Digitalización de la almazara: Aplicación de Redes Neuronales, Sensórica, Inteligencia Artificial y Gemelos Digitales

Almazara Óptima Digitalización de la almazara: Aplicación de Redes Neuronales, Sensórica, Inteligencia Artificial y Gemelos Digitales

La puesta en marcha del proceso de transformación digital del sector agroindustrial, es una de las líneas de trabajo de INOLEO. Así, el uso de las tecnologías de sensórica alineadas con la Industria 4.0 se aplican en proyectos como Amazara Óptima 4.0, que utiliza Inteligencia Artificial para prevenir errores en la producción de aceites.

Optimizar los procesos productivos de la almazara mediante toma de decisiones basadas en datos objetivos conseguidos a través de la digitalización del proceso, monitorización mediante sensores específicos y empleo de la Inteligencia Artificial con desarrollo redes neuronales aplicadas a los procesos de fabricación, es el principal objetivo del proyecto Almazara Óptima 4.0. Desarrollo de una herramienta de Gemelo Digital de almazara, que pueda dar lugar a modelos predictivos para la mejora de la calidad del aceite de oliva, reducción de productos contaminantes y aumento de la eficiencia energética e hídrica durante los procesos de fabricación del aceite de oliva.

ESTUDIO SOBRE ESTADO GENERAL DE LOS PROCESOS Y LA MAQUINARIA

Se ha desarrollado un estudio del arte que ha puesto de manifiesto el estado actual de: 1) los gemelos digitales y la Inteligencia Artificial (IA) aplicada al sector agro; (2) los últimos desarrollos de IA mediante redes neuronales, con la intención de aplicarlos a la predicción de la calidad del aceite de oliva; (3) revisión de la maquinaria implicada en la fabricación del aceite de oliva desde la recepción del producto desde el área de patio hasta su salida hacia la bodega; (4) análisis de los diferentes tipos de sensores que pueden ser incorporados al proceso de fabricación de aceite de oliva, de forma general y, de forma particular, aquellos que se hayan ya implementados en la maquinaria de la almazara piloto de Oleocampo. Una vez observado el estado general de los procesos y la maquinaria implicada se procedió a realizar un análisis exhaustivo de las variables críticas que determinan la calidad del aceite de

CON EL ANÁLISIS DE LOS PROCESOS SE LLEGÓ A DEFINIR LAS DIFERENTES VARIABLES QUE INFLUYEN DE UNA FORMA DECISIVA EN LA CALIDAD DEL PRODUCTO FINAL

El algoritmo debía determinar éste en función de un conjunto de variables de elaboración del aceite establecidas previamente por el maestro de la almazara

EN EL CASO QUE SE PROPUSO, EL ALGORITMO DEBÍA DETERMINAR ÉSTE EN FUNCIÓN DE UN CONJUNTO DE VARIABLES DE ELABORACIÓN DEL ACEITE ESTABLECIDAS PREVIAMENTE POR EL MAESTRO DE LA ALMAZARA

oliva. De esta forma, quedaban representados los diferentes procesos y maquinaria empleada más característicos del cuerpo de fábrica. Con el análisis de los procesos se llegó a definir las diferentes variables que influyen de una forma decisiva en la calidad del producto final.

VARIABLES CRÍTICAS EN LA OBTENCIÓN DEL PRODUCTO

Una vez analizados los procesos y maquinaria se procedió a determinar cuál de las variables implicadas eran críticas para obtener un producto de calidad. De ellas, las más críticas son las que se sensorizan para auscultar las y sean las que se añadan a los algoritmos para el diseño y elaboración de los modelos predictivos de calidad de aceite. El algoritmo de predicción basado en redes neuronales artificiales, con el objetivo de dotar al gemelo digital de un modelo matemático capaz de predecir la calidad del aceite de oliva teniendo en cuenta las diferentes variables analizadas. En el caso que propuso, la calidad del aceite de oliva, el algoritmo debía determinar éste en función de un conjunto de variables de elaboración del aceite establecidas previamente por el maestro de la almazara. El algoritmo generado a través del entrenamiento con miles de datos del proceso mediante la red neuronal y, que posteriormente es incluido en el gemelo digital, será el encargado de encontrar las características más significativas para la calidad del aceite realizando un ajuste de “pesos” de cada una de las variables que intervienen en el proceso, clarificando además correlaciones que pueden existir entre ellas. Red neuronales artificiales Tras el estudio de las diferentes tipologías de red neuronales artificiales se determinó que el tipo de red idónea para la aplicación de clasificación del aceite era la Red Neuronal completamente conectada (RNN). Se ha creado una DNN diseñada para permitir una alta flexibilidad en la entrada de datos y modificación de hiperparámetros. Una vez que se disponga de los datos suficientes el proceso de ajuste será mucho más rápido. No obstante, la red creada es totalmente funcional y capaz de realizar un ajuste automático de pesos. El resultado se probó con datos simulados de las variables indicadas a través de una red con una capa de entrada de 10 neuronas, una segunda capa de 5 neuronas y, finalmente, una capa de salida de 3 neuronas, que atienden a las distintas categorizaciones.

GEMELOS DIGITALES

El gemelo de fábrica, se compone de dos sistemas fundamentales, de los cuales uno beberá de los datos calculados por el otro. El primer sistema del gemelo es el sistema discreto que simula el comportamiento de un sistema de variables continuas como es el de dos redes de fluidos (una de agua y otra de aceite) que sufren interacciones entre sí en los puntos donde ambas entran en contacto. Concretamente en las máquinas de termobatido, decánter horizontal y centrífuga vertical. En esta parte se ha modelado la red de tuberías de la fábrica mediante caminos recorridos por entidades. Las entidades representan unidades de agua o de aceite que contienen una cantidad fija de la misma, y que tienen unas características determinadas, denominadas atributos, que definen las interacciones con su entorno, modificando así los atributos de los elementos que modelan las máquinas y tuberías, que a su vez afectan a los del propio fluido. A estas entidades les afectarían los datos de entrada al gemelo como son las mediciones de los sensores para variables críticas propuestos. La conexión de estos sensores con el gemelo mediante un planteamiento IoT permitirá una simulación en tiempo real para la segunda parte fundamental del gemelo. El segundo sistema del gemelo es el resultado de la implementación de la red neuronal diseñada por CETEMET, que calcula la calidad del aceite producido bajo

EL GEMELO DE FÁBRICA, SE COMPONE DE DOS SISTEMAS FUNDAMENTALES, DE LOS CUALES UNO BEBERÁ DE LOS DATOS CALCULADOS POR EL OTRO PARA EL DESARROLLO DEL GEMELO DIGITAL HAN SIDO CONSIDERADOS DOS POSIBLES CASOS DE USO, RELACIONADOS CON EL ÁREA PRODUCTIVA DE FÁBRICA

determinadas condiciones. Las variables usadas por el sistema, contenidas en los atributos tanto de las entidades de fluido como de las máquinas y tuberías, determinan los valores a partir de los cuales la red neuronal calcula con una dispersión y variación acotadas el rango de calidad del producto final. Para el desarrollo del Gemelo Digital han El modelo cuenta con las entradas correspondientes a las variables obtenidas actualmente mediante sido considerados dos posibles casos de sensórica del cuerpo de la almazara. uso, relacionados en su totalidad con el área productiva de fábrica. El primer caso de uso se destinó a la estimación de calidad del aceite, implementando la red neuronal definida anteriormente y dando como resultado tres posibles calidades de aceite. El segundo caso de uso tiene como objetivo la visualización de KPIs del proceso, que sirven como indicadores del proceso productivo en función de los distintos valores de entrada. Con respecto a la simulación realizada mediante el Gemelo Digital, el gemelo dispone de entradas o inputs: Por un lado, el modelo cuenta con las entradas correspondientes a las variables obtenidas actualmente mediante sensórica del cuerpo de la almazara Además, consideraremos las variables que son una entrada de la red neuronal, para la implementación de la misma. Actualmente la red neuronal simula la obtención de los parámetros de entrada como temperaturas y tiempos. Es importante también considerar que las entradas del gemelo pueden variar durante el desarrollo, adaptándose así a, por ejemplo, las variaciones en las entradas que utiliza la red neuronal, o bien, si se adicionaran nuevos sensores que aporten datos nuevos sobre el proceso. Por último, para que el gemelo pueda realizar los cálculos necesarios para unos determinados outputs, será necesario que este cuente con los datos técnicos sobre la maquinaria (e instalaciones) implicadas en el proceso en fábrica.

VERSATILIDAD DEL MODELO

El modelo trabaja con las distintas variables expuestas para aportar las salidas que considere necesarias. En el caso de uso que concierne a la red neuronal, la salida aportada es el contenido en ácidos grasos libres del aceite, lo que servirá para clasificar el aceite en función de su calidad. Para el caso de uso de la visualización de KPIs, el gemelo digital permite la obtención de datos sobre el producto elaborado, así como sobre el equipo, el personal y las materias primas que toman partido, permitiendo obtener consumos, cuellos de botella, ritmos productivos, ocupaciones… Además, se podrán incluir indicadores referidos a la adición de agua, relacionados con el tema de ahorro y sostenibilidad. Es muy importante destacar la versatilidad del modelo en la simulación de las posibles variables dentro de la fabricación de aceite, adecuando las salidas a las entradas que se consideren y haciendo que su modelado refleje de manera fidedigna aquello que sucede durante la elaboración. El proyecto, coordinado por la AEI INOLEO, gestionada por CITOLIVA, cuenta con la participación de CETEMET, OLEOCAMPO, NORLEAN y CITOLIVA; y está financiado por el Ministerio de Industria, Comercio y Turismo en el marco de la convocatoria 2021 de apoyo a las AEI para contribuir a la mejora de la competitividad de la industria española.