Es muy frecuente encontrar que lotes de productos elaborados al mismo tiempo y con el mismo perfil de secado, pueden dar lugar como resultado productos muy dispares. En ocasiones, el secado por lotes es un proceso difícil de controlar, aunque existen muchas posibilidades de mejora. Y es posible controlar mejor los lotes y ahorrar energía y materia prima.

Para saber cuándo se ha terminado el proceso de secado por lotes, se necesitan tres cosas:

1. Datos

Medir el parámetro correcto, en el lugar correcto y en el momento correcto.
El contenido de humedad no proporciona información suficiente para controlar adecuadamente el secado por lotes. Son necesarias otras medidas.
Una de las medidas más críticas es la humedad relativa, no del horno o la sala de secado, sino del propio producto. La humedad relativa de un producto se denomina actividad de agua (aw). La actividad de agua juega un papel fundamental en los modelos de secado. (Más información sobre la aw y por qué una especificación correcta de la aw es un factor crítico en el proceso de secado).

2. Modelización específica

Las mejoras del proceso de secado a las que hacemos referencia en este artículo se basan en análisis híbridos. Es decir, una combinación de aprendizaje automático y algoritmos basados en la física.
El modelo, si está bien entrenado, es capaz de hacer predicciones increíblemente precisas (por lo general < 0,05 RMSE).
Durante la etapa de entrenamiento, se imprescindible utilizar métodos de muestreo muy específicos para añadir datos a medida que el medidor aprende de estos datos. Los datos recogidos proceden tanto de una amplia gama de sensores como obtenidos de forma manual durante el proceso específico y en cada una de las fases del mismo. Esta fase suele durar de 2 a 3 meses y es fundamental para el éxito del modelo.

3. Compromiso con la mejora del proceso

Una vez entrenado el modelo, la precisión de las predicciones permitirán aumentar el rendimiento al asegurar que el producto no se seque en exceso. Es decir, se evita gastar energía y materia prima. Con bastante frecuencia, y gracias a la observación de patrones en los datos, también se identifican otras mejoras del proceso. Por lo que su aplicación contribuirá a maximizar la eficacia y el rendimiento de la inversión.
Puede ser necesario ajustar o regular los hornos. O bien, puede que sea necesario añadir o modificar pasos adicionales, como por ejemplo el curado. Es posible que se detecten otras ineficiencias, como que los operarios o técnicos de línea hayan introducido involuntariamente ineficiencias en el proceso al tratar de alcanzar determinados objetivos personales o del departamento. Los datos y la modelización aclararán el problema y sugerirán posibles soluciones, pero los beneficios reales se obtienen con cambios en el proceso.

Impacto empresarial en cuatro instalaciones con secado por lotes

Muchas empresas ya han amortizado el coste de las predicciones del secado por lotes en tiempo real. Estos son algunos ejemplos:

Empresa: Arkansas Whole Muscle Pet Treat, fabricante de comida para mascotas con 8 hornos en grandes instalaciones
Reto: Ajustar la consistencia, optimizar la humedad, compartir la experiencia para que los lotes para que los lotes sean homogéneos
Resultados: Aumento del 2% de la humedad, con lo que se evitan gastos en la fabricación por 322.932,80 $ para el mismo volumen total de producto.

Empresa: Virginia Small, fabricante de cecina (Jerky) Instalación de 6 hornos
Reto: Desarrollar una capacidad predictiva de elevada precisión para obtener una consistencia de máximo nivel.
Resultados: Los objetivos del proyecto eran entrenar el modelo para que los valores predichos de actividad de agua se aproximaran a los valores medidos finales. Los siguientes gráficos muestran las mejoras conseguidas al entrenar el modelo.
Impacto empresarial: reducción de los costes energéticos, con una mejora total del 25,3 % en la consistencia de secado del producto. Se logró un aumento medio del rendimiento del 2,82 % con un rendimiento de primera pasada del 100 %. Sobre la base de un volumen de 450.000 kg / año, esto supone un aumento de los beneficios de 141.000 $ de beneficios.

Empresa: Fabricante de cecina (Jerky) en California, empresa de tamaño medio.
Reto: Un problema de seguridad del producto había provocado un secado excesivo del producto, lo que afectaba tanto a la calidad como al rendimiento. El fabricante quería ajustar las especificaciones para producir un producto más húmedo y mejorar tanto la satisfacción del cliente como el rendimiento. Además, el objetivo del cliente era lograr una implementación completa del IoT industrial con datos en tiempo real que impulsaran la eficiencia.
Resultados: En seis meses, los valores de aw medios por lotes aumentaron un 17,6 % mejorando los rendimientos en 2,9 % y contribuyendo a un crecimiento de las ventas de 175.000 $.
Impacto empresarial: 175.000 $.

Empresa: Planta de cultivo y secado de Cannabis en Arizona, empresa de tamaño medio.
El cultivo de cannabis lleva mucho tiempo y los clientes sólo tienen una oportunidad de secar los ansiados cogollos para alcanzar su punto óptimo de 0,60 aw, para optimizar la calidad para los consumidores y los rendimientos, al tiempo que se mantienen libres de microorganismos.
Resultados: la actividad de agua pasó de 0,25 a 0,60, con un aumento del rendimiento previsto en más de 2 millones $ / año.