Dado que la tecnología IIoT está en continuo desarrollo, nuestro compromiso es difundir a través de publicaciones de alto nivel, como artículos de revistas científicas, libros, patentes y más. También nos ayudará a mostrar nuestro profundo conocimiento en nuestras actividades tecnológicas centrales en el campo de la Inteligencia Artificial y la Computación de Alto Rendimiento aplicadas a diferentes sectores.
Conoce cómo
Nuestra tecnología se basa en un profundo conocimiento sobre Inteligencia Artificial y Computación de Alto Rendimiento junto con una experiencia industrial bien fundamentada.
Vemos los que otros no ven
Nuestras soluciones se basan en datos de alta calidad orientados a una aplicación específica. Este enfoque nos ayuda a ver mejor que otros toda la información de valor agregado.
Encontramos lo que otros no encuentran
Nuestro amplio conocimiento en Inteligencia Artificial nos ayuda a detectar información crítica para las tareas específicas en cuanto a anomalías, degradaciones y fallas. Este enfoque de Inteligencia Artificial aplicada a la industria nos ayuda a encontrar información mejor que otros.
Entendemos lo que otros no entienden
Nuestra sólida experiencia industrial combinada con nuestro equipo multidisciplinar, una mezcla de personas provenientes de diferentes disciplinas de ingeniería, matemáticas y analistas de datos, nos ayudan a correlacionar lo que se encuentra en los datos con soluciones específicas reales.
Reducimos costes
Nuestra tecnología nos ayuda a detectar patrones de comportamiento específicos que potencialmente pueden crear un aumento en los costes por fallas, degradación temprana; o patrones de comportamiento subóptimos.
Incrementamos la productividad
Nuestra tecnología ayuda a reducir los tiempos de inactividad con un impacto directo en la productividad. Esta tecnología ayuda a aumentar la productividad con aplicaciones de mantenimiento y monitorización de condiciones
Optimizamos los recursos
Nuestra tecnología analiza y monitoriza diferentes patrones de consumo de recursos para detectar posibles anomalías y grandes consumos de recursos inesperados, por ejemplo, si el elemento tiene un posible mal funcionamiento.
Aingura Insights
El módulo Aingura Insights (AI), 100% diseñado y desarrollado por Aingura IIoT, proporciona una plataforma única que garantiza datos de calidad. Este sistema de tecnología embebida utilizaba tecnologías patentadas de primer nivel para la informática distribuida y de alto rendimiento. El módulo AI cumple con todos los requisitos necesarios para la adquisición de datos, el preprocesamiento, el procesamiento y las fases de entrega de información procesable realizadas en Edge.
Publicaciones
Industrial Applications of Machine Learning muestra cómo se puede aplicar el Machine Learning para abordar problemas del mundo real en la cuarta revolución industrial, y proporciona el conocimiento y las herramientas necesarios para que los lectores puedan construir sus propias soluciones basadas en la teoría y la práctica. El libro presenta la cuarta revolución industrial y su impacto actual en las organizaciones y la sociedad. Explora los fundamentos del Machine Learning e incluye cuatro casos de estudio que abordan problemas del mundo real en los dominios de la fabricación o logística, y aborda las soluciones de Machine Learning desde un punto de vista orientado a las aplicaciones. El libro debería ser de especial interés para los investigadores e ingenieros interesados en problemas industriales del mundo real.
Autor: J. Diaz-Rozo , J. J. Gabilondo
Título: Dispositivo y sistema que incluye múltiples dispositivos para la supervisión y control de máquinas en instalaciones industriales
Número: DE112018001085T5
Fecha: November 2019
Autor: J. Diaz-Rozo , J. J. Gabilondo
Título: Dispositivo y sistema que incluye múltiples dispositivos para la supervisión y control de máquinas en instalaciones industriales
Número: US10317888B2
Fecha: June 2019
Autor: J. Diaz-Rozo , J. J. Gabilondo
Título: Dispositivo y sistema que incluye múltiples dispositivos para la supervisión y control de máquinas en instalaciones industriales
Número: US10031500B1
Fecha: July 2018
Autor: Miguel Bermeo-Ayerbe, Carlos Ocampo-Martinez, and Javier Diaz-Rozo
Título: Non-intrusive condition monitoring based on event detection and functional data clustering
Publicación: Engineering Applications of Artificial Intelligence, vol. 124, p. 106625
Fecha: September 2023
Autor: Miguel Bermeo-Ayerbe, Vincent Cocquempot, Carlos Ocampo-Martinez, and Javier Diaz-Rozo
Título: Remaining useful life estimation of ball-bearings based on motor current signature analysis
Publicación: Reliability Engineering &System Safety, vol. 235, p. 109209
Fecha: July 2023
Autor: Cristian Puerto-Santana, Carlos Ocampo-Martinez, and Javier Diaz-Rozo
Título: Mechanical rotor unbalance monitoring based on system identification and signal processing approaches
Publicación: Journal of Sound and Vibration, vol. 541, p. 117313
Fecha: December 2022
Autor: Carlos Puerto-Santana, Concha Bielza, Javier Diaz-Rozo, Guillem Ramirez-Gargallo, Filippo Mantovani, Gaizka Virumbrales, Jesús Labarta and Pedro Larrañaga
Título: Asymmetric HMMs for Online Ball-Bearing Health Assessments
Publicación: IEEE Internet of Things Journal, vol. 9, p. 20160-20177
Fecha: October 2022
Autor: M. Bermeo-Ayerbe, Carlos Ocampo-Martinez, and J. Diaz-Rozo
Título: Data-driven energy prediction modeling for both energy efficiency and maintenance in smart manufacturing systems
Publicación: Journal of Energy, vol. 238, p. 121691
Fecha: January 2022
Autor: M. Bermeo-Ayerbe, Carlos Ocampo-Martinez, and J. Diaz-Rozo
Título: Adaptive predictive control for peripheral equipment management to enhance energy efficiency in smart manufacturing systems
Publicación: Journal of Cleaner Production, vol. 291, p. 125556
Fecha: April 2021
Autor: D. Atienza, C. Bielza, J. Diaz-Rozo, and Pedro Larrañaga
Título: Efficient Anomaly Detection in a Laser-surface Heat-treatment Process via Laser-spot Tracking
Publicación: IEEE/ASME Transactions on Mechatronics
Fecha: September 2020
Autor: J. Diaz-Rozo, C. Bielza, y P. Larrañaga
Título: Machine-tool condition monitoring with Gaussian mixture models-based dynamic probabilistic clustering
Publicación: Engineering Applications of Artificial Intelligence, vol. 89, p. 103434
Fecha: March 2020
Autor: M. A. Montealegre, B. Arejita, P. Alvarez, C. Laorden, y J. Diaz-Rozo
Título: Control quality on process of laser heat treatment
Publicación: Materials Science Forum, vol. 941, pp. 1860–1866.
Fecha: January 2019
Autor: J. Diaz-Rozo
Título: Clustering probabilístico dinámico para la búsqueda de patrones de degradación de elementos de máquina en el ámbito del Industrie 4.0
Publicación: PhD Thesis, Universidad Politécnica de Madrid
Fecha: September 2019
Autor: J. L. Diaz, M. Bermeo, J. Diaz-Rozo, y C. Ocampo-Martinez
Título: An optimization-based control strategy for energy efficiency of discrete manufacturing systems
Publicación: ISA Transactions, vol. 93, pp. 399-409
Fecha: October 2019
Autor: Ying hao Xu, Miquel Vidal, Beñat Arejita, Javier Diaz-Rozo, Carlos Alvarez, Daniel Jiménez-González, Xavier Martorell, Filippo Mantovani
Título: Implementation of the K-Means Algorithm on Heterogeneous Devices: A Use Case Based on an Industrial Dataset
Publicación: vol. 32, pp. 642-651
Fecha: January 2018
Autor: J. Diaz-Rozo, C. Bielza, y P. Larrañaga
Título: Clustering of data streams with dynamic Gaussian mixture models: An IoT application in industrial processes
Publicación: IEEE Internet of Things Journal, vol. 5, n.o 5, pp. 3533-3547
Fecha: October 2018
Autor: A. Ogbechie, J. Diaz-Rozo, P. Larrañaga, y C. Bielza
Título: Dynamic Bayesian network-based anomaly detection for in-process visual inspection of laser surface heat treatment
Publicación: Machine Learning for Cyber Physical Systems, Springer, pp. 17-24
Fecha: November 2016
Autor: B. Kamp, A. Ochoa, y J. Diaz-Rozo
Título: Smart servitization within the context of industrial user-supplier relationships: contingencies according to a machine tool manufacturer
Publicación: Int J Interact Des Manuf, vol. 11, n.o 3, pp. 651-663
Fecha: August 2017
Autor: D. Isaacs, J. Diaz-Rozo, A. Astarola, y B. Arejita
Título: Making Factories Smarter Through Machine Learning
Publicación: Industrial Internet Consortium
Fecha: January 2017
Autor: J. Diaz-Rozo, C. Bielza, y P. Larrañaga
Título: Machine learning-based CPS for clustering high throughput machining cycle conditions
Publicación: Procedia Manufacturing, vol. 10, pp. 997-1008
Fecha: January 2017
Autor: J. Diaz-Rozo, C. Bielza, J. L. Ocaña, y P. Larrañaga
Título: Development of a Cyber-Physical System based on selective Gaussian naïve Bayes model for a self-predict laser surface heat treatment process control
Publicación: Machine Learning for Cyber Physical Systems, Springer Vieweg, Berlin, Heidelberg, pp. 1-8
Fecha: February 2016
Autor: D. Atienza, C. Bielza, J. Diaz-Rozo, y P. Larrañaga
Título: Anomaly Detection with a Spatio-Temporal Tracking of the Laser Spot
Publicación: Frontiers in Artificial Intelligence and Applications, pp. 137–142
Fecha: January 2016
Linked 3rd Party to Etxetar
IoTwins is a European project that aims to build a reference architecture for the development of efficient and distributed digital twins for specific manufacturing and facility management domains.
12 dedicated large-scale testbeds will collect large amounts of data to generate and refine the associated digital twins, including optimized models of resources, systems, and processes involved. IoTwins digital twins will be used to improve the efficiency of production processes and of facility management, as well as to demonstrate the replicability of the achieved results in similar scenarios and to determine new application areas and business models.
All the IoTwins testbeds share the same methodology: models that exploit big data and domain expert knowledge to accurately represent a complex system, such as an industrial plant, or a process, or a facility, with the ambition of predicting its temporal evolution and dynamics. The underlying technologies ground on the concept of distributed IoT-/edge- /cloud-enabled hybrid twins.
INVESTIGACIÓN Y DESARROLLO DE METODOLOGÍA EN LA INTELIGENCIA ARTIFICIAL (ML) ORIENTADO A CASOS INDUSTRIALES DE USO DE DATOS CONTÍNUOS DE ULTRA-ALTA VELOCIDAD
- Organismo Público de Financiación: Ministerio de Ciencia e Innovación
- Programa: Retos RTC2019-0006871-7
- Beneficiarios: Aingura IIoT, S.L. (líder), Titanium Industrial Security, S.L., Universidad Politécnica de Madrid, Universidad de la Iglesia de Deusto, Barcelona Supercomputing Center.
- Presupuesto total: 2.864.671,20€
DESARROLLO DE UN SISTEMA DIAGNOSTICO BASADO EN MACHINE LEARNING PARA LA DETECCIÓN EN TIEMPO REAL DE DEGRADACIÓN TEMPRANA EN EL PROCESO DE FABRICACIÓN DE MEDICAMENTOS.
- Objetivo: el proyecto MLpharma busca desarrollar e implementar a nivel de prototipo una solución basada en Machine Learning que permita detectar en tiempo real las desviaciones que puedan afectar negativamente a procesos productivos farmacéuticos. Esta solución permitirá mejorar tanto el rendimiento de las actividades de mantenimiento, permitiendo detectar los elementos productivos causantes de estas desviaciones. También permitirá la monitorización de la eficiencia, ya que el sistema tendrá las capacidades de detectar problemas de calidad ocasionados por desviaciones anómalas que permitirán abortar y reiniciar el proceso sin tener que esperar a detectarlo al final del ciclo, generalmente de varios días, incrementando la productividad del proceso.
- Resultado: el resultado final será una solución basada en Machine Learning para data streams implementada sobre un Aingura Insights Edge Computing node que permita ser desplegada en entornos productivos del sector farmacéutico para monitorización y detección de anomalías en tiempo real.
- Organismo Público de Financiación: Entidad Pública Empresarial Red.es
- Programa: Convocatoria de Ayudas 2020 sobre Desarrollo Tecnológico basado en Inteligencia Artificial y otras Tecnologías Habilitadoras Digitales C0007/20-ED (2020/0720/00099369)
- Beneficiario: Aingura IIoT, S.L.
- Presupuesto total: 237.529,43€
Plataforma de flexibilidad de clústeres industriales para que las fábricas sostenibles reduzcan las emisiones de CO2 y permitan la transición energética
Para alcanzar los objetivos del Pacto Verde de la UE, así como las agendas energéticas nacionales, se necesita cada vez más flexibilidad para compensar las fluctuaciones en la generación a partir de fuentes de energía renovables. El sector industrial, como uno de los mayores consumidores de energía, tiene un potencial de suministro de flexibilidad en su mayor parte sin explotar.
El aumento de la flexibilidad de los procesos de producción industrial combinado con el suministro de energía in situ y las tecnologías de almacenamiento pueden ofrecer nuevas oportunidades para mejorar la sostenibilidad de las instalaciones industriales y ayudar a integrar más fuentes renovables en la red eléctrica. Sin embargo, aún quedan algunos retos por abordar: es necesario desarrollar herramientas para integrar mejor las soluciones de almacenamiento de energía y las fuentes renovables en los entornos industriales. Además, es necesario desarrollar soluciones que vinculen el potencial de flexibilidad de los emplazamientos industriales con la comunidad circundante y los mercados energéticos en su conjunto para permitir la realización de nuevos modelos de negocio.
FLEX4FACT acompañará a los socios industriales en la consecución de su transición energética mediante el desarrollo de herramientas digitales integradas en una plataforma holística, allanando así el camino para la provisión de flexibilidad industrial en beneficio de diversas partes interesadas a lo largo de la cadena de valor. Esto aumentará la penetración de las fuentes renovables, lo que a su vez disminuirá la dependencia de los combustibles energéticos y reducirá la factura energética de las empresas de la UE, dando lugar a una industria competitiva de la UE.