¿Cómo se puede garantizar la identificación única de las bobinas a lo largo de cadenas de producción complejas?

Se puede lograr una identificación fiable utilizando características específicas del proceso, como el perfil de espesor longitudinal, que es único para cada bobina. Con ibaDatawyzer-ICC, este perfil se utiliza como una «huella digital» para identificar las bobinas de forma inequívoca. Los datos de proceso necesarios se recopilan y procesan mediante ibaPDA. Esto garantiza la trazabilidad de principio a fin, incluso en rutas de proceso complejas.

¿Cómo se pueden detectar y prevenir a tiempo las confusiones de materiales en el procesamiento de metales?

Las confusiones en los materiales pueden detectarse mediante la comparación continua de los datos de proceso en las distintas fases de producción. ibaDatawyzer-ICC compara los perfiles de las señales características y evalúa su similitud basándose en umbrales definidos. En caso de desviaciones, se activan alertas automáticas y procedimientos alternativos de verificación. Esto permite tomar medidas correctivas inmediatas antes de que se produzcan errores en las fases posteriores del proceso.

¿Cómo se pueden aprovechar grandes volúmenes de datos para buscar e identificar rápidamente productos concretos?

Una base de datos de alto rendimiento, combinada con un sistema específico de extracción de características, permite identificar rápidamente objetos individuales dentro de grandes conjuntos de datos. ibaDatawyzer-ICC genera características distintivas a partir de los datos de proceso y las almacena para su uso a largo plazo. En combinación con ibaPDA, esto crea una base de datos escalable que permite realizar consultas rápidas. Como resultado, es posible identificar productos individuales en cuestión de segundos, incluso en conjuntos de datos muy grandes.

¿Cómo se puede utilizar el análisis de datos a largo plazo para optimizar los procesos de producción?

Los datos a largo plazo permiten identificar tendencias, desviaciones y posibilidades de optimización a lo largo de múltiples ciclos de producción. Con ibaDaVIS, estos datos pueden visualizarse y analizarse de forma sistemática en paneles de control. En combinación con ibaDatawyzer-ICC, es posible realizar análisis específicos de cada producto. Esto contribuye tanto al control de calidad como a la mejora continua de los procesos.

¿Cómo se puede supervisar la calidad de los datos de medición y de los sistemas de sensores durante el funcionamiento?

La validación continua de los datos de medición se logra comparando los patrones de señal en las distintas etapas del proceso. ibaDatawyzer-ICC detecta desviaciones que pueden indicar sensores defectuosos o datos incoherentes. Gracias a la integración con ibaDaVIS, estas desviaciones pueden visualizarse y analizarse de forma transparente. Esto permite la detección temprana de errores de medición y garantiza una mejora sostenible de la calidad de los datos.

Supervisión de bobinas con ibaDatawyzer-ICC

Monitorización de Coil con ibaDatawyzer-ICC

Con una producción de más de 600.000 toneladas anuales, el Grupo BILSTEIN es uno de los principales fabricantes mundiales de fleje de acero laminado en frío. A pesar de la enorme cantidad de Coils producidos, no hay dos flejes iguales.

"No somos un fabricante en serie clásico, sino que respondemos explícitamente a las necesidades del cliente. Por eso es esencial tener una producción flexible y coordinarla y supervisarla", afirma Ufuk Karvan, responsable de tecnología de procesos y sistemas en el fabricante de flejes laminados en frío. Los productos de BILSTEIN se utilizan en la fabricación de herramientas y en los sectores de la construcción y la automoción.

La superficie de producción de BILSTEIN es de unos 700.000 metros cuadrados. Por eso es tan importante poder identificar y determinar las bobinas a lo largo de toda la cadena de producción. "Nuestras rutas de proceso son bastante complejas y, además, cada intervención humana es una pequeña fuente potencial de error. Por eso queremos y necesitamos detectar las mezclas de materiales en una fase temprana", afirma Karvan. Para ello, el Grupo BILSTEIN confía en ibaDatawyzer-ICC, el software de identificación de bobinas de iba AG.

"Con ibaDatawyzer-ICC, entra en juego un proceso patentado de huellas dactilares: cada bobina desarrolla un perfil de espesor característico a lo largo de la banda durante el laminado. Gracias a esta curva específica, que se registra en línea con los sistemas de medición de espesor y es única para cada bobina como una huella dactilar humana, podemos identificar de forma fiable las bobinas y descartar las confusiones", afirma Karvan. Para ello, ibaDatawyzer-ICC utiliza los datos de proceso registrados con ibaPDA para generar características únicas para cada bobina, que luego se almacenan en una base de datos para su disponibilidad a largo plazo.

A large blue industrial machine with BILSTEIN written on it oversees two parallel metal cylinders in a factory.

Procesamiento de una confusión: Disco Alto de Daños

En la planta de BILSTEIN en Hagen, las bobinas laminadas en caliente se cortan primero a medida y luego se someten a procesos de tratamiento térmico, laminado y corte. "Recibimos una banda en caliente que cortamos en diferentes flejes. Todos ellos tienen la misma anchura, calidad y propiedades del fleje laminado en caliente, por lo que son básicamente idénticos. Por eso es fácil que se produzca una confusión", explica Karvan. El problema es especialmente grave si los flejes se asignan a un pedido equivocado y no se procesan correctamente: Si se confunde una bobina, en el peor de los casos ya no podríamos suministrar a un cliente y tendríamos que esperar a que llegara un fleje laminado en caliente adecuado". Además, se desecharían unas 25 toneladas de material. A un valor de unos 2.000 euros por tonelada, se puede calcular rápidamente el daño que se causaría", dice Karvan. BILSTEIN elimina este riesgo con el uso de ibaDatawyzer-ICC: "Con el sistema, no sólo vemos inmediatamente si algo no encaja en algún sitio, sino que también se nos muestra directamente la bobina correcta", dice Karvan, que está completamente satisfecho con la solución iba. La base de datos interna de BILSTEIN contiene ahora más de 180.000 entradas, cada una de ellas con las características específicas de la bobina correspondiente. Sin embargo, "la aguja en el pajar puede encontrarse en cuestión de segundos", afirma Karvan.

Como una huella dactilar humana, el perfil de grosor longitudinal es único para cada Coil.

Ufuk Karvan
Jefe de Ingeniería de Procesos y Sistemas, BILSTEIN

Los análisis a largo plazo aportan un "enorme valor añadido"

BILSTEIN también confía en el sistema iba para supervisar las diversas plantas, con casi 60 sistemas ibaPDA (Process Data Acquisition) en uso para la adquisición de datos. Junto con iba, BILSTEIN ha desarrollado una aplicación muy especial para la herramienta de cuadro de mando basada en web ibaDaVIS: Mediante la vinculación consecuente de ibaDatawyzer-ICC, que supervisa las bobinas durante los pasos individuales de producción en segundo plano, con ibaDaVIS, se pueden realizar observaciones a largo plazo y, por tanto, identificar tendencias y un mayor potencial de optimización. De este modo, por ejemplo, puede verificarse permanentemente el funcionamiento sin errores de la tecnología de medición utilizada o pueden crearse informes exhaustivos para bobinas individuales. "El hecho de poder realizar análisis a largo plazo con ibaDaVIS e ibaDatawyzer-ICC tiene un enorme valor añadido para nosotros. Ya han surgido varias ideas a partir de los conocimientos que hemos adquirido allí. Hasta ahora, somos los primeros y los únicos en hacerlo", informa Karvan.

Pruebe ahora el sistema iba

Descargue la demo de ibaPDA e ibaAnalyzer y empiece a optimizar sus procesos hoy mismo. ¡Pruébalo gratis durante 30 días!

Solicite una licencia ibaPDA-Demo

Método patentado: La tecnología de huellas dactilares de ibaDatawyzer-ICC

Para la identificación de bobinas, ibaDatawyzer-ICC utiliza principalmente el perfil de espesor longitudinal de la bobina laminada. Dado que el espesor del material suele medirse a la salida de una fase de producción y a la entrada de la siguiente, el perfil de espesor longitudinal puede utilizarse como característica inherente para identificar la bobina. Mediante esta tecnología patentada de huella dactilar, ibaDatawyzer-ICC determina la característica única de un perfil de espesor longitudinal en puntos destacados de la curva de señal, como máximos y mínimos. En el análisis, el software determina a continuación el número de coincidencias entre los perfiles de espesor longitudinales de las mediciones de salida y de entrada. Para asignar correctamente una Coil, este valor debe ser superior a un valor límite específico del sistema. Sin embargo, si la tasa de coincidencia es inferior, esto indica una mala calidad de los datos o una confusión. En este caso, ibaDatawyzer-ICC resalta la entrada en la visualización en color y busca automáticamente bobinas más adecuadas. De este modo, se detectan a tiempo las confusiones de bobinas y los procesos de rebobinado no documentados.

Funciones usadas

En esta historia de éxito se utilizan las siguientes funciones del sistema iba.

Más Success Stories

Lea más historias de éxito inspiradoras de nuestros clientes satisfechos.

Preguntas frecuentes (FAQ)

¿Cómo se puede garantizar la identificación única de las bobinas a lo largo de cadenas de producción complejas?: Se puede lograr una identificación fiable utilizando características específicas del proceso, como el perfil de espesor longitudinal, que es único para cada bobina. Con ibaDatawyzer-ICC, este perfil se utiliza como una «huella digital» para identificar las bobinas de forma inequívoca. Los datos de proceso necesarios se recopilan y procesan mediante ibaPDA. Esto garantiza la trazabilidad de principio a fin, incluso en rutas de proceso complejas.
¿Cómo se pueden detectar y prevenir a tiempo las confusiones de materiales en el procesamiento de metales?: Las confusiones en los materiales pueden detectarse mediante la comparación continua de los datos de proceso en las distintas fases de producción. ibaDatawyzer-ICC compara los perfiles de las señales características y evalúa su similitud basándose en umbrales definidos. En caso de desviaciones, se activan alertas automáticas y procedimientos alternativos de verificación. Esto permite tomar medidas correctivas inmediatas antes de que se produzcan errores en las fases posteriores del proceso.
¿Cómo se pueden aprovechar grandes volúmenes de datos para buscar e identificar rápidamente productos concretos?: Una base de datos de alto rendimiento, combinada con un sistema específico de extracción de características, permite identificar rápidamente objetos individuales dentro de grandes conjuntos de datos. ibaDatawyzer-ICC genera características distintivas a partir de los datos de proceso y las almacena para su uso a largo plazo. En combinación con ibaPDA, esto crea una base de datos escalable que permite realizar consultas rápidas. Como resultado, es posible identificar productos individuales en cuestión de segundos, incluso en conjuntos de datos muy grandes.
¿Cómo se puede utilizar el análisis de datos a largo plazo para optimizar los procesos de producción?: Los datos a largo plazo permiten identificar tendencias, desviaciones y posibilidades de optimización a lo largo de múltiples ciclos de producción. Con ibaDaVIS, estos datos pueden visualizarse y analizarse de forma sistemática en paneles de control. En combinación con ibaDatawyzer-ICC, es posible realizar análisis específicos de cada producto. Esto contribuye tanto al control de calidad como a la mejora continua de los procesos.
¿Cómo se puede supervisar la calidad de los datos de medición y de los sistemas de sensores durante el funcionamiento?: La validación continua de los datos de medición se logra comparando los patrones de señal en las distintas etapas del proceso. ibaDatawyzer-ICC detecta desviaciones que pueden indicar sensores defectuosos o datos incoherentes. Gracias a la integración con ibaDaVIS, estas desviaciones pueden visualizarse y analizarse de forma transparente. Esto permite la detección temprana de errores de medición y garantiza una mejora sostenible de la calidad de los datos.