Proyecto MLEDGE
MLEDGE: IA práctica para eficiencia energética industrial
En INMAREPRO, junto a Acuratio, hemos llevado la inteligencia artificial al terreno de las calderas de vapor para optimizar su operación sin comprometer la privacidad de los datos. MLEDGE (Machine Learning on the Edge) demuestra que es posible entrenar modelos avanzados directamente en planta, detectar ineficiencias en casi tiempo real y dejar preparada la infraestructura para más casos de uso industriales. INMAREPRO ha aportado conocimiento de campo, sensorización y validación en planta. Acuratio ha aportado la plataforma de edge y de aprendizaje federado que permite entrenar sin mover datos.
¿Qué es MLEDGE?
MLEDGE aplica aprendizaje automático distribuido a equipos con mucho peso energético. Cada instalación entrena su modelo con sus datos reales y solo comparte lo necesario para mejorar el modelo común, manteniendo la soberanía del dato. Empezamos por calderas de vapor porque son críticas y cualquier mejora se nota rápido en consumo.
¿Qué se ha hecho?
Se eligieron las calderas de vapor como primer caso, se estructuraron las variables de operación (caudales, presión, temperatura, combustible, etc.), se entrenaron modelos para anticipar la demanda unos minutos y poder ajustar consignas, y se añadió detección de anomalías para avisar cuando el equipo se sale de su patrón. Todo se probó en plantas reales con una arquitectura híbrida (planta + nube) para que sea replicable.
¿Qué se ha conseguido?
La solución no solo mejora la operación de la caldera, sino que incorpora una capa analítica avanzada. Se ha desarrollado y validado un modelo de predicción de producción de vapor con cinco minutos de antelación usando redes neuronales LSTM, porque este tipo de redes se adapta bien a series temporales industriales y a cambios de carga.
El modelo trabaja con una ventana de entrada de 60 minutos de datos operativos para entender la evolución del sistema y genera la predicción de los siguientes 5 minutos. Durante el proyecto se ajustó la arquitectura de forma específica para cada instalación y se optó por combinar dos modelos complementarios para conseguir un mejor equilibrio entre precisión, estabilidad en el tiempo y resistencia a datos incompletos.
El resultado práctico es que la planta dispone de una predicción fiable a muy corto plazo que permite afinar consignas y reducir consumos innecesarios, y todo ello sobre una arquitectura que después puede ampliarse a otros equipos.
¡Echa un vistazo al Webinar del Proyecto!
Siguiente paso: INDATA
Con lo aprendido en MLEDGE estamos preparando INDATA, un espacio de datos para eficiencia energética industrial alineado con GAIA-X e IDSA, que permitirá compartir y explotar datos de forma segura entre varios actores. Si tu instalación tiene equipos con alto consumo, podemos valorar tu participación en la siguiente fase.