Competencia Hack-a-Mine 2020
Nuestro equipo gano el primer lugar en la #Hackamine 2020 (PLANTA) en la cual se sumaron horas y horas de programación y desarrollo.
En esta segunda edición de “Hackamine”, BHP buscó incorporar tecnologías de analítica de datos que permitan optimizar actividades de mantenimiento en procesos y equipos de mina y planta e Inteligencia Artificial.
El objetivo fue desarrollar un MVP de un modelo de aprendizaje automático con inteligencia artificial que permitió detectar anomalías o “amenazas silenciosas” de forma que puedan ser incorporadas en la estrategia de mantenimiento. Para esto se utilizó información de los sistemas de control DCS.
QIN gano el desafío implementando una solución altamente escalable, basada en un enfoque mixto de aprendizaje semiautomático (asistido) complementado con conocimiento previo y análisis de series de tiempo, logrando predecir con certeza fallas en equipos impulsores
Políticas para mejora de salud de activos, BHP Modelamiento Predictivo de Fallas
El equipo de MeCoE busca generar nuevas políticas para la prevención de fallas como también la obtención del estado efectivo de los sensores instalados y sus potenciales mejoras, para esto se realizó un Estudio Bombas bajo molino (SAG) y bombas de alimentación de ciclones primarios (bajo molino bolas) – CLS y CLC, posteriormente se modelaron las fallas y sus condiciones, para finalmente construir políticas a implementarse un APM, operativizar los hallazgos y modelos preventivos.
DataLake Operacional,
Collahuasi
La Compañía Minera Collahuasi progresa hacia minería inteligente, con automatización, optimización de procesos y toma de decisiones apoyadas en datos y algoritmos autómata, para esto solicito los servicios de QIN Technology para el Servicio de Arquitectura y implementación para desarrollar el Data Lake Operacional, unificado e incorporando gradualmente todas sus fuentes de datos , con el propósito de brindar disponibilidad , accesibilidad , mantenibilidad y control a sus múltiples fuentes de información.
Aplicación en streaming para determinar afectación en la red de banda ancha fija.
Analizar las alarmas que se rescatan desde los OSS y BSS Nokia y Huawei, que capturan los eventos generados a nivel de radio y estaciones de transmisión LTE, NR (5G) y 3G del operador en cuestión a nivel nacional, es necesario priorizar y agendar de manera eficaz y con lógica avanzada los escuadrones de corrección y visitas en sitio.
Priorización de visitas para Mantenimiento
(RAN: sitios celulares)
Analizar las alarmas que se rescatan desde los OSP de datos, los cuales informan valores/parámetros de los elementos de red de fibra como OLT, Splitter, CTO. Mediante algoritmos que interpretan los parámetros entregados por la red, se determina una posible falla que puede afectar a 1 o más clientes, generando reportes de fallas masivas.
Downtime Planning.
Stawell , Victoria Australia
Dashboard construido para DiffIntegra System, LLC
