha analizado la posibilidad de generar un feedback automático entre los datos procesados y el proceso productivo, y se ha concluido que, aunque es posible realizar dicho feedback, abriendo la puerta a mejoras tanto a nivel productivo como de calidad y reducción de mantenimiento, el componente crítico y el tipo de fabricación que Celsa lleva a cabo, requiere todavía de una aprobación por parte de un responsable antes de implementar los cambios, por lo que por el momento, se procedería a realizar una serie de propuesta que deberían ser aprobadas por los responsables pertinentes, hasta lograr la solidez y madurez de un sistema de feedback automatizado.