MATLAB y Simulink para minería

Metalúrgicos e ingenieros de procesos utilizan MATLAB y Simulink para optimizar el rendimiento, minimizar el tiempo de inactividad y aumentar la seguridad. Analizan datos de sensores en tiempo real, modelan y simulan operaciones mineras, implementan estrategias de control y emplean sistemas de inteligencia artificial.

MATLAB y Simulink ayudan a los ingenieros de minas a:

  • Desarrollar sistemas de mantenimiento predictivo aplicando técnicas numéricas a datos de sensores de alta velocidad.
  • Utilizar machine learning con datos históricos para solucionar problemas de procesos.
  • Utilizar el modelado y la simulación de plantas y equipos para aumentar el rendimiento de los procesos.
  • Cooperar con científicos de datos y personal de TI para adoptar la digitalización.
  • Usar un gemelo digital para continuar con las operaciones de la planta cuando los sensores no funcionan.

"MATLAB nos permitió convertir datos que anteriormente eran ilegibles en datos con un formato utilizable, automatizar los pasos de filtrado, análisis espectral y transformada para varios camiones y regiones y, por último, aplicar técnicas de machine learning en tiempo real para predecir el momento ideal en que realizar el mantenimiento."

Gulshan Singh, Baker Hughes

Extracción

Optimización de activos con mantenimiento predictivo y procesamiento de señales

MATLAB puede ayudarlo a desarrollar algoritmos de mantenimiento predictivo personalizados según el perfil operativo y la arquitectura específica de su equipo. Utilice Predictive Maintenance Toolbox para diseñar indicadores de condición y calcular la vida útil restante de su equipo rotatorio.

Puede utilizar Signal Processing Toolbox para automatizar la supervisión del rendimiento de sus bucles de control, determinar de manera remota el alcance de la corrosión o las picaduras en los oleoductos y detectar la ubicación y la cantidad de fugas en ellos.

Descubra cómo Baker Hughes utilizó MATLAB a fin de implementar una plataforma de mantenimiento predictivo para equipos de extracción de gas y petróleo que redujo los costes totales en un 30-40%.

Sistema de alarma de mantenimiento predictivo

Procesamiento

Machine learning, deep learning y big data

Las apps interactivas de Statistics and Machine Learning Toolbox permiten aplicar técnicas de machine learning sin necesidad de ser un experto en data science. MATLAB proporciona también un entorno único de alto rendimiento para trabajar con big data y desarrollar modelos de deep learning. Esto permite realizar la detección y el diagnóstico de fallos con mayor rapidez y mejorar la supervisión de los procesos.

Descubra cómo los ingenieros de Ruukki redujeron el tiempo de análisis de varios días a menos de un minuto gracias a la integración de diversas bases de datos y al uso de machine learning para la optimización de procesos.

Integración de diferentes fuentes de datos

Simulación de datos de fallos

Tradicionalmente, los ingenieros optimizaban las plantas y los procesos de minería en función de los datos recopilados mediante sensores. No obstante, no siempre hay datos de sensores disponibles para los diversos modos de fallos posibles de una máquina. En su lugar, se pueden usar datos de simulación para representar fallos mediante la creación de un modelo de la máquina y la simulación de condiciones de funcionamiento con fallos.

Simulink y Simscape permiten crear un modelo de la máquina que puede describir su comportamiento en relación con sus componentes físicos y su dinámica. Es posible representar diferentes modos de fallos de la máquina mediante la modificación de los valores de los parámetros, la inyección de fallos y la modificación de la dinámica del modelo.

Simulación de datos de fallos

Mejora de procesos gracias al modelado de datos

Utilice las herramientas de análisis multivariante de MATLAB para determinar las variables impulsoras independientes que afectan al rendimiento de los procesos. System Identification Toolbox permite crear y utilizar modelos de sistemas dinámicos que no se modelan con facilidad a partir de especificaciones o principios básicos. Esta toolbox también permite la estimación online de parámetros y estados de manera interactiva. 

Vea cómo Shell utilizó MATLAB para desarrollar modelos y llevar a cabo la optimización en tiempo real de un proceso por lotes.

Mejora de procesos

Desarrollo y despliegue de algoritmos de control de procesos con puesta en servicio virtual

Puede utilizar productos de MATLAB y Simulink para diseñar algoritmos fiables y realizar simulaciones dinámicas para lograr los resultados deseados. Con MATLAB y Simulink, puede validar su diseño con una puesta en servicio virtual generando automáticamente el código de algoritmos y probándolo con los métodos de software-in-the-loop, hardware-in-the-loop y prototipado rápido.

Obtenga más información sobre cómo generar código para sistemas de producción automáticamente y conectarse directamente con plataformas de terceros.

Vea (parte 1 y parte 2) cómo la puesta en servicio virtual contribuye a reducir el riesgo de inactividad costosa, a ahorrar tiempo y a mejorar el rendimiento del sistema.

Compruebe cómo Tata Steel ahorró un 40 % de energía en sus torres de refrigeración industrial optimizando la estrategia de control con un gemelo digital.

Desarrollo e implementación de estrategias de APC

Logística de la cadena de suministro

Simplificación de las actividades de planificación y programación

Aumente la eficiencia en la producción y la planificación mediante la simulación de eventos discretos. Con SimEvents, podrá estudiar los efectos de la planificación de tareas y el uso de recursos en un proceso de producción por lotes. Los productos de MATLAB y Simulink también le permitirán realizar una investigación operativa para tomar decisiones relacionadas con la predicción, la planificación de capacidad y la gestión de la cadena de suministro.

Descubra cómo GE Transportation desarrolló un sistema de asistencia a la conducción para locomotoras mediante MATLAB.

Predicción de la producción con simulación para operaciones de minería

Optimización de la planificación y la mezcla de componentes en procesos industriales (32:00)

Tren de mineral de hierro

Digital Transformation

Digitalización

MathWorks puede ayudarlo a adoptar e implementar estrategias de big data específicas para las necesidades de su organización. Puede emplear las toolboxes y las arquitecturas de referencia prediseñadas de MATLAB para simplificar una amplia gama de aplicaciones: desde la integración con sistemas empresariales de TI, la nube y la infraestructura de datos de producción hasta el escalado del cálculo a clusters o el despliegue de los modelos a modo de aplicaciones para compartirlas con usuarios que no disponen de MATLAB. Descubra cómo hacer esto en la nube.

Obtenga más información sobre cómo conectar directamente con sistemas PI System de AVEVA™.

Vea cómo Shell adoptó la digitalización utilizando MATLAB Production Server. Los ingenieros de Shell automatizaron sus procesos para integrar los datos de distintas fuentes, crear modelos y desplegar la analítica en la nube y en sistemas empresariales.

Transformación digital

"MATLAB nos permitió, como geólogos, utilizar nuestra experiencia en marcos de trabajo predictivos, analítica y correspondencia analógica para implementar algoritmos que son únicos en nuestra industria. Con la ayuda de los consultores de MathWorks, después desplegamos esos algoritmos a modo de aplicación fácil de usar para nuestros colegas de todo el mundo."

Nick Howes, Shell

Díganos cómo podemos ayudarlo.

Póngase en contacto con nosotros para obtener una evaluación personalizada y conseguir precios acordes a sus necesidades.