Aportan su esfuerzo consiguiendo, mediante la integración de tecnologías de medida IoT interconectados en la red de sensores instalados en planta, la toma de datos e información en los diversos procesos y fases del tratamiento. Basándose en modelos matemáticos, crean algoritmos de optimización y modelización del proceso para cada planta de tratamiento de envases. También realizan labores de consultoría y auditoría energética y en el análisis de datos multiparamétricos para la toma de decisiones en el ahorro de recursos y optimización de procesos para generar modelos energéticos y mejorar la rentabilidad y eficiencia, así como mínimas emisiones e impacto ambiental. A nivel de gestión en planta, Eficen consigue mayor eficiencia mediante la integración de tecnologías de medida y observación en los diversos procesos y fases de la cadena de producción e IoT interconectados en la red de sensores instalados en planta. Por ejemplo, en base a las conclusiones obtenidas se puede desarrollar un modelo de análisis de consumos energéticos enfocados a posibles oportunidades para mejoras en las instalaciones y que permita llevar a cabo de forma estructurada estudios energéticos en instalaciones de estas características y propuestas inmediatas para la mejora del sistema energético que se traduzcan en ahorros inmediatos en el área de la demanda energética. Debido a la enorme complejidad de los procesos de selección, implementar este tipo de soluciones basadas desarrollos tecnológicos innovadores permite aprovechar grandes oportunidades en cuanto a la mejora de la productividad y la eficiencia de los sistemas convencionales de producción y de gestión. Existen plantas de tratamiento de envases con procesos con altos niveles de automatización y en continua evolución, sin embargo, la adaptación de este sector industrial, y otros, hacia el modelo de industria 4.0 plantea importantes desafíos que permitan adquirir un conocimiento científico-técnico que tenga su fundamento en modelos teóricos para luego avanzar en su grado de eficiencia y en la mejora productiva, así como tomar decisiones de una manera eficaz y contrastada. Eficen | Eficen Eficen integrates interconnected IoT measurement technologies into the network of sensors installed in the plant to enable the collection of data and information on the different treatment processes and stages. Based on mathematical models, Eficen creates optimisation algorithms and process modelling for each packaging treatment plant. They also carry out energy consultancy and auditing, and multi-parametric data analysis for decision-making on resource savings and process optimisation in order to generate energy models, improve profitability and efficiency, and minimise emissions and environmental impact. At plant management level, Eficen achieves greater efficiency through the integration of measurement technologies into the various processes and stages of the production chain and the integration of interconnected IoT into the network of sensors installed in the plant For example, based on the conclusions obtained, an energy consumption analysis model can be developed to focus on potential opportunities for improvements in installations, and enable energy studies to be carried out in a structured way at facilities of this type. Such models also enable immediate proposals to be made for energy system enhancements, resulting in immediate reductions in energy consumption and energy costs. Due to the enormous complexity of sorting processes, implementing these types of solutions based on innovative technology affords great opportunities to improve the productivity and efficiency of conventional production and management systems. There are packaging treatment plants with highly automated and continuously evolving processes. However, the adaptation of this industrial sector, and others, to Industry 4.0 poses significant challenges. It requires the acquisition of scientific and technical knowledge based on theoretical models in order to make efficiency and productivity enhancements, as well as to make effective, knowledge-based decisions. www.futurenviro.es | Marzo-Abril March-April 2021 48 Gestión y Tratamiento de Residuos | Waste Management & Treatment Piperlab es un equipo de expertos en Data Science y negocio que trabaja para dar sentido a los datos y algoritmos, acompañando a las empresas a lo largo de la vida del dato. Piperlab analiza datos que ayudan a entender la evolución de la población y sus hábitos, proponiendo acciones que ayuden a crear una sociedad más comprometida. Mediante Machine learning y Open Data se puede mejorar la vida de los ciudadanos y optimizar las políticas de sostenibilidad del sector público y empresas. Como por ejemplo para planificar las rutas de recogida de basura, se necesitan tener modelos predictivos del llenado de los contenedores. Piperlab ha participado en la puesta en marcha de un piloto con el objetivo de hacer previsiones de llenado de los contenedores para la optimización de las rutas de recogida de los mismos. Las rutas diarias de recogida se optimizarán para plantear la recogida de residuos en aquellos contenedores para los cuales nuestro modelo haya previsto su nivel de llenado. Con esto se pretende reducir costes logísticos y emisiones, así como optimizar recursos y el servicio en sí. Piperlab | Piperlab Piperlab is a team of Data Science and business experts working to give meaning to data and algorithms, and they accompanies businesses throughout the data lifecycle. Piperlab analyses data that enable a better understanding of the evolution of the population and its habits, proposing actions that help to create a more committed society. The implementation of Machine Learning and Open Data can improve the lives of citizens and optimise the sustainability policies of the public sector and businesses. For example, in order to optimise waste collection routes, predictive models for bin fill levels are required. Piperlab has been involved in a pilot study with the aim of making bin fill forecasts for the optimisation of collection routes. Daily collection routes will be optimised by collecting waste from containers based on the fill-level forecasts of our model. The aim is to reduce logistics costs and emissions, as well as to optimise resources and the service itself.
RkJQdWJsaXNoZXIy Njg1MjYx