En las plantas de reciclado de aluminio, el proceso de fundición en hornos rotativos se organizaba en coladas no estandarizadas, dependiendo del criterio subjetivo de las personas que operaban. Esta falta de uniformidad impedía automatizar el proceso, dificultaba la eficiencia energética y operativa, y generaba una fuerte dependencia del conocimiento tácito del personal.
Desarrolló un modelo predictivo basado en redes neuronales entrenado con datos históricos del horno —altamente sensorizado con datos por segundo— para anticipar el momento óptimo de recarga del horno, utilizando como variable clave el “par de giro”.
El sistema identifica el instante en que el horno ha alcanzado un estado óptimo de fluidez metálica, permitiendo recargar de manera automatizada sin la supervisión continua del operario. Esto permite:
- Automatizar el proceso de coladas.
- Aumentar la eficiencia operativa.
- Reducir la dependencia de conocimientos no documentados.
- Mejorar la productividad y reducir el consumo energético.
Aplicamos redes neuronales para predecir el momento óptimo de recarga en hornos de reciclado de aluminio, automatizando coladas y mejorando eficiencia, productividad y consumo energético.
- Redes neuronales entrenadas con dos años de datos operativos.
- Precisión del 80% en la predicción dentro de un margen de ±6 minutos.
- Automatización de procesos críticos en tiempo real.
- Transformación del conocimiento experto en lógica replicable.
- Incremento de coladas y reducción de consumo: más eficiencia, menos recursos.
