Casos / Datos en la nube para una acería

IoT · Metalurgia

Datos en la nube para una acería: una prueba con menos coste que una infraestructura propia

ClienteCelsaTecnologíaAWS IoT Greengrass, AWS IoT Core, AWS IoT SiteWise

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.

Quiero esto en mi máquina →