Los procesos y máquinas industriales deben actuar de forma predecible y precisa. Las anomalías, es decir, los patrones inesperados en los datos de los sensores, pueden indicar problemas como componentes o sensores defectuosos. La detección de anomalías basada en la inteligencia artificial (IA) ayuda a los ingenieros a identificar posibles problemas en una fase temprana, optimizar los planes de mantenimiento y aumentar así la eficiencia de los procesos. En esta línea, el 86% de los ejecutivos del sector manufacturero cree que las fábricas inteligentes determinarán su competitividad en los próximos cinco años y que la IA desempeñará un papel importante en la fabricación.
En el pasado, los ingenieros y técnicos dependían de las inspecciones manuales de datos o de las alarmas automatizadas cuando los valores de los sensores superaban los umbrales definidos. Sin embargo, los ingenieros no pueden analizar miles de sensores simultáneamente, lo que puede hacer que pasen por alto anomalías que forman complejos patrones ocultos en numerosos sensores. Debido a la creciente complejidad de las máquinas en las fábricas modernas, los métodos tradicionales de detección de anomalías ya no son suficientes.
Ante estos retos, los ingenieros de la industria manufacturera utilizan ahora la IA para mejorar el alcance y la precisión de la detección de anomalías. Los algoritmos de IA pueden entrenarse con ingentes cantidades de datos procedentes de miles de sensores para detectar anomalías complejas que el ojo humano por sí solo no puede reconocer. Combinando la cantidad de datos que la IA puede analizar con la experiencia contextual de los ingenieros, las empresas de fabricación pueden desarrollar una solución integral de detección de anomalías.
Desarrollo de una solución de detección de anomalías basada en IA
El desarrollo de una solución de detección de anomalías basada en IA es un proceso extenso, desde la planificación y la recopilación de datos hasta la implantación y la integración. Para desarrollar una solución que pueda identificar eficazmente los problemas potenciales, los ingenieros necesitan un profundo conocimiento del desarrollo de algoritmos, así como del entorno operativo.
Planificación y recopilación de datos
El proceso de desarrollo de un sistema de detección de anomalías basado en IA comienza con la definición del problema. Esto implica evaluar los datos de los sensores disponibles, los componentes o procesos y los tipos de anomalías que podrían producirse. Para las organizaciones que acaban de empezar a utilizar la IA, es importante comenzar con un estudio de viabilidad limitado, cuyo éxito aporte beneficios claros a la organización antes de proceder con iniciativas de mayor envergadura.
Debido a la creciente complejidad de las máquinas en las fábricas modernas, los métodos tradicionales de detección de anomalías a menudo ya no son suficientes.
Los datos de alta calidad son cruciales para los sistemas de IA. Por tanto, los ingenieros deben definir primero qué constituye una anomalía y en qué condiciones se categorizan los datos como anormales. La adquisición de datos implica el uso de sensores para supervisar continuamente los equipos y procesos, así como comprobaciones manuales para garantizar la exactitud de los datos.
Análisis y preprocesamiento de datos
La mayoría de los datos para la detección industrial de anomalías proceden de sensores que recogen datos de series temporales como temperatura, presión, vibración, tensión, espesor de la película, pH y otros valores recogidos a lo largo del tiempo. También pueden incluirse valores asociados, como datos medioambientales, registros de mantenimiento y parámetros operativos. El primer paso en el desarrollo de un algoritmo de detección de anomalías es clasificar y preprocesar estos datos para que sean adecuados para el análisis. Esto incluye reformatear y reestructurar los datos, extraer partes de los datos que son relevantes para el problema, tratar los valores que faltan y eliminar los valores atípicos. El siguiente paso consiste en seleccionar una técnica para reconocer las anomalías. Para ello, hay que evaluar las características de los datos, el tipo de anomalías y los recursos informáticos disponibles.
Selección del modelo y entrenamiento
Es importante experimentar con distintos enfoques de entrenamiento de un modelo de IA para determinar la solución óptima para un conjunto de datos concreto. A un nivel superior, las técnicas de IA pueden clasificarse en enfoques de aprendizaje supervisado y no supervisado en función del tipo de datos disponibles.
Aprendizaje supervisado
El aprendizaje supervisado se utiliza para la detección de anomalías cuando partes de los datos históricos pueden etiquetarse claramente como normales o anormales. El correspondiente etiquetado de los datos suele ser realizado manualmente por ingenieros y comparado con registros de mantenimiento u observaciones históricas. Al entrenarse en este conjunto de datos etiquetados, el modelo de aprendizaje supervisado aprende las relaciones entre los patrones de los datos y sus correspondientes etiquetas. Herramientas como Classification Learner de Matlab ayudan a los ingenieros a experimentar simultáneamente con varios métodos de aprendizaje automático para determinar qué modelo funciona mejor. El modelo entrenado puede entonces predecir si un nuevo conjunto de datos del sensor es normal o anormal. De este modo, por ejemplo, el fabricante de productos plásticos Mondi Gronau, de Westfalia, pudo predecir posibles fallos de las máquinas de producción de plásticos.
INFO
Matlab y Simulink
Matlab, la plataforma de programación y cálculo numérico, permite modelizar el complejo comportamiento de los componentes eléctricos. Además, la velocidad de simulación puede aumentarse creando modelos basados en IA con modelado de orden reducido (ROM). Se pueden crear, entrenar y probar sensores virtuales basados en IA y estrategias de control para motores, baterías, convertidores de potencia, sistemas de gestión de la energía, vehículos eléctricos y sistemas de red. Con Matlab y Simulink, una herramienta de software orientada a gráficos para simular y analizar modelos matemáticos lineales y no lineales, se garantiza un funcionamiento seguro y eficiente de los sistemas eléctricos mediante la integración de predicciones energéticas basadas en IA y el uso de mantenimiento predictivo basado en IA. La empresa Mathworks está detrás de Matlab y Simulink.
Aprendizaje no supervisado
Muchas empresas no disponen de los datos anómalos etiquetados que requiere un enfoque de aprendizaje supervisado. Esto puede deberse a que los datos anómalos no se han archivado o a que las anomalías no se producen con la frecuencia suficiente para disponer de un gran conjunto de datos de entrenamiento. Si la mayoría o la totalidad de los datos de entrenamiento son normales, se utiliza el aprendizaje no supervisado para el entrenamiento del modelo.
Los patrones inesperados en los datos de los sensores, conocidos como anomalías, pueden indicar problemas como componentes o sensores defectuosos.
En un enfoque de aprendizaje no supervisado, el modelo se entrena para comprender las características de los datos normales y señala como anómalo cualquier dato nuevo que se salga del rango normal. Los modelos no supervisados pueden analizar los datos de los sensores para identificar patrones inusuales que puedan indicar un problema, incluso si este tipo de error nunca se ha producido o señalado antes.
Exploración y extracción de características (ingeniería de características)
Aunque algunos modelos de IA se entrenan con datos brutos de sensores, a menudo es más eficaz extraer características útiles de estos datos antes del entrenamiento. Este proceso se conoce como "exploración y extracción de características" o "ingeniería de características". Esto permite a los modelos de IA aprender más eficazmente de los patrones subyacentes. Los ingenieros experimentados pueden conocer ya los tipos de características importantes que deben extraerse de los datos de los sensores. Las herramientas interactivas para extraer y categorizar las características más relevantes de un conjunto de datos pueden ayudarles a mejorar el rendimiento de los modelos de IA supervisados y no supervisados.
Algunos tipos de datos, como las imágenes o el texto, se benefician de enfoques de aprendizaje profundo que pueden extraer patrones automáticamente sin necesidad de una extracción explícita de características. Por ejemplo, la empresa estadounidense Imcorp combinó series temporales y detección de anomalías basada en imágenes para identificar fallos en cables eléctricos subterráneos mediante aprendizaje profundo. Aunque estos enfoques de aprendizaje profundo son potentes, también requieren conjuntos de datos de entrenamiento más grandes y más recursos informáticos.
Validación y pruebas
La validación y las pruebas garantizan la fiabilidad y solidez de los modelos de IA. Los ingenieros suelen dividir los datos en tres subconjuntos: Conjuntos de datos de entrenamiento, validación y prueba. Los datos de entrenamiento y validación se utilizan para afinar los parámetros del modelo durante la fase de entrenamiento y los datos de prueba se utilizan después del entrenamiento del modelo para determinar su rendimiento con datos desconocidos. Además, los ingenieros pueden evaluar el modelo utilizando métricas de rendimiento, como la precisión y la tasa de aciertos, y ajustarlo para cumplir los requisitos del problema específico de detección de anomalías.
Despliegue e integración
Un modelo entrenado y probado adquiere todo su potencial cuando se despliega sobre el terreno y realiza predicciones basadas en nuevos datos. Al seleccionar un entorno de despliegue adecuado, los ingenieros tienen en cuenta factores como los requisitos informáticos, la latencia y la escalabilidad. Las aplicaciones abarcan desde dispositivos periféricos situados cerca del proceso de fabricación hasta servidores locales y plataformas en la nube con una potencia informática casi ilimitada, pero también una latencia más alta. Aerzen Digital Systems, por ejemplo, ofrece una solución integrada de detección de anomalías basada en la nube que reconoce problemas en plantas industriales críticas, como las de tratamiento de aguas residuales.
La integración de la detección de anomalías requiere el uso de API (interfaces de programación de aplicaciones) para acceder a las predicciones del modelo y crear canalizaciones de datos. Estas últimas garantizan que el modelo reciba entradas correctamente formateadas y preprocesadas. Esto garantiza que el modelo funcione junto con otros componentes de la aplicación o el sistema y aproveche todo su potencial.
Conclusión
La detección de anomalías basada en IA es un importante paso adelante en el intento de aumentar la eficiencia y la rentabilidad en la fabricación. Combinada con la experiencia de los ingenieros y los últimos avances tecnológicos, la IA permite a las empresas de fabricación reducir significativamente la aparición de averías, optimizar los programas de mantenimiento y mejorar la productividad general. Aunque la integración de la IA en los procesos de fabricación es una tarea compleja, los beneficios potenciales en términos de eficiencia, ahorro de costes y ventaja competitiva son enormes. A medida que evolucione la industria, la IA desempeñará un papel cada vez más importante en el impulso de la innovación y la consecución de una fabricación de categoría mundial.
Primera publicación en Elektronik Praxis
Fotos: Mathworks
