Casos / Datos en la nube para una acería
IoT · MetalurgiaDatos en la nube para una acería: una prueba con menos coste que una infraestructura propia
El reto
Celsa, empresa metalúrgica dedicada a la laminación de metal, tiene plantas de producción en todo el mundo, y en muchas los procesos son iguales o muy parecidos. Buscaba la forma más eficiente de obtener los datos de esos procesos, guardarlos y procesarlos para sacar métricas y mejorar el proceso.
Nos pidió una prueba de concepto (PoC) para probar un sistema basado en servicios en la nube (serverless), con estos objetivos:
- Optimizar el coste de procesar los datos, de la máquina a la base de datos o la nube.
- Simplificar la infraestructura de obtención de datos y tener un sistema robusto y seguro.
- Poder usar después servicios en la nube de inteligencia artificial, machine learning y Business Intelligence.
- Repartir los datos entre los departamentos según sus necesidades.
- Sentar las bases del mantenimiento predictivo.
Lo que hicimos
Un sistema de captación de datos con servicios de AWS:
- AWS IoT Greengrass hace de puente de los tópicos MQTT locales con AWS IoT Core: es la transferencia cifrada de los datos a la nube.
- AWS IoT Core recibe los datos, los procesa con reglas y los pasa a AWS IoT SiteWise.
- AWS IoT SiteWise genera el modelo de datos, los guarda como series temporales y da un portal con gráficos, alarmas y avisos.
A esta infraestructura se le pueden conectar después servicios como SageMaker o QuickSight, para inteligencia artificial o Business Intelligence.
El resultado
Las conclusiones de la prueba:
- El sistema es escalable y flexible: se amplía o se cambia según lo que necesite cada proceso productivo.
- Es robusto y seguro, con los datos cifrados y con usuarios y roles fáciles de definir.
- Hubo una reducción de costes significativa frente a una infraestructura clásica (on-premises).
- Queda preparado para implementar el mantenimiento predictivo.
- Para escalarlo hace falta antes un estudio en profundidad de los datos y una lista clara de lo que se conecta, con sus métricas, su modelo y sus atributos.
También se analizó devolver de forma automática a la máquina lo que se aprende de los datos. Es posible, pero por el tipo de fabricación de Celsa los cambios necesitan todavía la aprobación de un responsable: por ahora el sistema haría propuestas, que aprueban las personas.
