Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Aplicación de la visión artificial en plantas térmicas autogestionables

192 views

Published on

Presentación realizada por Alex Mas, Responsable de Business Development de SUGIMAT, en el 11 Congreso internacional de Bioenergía "Bioenergía 4.0:Retos y Oportunidades" www.congresobioenergia.org

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Aplicación de la visión artificial en plantas térmicas autogestionables

  1. 1. • ¿Qué demanda la industria que combustiona biomasa? – Menos paradas no programadas (8000 h/año) – Menos interacción humana durante la producción – Equipos más eficientes – Equipos adaptados a la directiva de emisiones 2
  2. 2. • ¿Cuál es la respuesta de Sugimat? – Instalaciones térmicas autogestionables • Automatizadas • Predictivas • Interconectadas • ¿Cuál es la herramienta? – Visión artificial adaptada a la combustión • Procesa imágenes del mundo real • Toma decisiones en base a dicha información 3
  3. 3. 4
  4. 4. • Eventualidades en los procesos de combustión de biomasa: – Cambios en características de la biomasa (humedad, tamaño, calidad…) – Picos y valles de demanda de consumo – Ausencia de operadores – Cambios climatológicos 5
  5. 5. • Consecuencias: – Frente de llama inestable – Combustión ineficiente – Riesgo de inquemados en los sistemas de evacuación de ceniza – Emisiones fuera de norma 6
  6. 6. • Caso de estudio: – Tipo de cámara de combustión: Parrilla móvil inclinada – Cambio repentino en humedad de combustible debido a diversas causas: Climatología, tipología de la biomasa, almacenamiento… 7
  7. 7. 8
  8. 8. • Control del frente de llama: – Aporte exacto de aire a la combustión – Reducción de NOx – Reducción de CO – Mejora en la eficiencia del equipo 9
  9. 9. 10
  10. 10. • Control de la zona de ascuas – Evita daños en otras partes de la cámara de combustión debido a la llegada de material inquemado. 11
  11. 11. 1 2
  12. 12. 13
  13. 13. • Otras potencialidades del sistema – Capacidad de aprendizaje a través de RNA (Redes neurales artificiales) – Predictibilidad de variables como potencia entregada y temperatura del caloportador. – Autochequeo del sistema para revisión de averías 14
  14. 14. 15
  15. 15. 16
  16. 16. 17
  17. 17. 18 • • •

×