Autor: idbox

INTRO

Aunque las tecnologías de Inteligencia Artificial (IA) comenzaron a desarrollarse hace varias décadas, en la actualidad coexisten varias definiciones que incluyen conceptos como Big Data, ciencia de datos, machine learning o IoT.

La IA se define como un conjunto de herramientas y metodologías que permiten a las máquinas simular procesos y desarrollar tareas que requieren aplicar la inteligencia humana como la toma de decisiones, el reconocimiento de objetos o la comprensión del habla.

El sector industrial lleva años inmerso en su transformación digital en lo que se ha denominado la cuarta revolución industrial o Industria 4.0. No cabe duda de que este sector tiene un alto potencial para liderar la aplicación de las tecnologías de IA en la monitorización y optimización de sus procesos, proporcionando un escenario adecuado para probar sus beneficios, desde los procesos de diseño y fabricación hasta la gestión de la cadena de valor. Así, grandes empresas como GE, Siemens, Intel, Funac, Kuka, Bosch, ABB, NVIDIA y Microsoft están invirtiendo fuertemente en el desarrollo de nuevos sistemas para mejorar su producción.

En esta coyuntura, ha surgido recientemente el concepto de Inteligencia Artificial Industrial (IAI), que puede definirse como la aplicación de la IA a las operaciones, procesos y sistemas físicos de una empresa, de forma que se pueda monitorizar, optimizar o controlar el comportamiento de estas operaciones, procesos y sistemas para mejorar su eficiencia y rendimiento, dotándolos de mayor autonomía. Así, este concepto incluye aplicaciones relacionadas con la fabricación de productos físicos, líneas de producción y almacenes, u operaciones relacionadas con diferentes procesos.

Se trata de un sistema extremo a extremo, en el que los sensores generan datos, que son enviados, gestionados y analizados mediante diferentes algoritmos y modelos que generan decisiones en tiempo real y cuyos resultados son devueltos para su aplicación real en los actuadores.

CASOS DE USO

Existen diferentes casos de uso relacionados con tres categorías de aplicaciones en función del grado de automatización: supervisión, optimización y control.

Monitorización

Los procesos industriales necesitan supervisar el rendimiento de sus sistemas y productos para identificar o predecir fallos y otras situaciones que conducen a resultados insatisfactorios. Algunos ejemplos que se beneficiarán de las tecnologías IAI son los siguientes:

• Control de calidad
  A las empresas les resulta difícil mantener un alto nivel de calidad y cumplir con las normas y reglamentos debido al corto plazo actual de comercialización de nuevos productos y servicios y a su creciente complejidad. Por otro lado, los consumidores esperan productos sin defectos, por lo que las empresas deben evitar el daño que las reclamaciones y los productos defectuosos pueden hacer a la marca.  
  
  En este contexto, los algoritmos de IA permiten una nueva forma de control de calidad. Por un lado, los algoritmos basados en tecnologías de reconocimiento de imágenes advierten a los equipos de producción en tiempo real sobre los fallos en los sistemas de producción que pueden reducir la calidad del producto (por ejemplo, desviación de la receta, cambios en las materias primas). Por otro lado, la aplicación de estos algoritmos permite predecir las tareas de mantenimiento y planificación que minimizan los riesgos asociados. Por último, la integración de dichos algoritmos con plataformas IoT permite la recogida de datos sobre el uso y comportamiento de los productos durante su vida útil, información que puede ser muy valiosa a la hora de tomar decisiones estratégicas y de diseño.

• Mantenimiento predictivo
  El mantenimiento continuo de la maquinaria de producción representa un gasto importante en los procesos de fabricación, por lo que es importante implementar soluciones basadas en algoritmos de IA que permitan predecir futuros fallos en una pieza, máquina o sistema con el fin de reducir drásticamente los tiempos de inactividad no planificados y aumentar la vida útil de los sistemas de producción.
  

Optimización

Los sistemas de planificación y toma de decisiones basados en la IAI permiten a los usuarios diseñar planes para optimizar un conjunto de parámetros empresariales.

• Planificación de los procesos
  Muchos escenarios industriales incluyen complejas secuencias de trabajo cuyo orden de ejecución puede afectar significativamente a factores como el coste, el tiempo, la calidad, las cargas de trabajo, los suministros o los residuos. La aplicación de algoritmos de optimización basados en la IA permite definir tales secuencias de forma dinámica en tiempo real.
  
• Diseño generativo
  La IA está cambiando la forma de diseñar productos y servicios. El diseño generativo utiliza algoritmos de IA para diseñar nuevos productos a partir de su descripción, incluyendo parámetros como el tipo de material, los medios de producción, el presupuesto o el tiempo de comercialización. Estos algoritmos analizan diferentes configuraciones antes de proponer las mejores soluciones.
  
• Nuevas estrategias de adaptación al mercado
  La aplicación de la IA no se limita a la planta de producción; sus algoritmos permiten optimizar las cadenas de suministro o ayudar a las empresas a anticiparse a los cambios del mercado. Todo ello supone una gran ventaja para la gestión empresarial, pasando de un enfoque reactivo a uno estratégico. Así, se pueden formular estimaciones de la demanda del mercado buscando patrones que relacionen la ubicación, los factores socioeconómicos y macroeconómicos, las pautas meteorológicas, la situación política o el comportamiento de los consumidores para que las empresas puedan optimizar sus recursos o controlar el inventario.
  

Control

Por último, los sistemas de control están en el centro de las operaciones de los procesos industriales y son esenciales para aprovechar todas las ventajas de la automatización. Algunos ejemplos de aplicaciones que se benefician de la IA son los siguientes:

• Robótica
  Tradicionalmente, los robots industriales se han programado explícitamente para moverse entre una serie de puntos 2D o 3D y realizar acciones específicas en esos puntos. Los nuevos enfoques, como los robots colaborativos o los co-robots, simplifican la programación al permitir la captura de estos puntos basándose en la posición física del robot. Sin embargo, en ambos casos, el robot no detecta los cambios en el entorno o en la posición de las piezas que manipula. Por lo tanto, la visión por ordenador permite a los robots no interferir con las personas u otros robots, e interactuar de forma independiente.
• AGV
  Los robots móviles autónomos (AGV) se utilizan en almacenes y empresas para transportar y recoger materiales gracias al uso de algoritmos de IA basados en imágenes que les permiten entender, mapear y navegar por estos entornos de forma más eficiente.
  

RETOS DE LA INTELIGENCIA ARTIFICIAL INDUSTRIAL

La IA industrial presenta una serie de retos que la diferencian de otras aplicaciones de IA orientadas al consumidor.

• Adquisición y almacenamiento de datos
  Los sistemas de IAI se basan en datos captados por sensores que buscan representar digitalmente el mundo real. La implantación de plataformas IoT y de sistemas ciberfísicos (CPS) ha permitido obtener grandes volúmenes de datos en los procesos industriales cuya adquisición, gestión y almacenamiento ha dado lugar a diferentes arquitecturas y sistemas de almacenamiento.
  Sin embargo, no hay que olvidar que a menudo se capturan grandes volúmenes de datos con mucho ruido, lo que dificulta la adquisición y el almacenamiento de los datos para su posterior análisis. Por ello, se utilizan técnicas avanzadas de simulación que incluyen gemelos digitales para generar datos de entrenamiento en diferentes condiciones.

• Hibridación de datos
  Un reto de la IAI es la generación de formatos comunes para datos heterogéneos procedentes de diversas fuentes (imágenes, vídeos, planos dwg, …). Para ello, será necesario desarrollar modelos semiautomáticos que ayuden a estructurar (por ejemplo, extracción de información de un plano, extracción de etiquetas de una imagen), homogeneizar (por ejemplo, técnicas de interpolación espacial/temporal para pasar de los datos de una unidad a otra) y/o armonizar los datos (por ejemplo, técnicas de correspondencia de productos/vinculación de registros para asociar datos de diferentes fuentes).

• Entrenamiento
  La correcta aplicación de los algoritmos de IA está asociada a la disponibilidad de datos de entrenamiento anotados. La captura de estos datos puede ser compleja en entornos industriales, ya que a menudo es difícil detectar y reproducir algunos de los fallos o la falta de calidad de los productos y servicios.

• Entornos regulados
  Los entornos industriales deben cumplir ciertas normas y reglamentos que afectan a sus operaciones, como la seguridad de los productos, la salud pública, el impacto medioambiental o la seguridad laboral. En algunos casos, los controles normativos pueden dificultar la implantación de las tecnologías de IA.

Tal y como se recoge en la Estrategia Europea de Datos1 publicada por la Comisión Europea en febrero de 2020, Europa debe convertirse en un modelo de sociedad empoderada por los datos para una mejor toma de decisiones en el sector público y en la empresa privada. Para ello, la Unión Europea promoverá un marco jurídico en materia de protección de datos, derechos fundamentales, seguridad y ciberseguridad. El objetivo es generar un ecosistema de confianza gracias a un marco normativo para la IA2.

SITUACIÓN EN ESPAÑA

Según un estudio de EY para Microsoft, la mayoría de las empresas encuestadas en España (65%) tienen planes, proyectos piloto o pruebas de concepto en torno a la IA. Sin embargo, sólo el 20% tiene soluciones en funcionamiento, 12 puntos por debajo de la media europea.

La «Estrategia de Inteligencia Artificial en I+D+i en España» incluye un apartado orientado a la aplicación de la IA en la Industria Conectada. Tal y como recoge el documento, la industria española representa el 13% del valor añadido del país y emplea al 11% de la población ocupada, por lo que el impacto social y económico de las tecnologías de IA es fundamental.

La Inteligencia Artificial (IA) se utiliza con mayor frecuencia en la fabricación para mejorar la eficacia general de los equipos (OEE) y el rendimiento del primer ciclo. Con el tiempo, los fabricantes pueden utilizar la IA para aumentar el tiempo de actividad y mejorar la calidad y la consistencia, permitiendo una mejor previsión.

Al igual que muchos otros componentes de la digitalización, la implementación de la IA puede parecer una tarea abrumadora. Las preocupaciones sobre cómo utilizar y gestionar eficazmente los miles de millones de puntos de datos generados por la potencia informática de la IA y las máquinas conectadas son comunes entre los fabricantes. Muchos no saben cómo empezar, y a menudo atribuyen su cautela en la implementación de la IA al coste, a los requisitos de TI y/o al miedo a no estar preparados para la Industria 4.0.

Para seguir siendo competitivos, es importante que los fabricantes se adapten a un modelo de negocio más orientado a los datos. Esto suele implicar la reorganización del personal y la actualización de los equipos y el software.

La IA, un concepto que a menudo se asocia con el futuro, es ahora una realidad y puede aplicarse a sus instalaciones hoy mismo. Aquí hay 3 maneras en que la IA industrial está revolucionando la fabricación y consejos sobre cómo implementarla:

1. Mantenimiento predictivo y preventivo

Algunos de los mayores tiempos de inactividad en la fabricación pueden ser causados por una pieza importante del equipo que no funciona debido a un fallo mecánico o eléctrico. Por lo general, las averías pueden evitarse fácilmente siguiendo el programa de mantenimiento preventivo recomendado para los equipos. A menudo, el mantenimiento preventivo se pasa por alto o no se optimiza en términos de tiempos de entrega óptimos.

Gracias a las capacidades de los dispositivos IoT, los sensores, los datos MES y los algoritmos de aprendizaje automático, los fabricantes pueden utilizar múltiples puntos de datos de las máquinas para predecir las averías. Los programas de mantenimiento pueden optimizarse antes de las averías previstas para mantener las máquinas en perfecto estado y mantener la planta de producción funcionando sin problemas.

2. Organización de la cadena de suministro

Las cadenas de suministro actuales son redes ultracomplejas que hay que gestionar, con miles de piezas y cientos de ubicaciones. La IA se está convirtiendo en una herramienta esencial para la entrega rápida de productos desde la producción hasta el consumidor. Con los algoritmos de aprendizaje automático, los fabricantes pueden determinar la solución óptima de la cadena de suministro para todos sus productos.

La gestión del inventario interno puede ser un gran reto en sí mismo. Una línea de producción depende en gran medida del inventario para mantener las líneas en funcionamiento y producir productos. Cada paso del proceso de fabricación requiere una determinada cantidad de componentes para funcionar; una vez que se agotan, es necesario reponerlos a tiempo para continuar el proceso. Asegurarse de que la fábrica tiene todos los suministros que necesita es una tarea en la que la inteligencia artificial puede ayudar. La IA puede aprender las cantidades de componentes, las fechas de caducidad y optimizar su distribución en la planta.

3. Optimización de la producción

La optimización de un proceso de fabricación puede ser una tarea intensiva en datos que implica innumerables conjuntos de datos históricos. Determinar qué parámetros del proceso proporcionan los productos de mayor calidad no es tarea fácil. Los ingenieros de producción y calidad realizan constantemente docenas de experimentos para optimizar los parámetros del proceso, pero a menudo pueden ser costosos y requerir mucho tiempo.

Utilizando la inteligencia artificial para procesar los datos rápidamente, los ingenieros pueden encontrar la mejor receta de proceso para los distintos productos. La IA aprenderá constantemente de todos los puntos de los datos de producción para mejorar continuamente los parámetros del proceso.

Bonus: Realidad aumentada y virtual

Como la tecnología de realidad aumentada y virtual mejora cada día, y cada vez más grandes empresas desarrollan dispositivos para este mercado, es sólo cuestión de tiempo que la industria de la fabricación la adopte por completo.

La realidad virtual puede ayudar a formar mejor a los montadores de productos para que realicen tareas de montaje o mantenimiento preventivo. La realidad aumentada proporciona informes en tiempo real basados en el aprendizaje automático en la fábrica o sobre el terreno, ayudando a identificar rápidamente los productos defectuosos y las áreas de mejora. Las aplicaciones de RA/VR en la fabricación son infinitas y pueden desempeñar un papel importante en la resolución de los problemas actuales.

La era de los edificios inteligentes ha llegado. Hoy en día, gracias a los avances tecnológicos, un edificio no sólo puede proporcionar todos los servicios que los ocupantes necesitan, sino también hacerlo de la forma más eficiente posible, minimizando los costes y aumentando el ahorro de energía a lo largo de la vida del edificio. Es un equilibrio que será clave para los negocios en el futuro.

¿Qué es un edificio inteligente?

Un edificio inteligente es un edificio que utiliza la tecnología para emplear los recursos de forma eficiente y económica, creando al mismo tiempo un entorno seguro y confortable para sus ocupantes. Los edificios inteligentes pueden utilizar una amplia gama de tecnologías existentes y se diseñan o adaptan para integrar futuros desarrollos tecnológicos. Los sensores del Internet de las Cosas (IoT), los sistemas de gestión de edificios, la inteligencia artificial (IA) y la realidad aumentada son algunos de los mecanismos y la robótica que pueden utilizarse en un edificio inteligente para controlar y optimizar su rendimiento.

¿Cuáles son las ventajas de la monitorización de edificios inteligentes?

Los edificios inteligentes generan muchos datos valiosos sobre su uso. El análisis de estos datos puede aportar información sobre los patrones de uso y las tendencias, lo que permite tomar decisiones basadas en datos reales para optimizar el rendimiento de los edificios, proporcionando las siguientes ventajas:

• Aumento de la productividad.
  Proporcionar un espacio que promueva la buena calidad del aire interior, el confort físico, la seguridad, el saneamiento, la iluminación, los procesos eficientes y el espacio que los empleados necesitan a un nivel óptimo les permitirá rendir bien. Por lo tanto, identificar y comprender cómo utilizan y se mueven las personas en el edificio es fundamental para mejorar la distribución física con el fin de optimizar el espacio de uso frecuente y minimizar los residuos. Aumentar el tamaño de una zona estrecha y muy transitada puede ser un ejemplo práctico de ello.
  
  
• Reducción del consumo de energía.
  Los edificios inteligentes pueden mejorar la eficiencia energética y, a su vez, reducir los costes de energía. Al conectar los sensores IoT que rastrean la ocupación a un sistema de gestión de edificios, se pueden apagar automáticamente las luces o los sistemas de calefacción, ventilación y aire acondicionado en las habitaciones o espacios desocupados para reducir el consumo innecesario de energía que emiten estos aspectos.
  
  
• Menores costes de explotación.
  Los gastos generales de un edificio son muy importantes para cualquier propietario o usuario del mismo. Sin embargo, aunque son unos gastos necesarios para una empresa, el nivel de costes suele ser un despilfarro porque no se aplica de forma inteligente. Si se identifican los patrones de infrautilización, se puede reducir la huella de un inmueble para disminuir los costes.

La implantación de sistemas inteligentes en un edificio tiene muchas ventajas, desde la rentabilidad hasta el hecho de que la estructura sea más respetuosa con el medio ambiente. En la actualidad, los edificios inteligentes son relativamente nuevos, pero dada la amplia gama de beneficios que ofrecen, pronto se convertirán en la norma.

¿Cómo se puede hacer que un edificio sea inteligente gracias a los datos?

La clave para convertir con éxito un edificio en un espacio inteligente y eficiente es comprender que sólo los datos precisos y fiables pueden ayudar. En el corazón de los sistemas de edificios inteligentes están los datos que determinan cómo se utiliza una instalación. Una vez que se dispone de esta información, se puede determinar dónde se pueden realizar mejoras, ya sea mediante la integración con otras tecnologías inteligentes y sistemas de edificios que proporcionan automatización o facilitando las decisiones estratégicas.

La solución IDboxRT Operational Intelligence puede ayudarte a monitorizar diferentes tipos de datos de uso en tiempo real. ¿Quieres saber cómo hacer que tu edificio sea más eficiente y empezar a ahorrar dinero en su explotación? Solicita una demo y consulta con nuestros expertos.

Uno de nuestros principales clientes, especialista en soluciones de Eficiencia Energética y Autoconsumo Fotovoltaico para el sector industrial, EDF Fenice, ha puesto en marcha su Centro de Control de Eficiencia Energética, EnergyHub, gracias a la implantación de la herramienta IDboxRT. Esta instalación ya está operativa y potenciará el rendimiento de los activos energéticos de las plantas de producción de sus clientes.

«Desde las nuevas oficinas de EDF Fenice en Madrid, sus ingenieros de eficiencia energética y su personal de apoyo técnico monitorizan permanentemente y en tiempo real todos los vectores energéticos de las fábricas de sus clientes, que ya han mejorado su eficiencia energética, reducido sus costes y minimizado el impacto medioambiental de su actividad.» – comenta Europa Press.

A menudo nos encontramos en la situación de poseer o tener acceso a información, mucha información, pero que, sin ningún tipo de organización, es poco útil. ¿De qué me sirve tener miles de datos si no soy capaz de explotarlos? Los datos organizados se convierten en información, muy valiosa en ocasiones, y eso es precisamente lo que me ofrecen las plataformas de inteligencia operacional como IDboxRT.

Esta capacidad de exprimir al máximo mis datos para obtener información valiosa se me presenta en muy diversas formas: la capacidad de graficar y comparar datos históricos y en tiempo real, la realización de cálculos para obtener nuevos datos, el posicionamiento de estos datos sobre mapas, informes…, pero además ofrecemos una forma más visual para trabajar con esta información: los sinópticos.

Un sinóptico es aquello «que presenta las partes principales de un asunto de manera clara, rápida y resumida«, tal y como dicta el diccionario.

En nuestro caso utilizamos los sinópticos para plasmar datos de forma visual, tratándose de una representación esquemática de la realidad, que nos permite, en un sólo vistazo, obtener esa información tan valiosa y saber lo que está sucediendo en el momento presente.

A lo largo de todos estos años trabajando con sinópticos hemos utilizado muchos y muy distintos planteamientos basándonos en la naturaleza y necesidades de cada proyecto y cliente, pero la experiencia nos ha hecho adoptar ciertas técnicas para mejorar estas representaciones que a menudo se repiten. Este es el caso del planteamiento drill-down, en el que partimos de una representación genérica, una visualización de alto nivel, donde de un primer vistazo es interesante conocer datos generales, KPIs, y hacernos una idea de dónde se sitúa cada cosa. Desde este primer nivel navegaríamos al siguiente en el que podríamos entrar en el detalle del área seleccionado, e incluso obtener datos de esta en comparación con el resto de las áreas análogas, y así, continuaríamos descendiendo de nivel para entrar cada vez más en detalle y llegar al dato específico.

Un ejemplo real que hemos desarrollado con este planteamiento podría ser: Una primera representación de un mapa del mundo, tratándose de un cliente que opera a nivel mundial, donde los más altos cargos puedan obtener de un primer vistazo información sobre como están operando sus plantas de manufactura, y comparar para asegurarse que todo está funcionando correctamente. Con un solo clic podríamos navegar a un segundo nivel más específico de un país para ver el detalle de las plantas del mismo, y a su vez navegar en una planta, bien porque queremos más detalle o porque algo nos ha llamado la atención al revisar los KPIs. Una vez estamos visualizando la representación de la planta, podemos plantear la navegación a zonas específicas de la planta, e incluso seguir bajando a nivel de maquinaría o partes concretas de cada una de las máquinas.

Hay planteamientos infinitos para este tipo de representaciones, aunque siempre debe ser acorde a la necesidad de información. La representación del sinóptico pierde su utilidad si los datos mostrados no se entienden o aportan información innecesaria.

También es importante que el diseño de estas representaciones gráficas sea llevado a cabo en consonancia con el cliente, ya que habitualmente cada compañía tiene su propia manera de representar sus activos (esquemas, mapas, dibujos, planos…) y sería una contradicción plantearles algo que no les resultase familiar y les suponga un trabajo de adaptación. Además, trabajamos para mantener la identidad corporativa de cada cliente para que perciban estas representaciones como suyas y se sientan «en casa». De esta manera también pueden hacer uso de estas representaciones a nivel de compañía en paneles informativos o videowalls. Todo esto conlleva un trabajo previo a la realización de los sinópticos basado en el estudio de la marca y sus utilizaciones.

Siguiendo este planteamiento hemos trabajado en la representación de plantas de tratamiento de aguas, en proyectos de construcciones de carreteras, monitorización de producción industrial, plantas de refino, eficiencia energética de edificios, proyectos de Smart Cities,…

Por otro lado, es importante destacar que todos nuestros sinópticos utilizan el formato standard SVG (Scalable Vector Graphics), lo que hace las representaciones escalables asegurando que no hay perdida de calidad, y permite que el cliente puede hacer uso de sus propias representaciones importándolas directamente en la plataforma.

Además, desde IDboxRT contamos con una extensa librería de elementos de todo tipo pre hechos, por lo que el usuario puede hacer uso de estas formas con un sencillo drag and drop, e incluso añadir sus propias formas a esta librería.

Sin duda los sinópticos son una de las herramientas más potentes para el análisis de datos dentro de IDboxRT y muy utilizados por nuestros clientes, independientemente del sector, ya que facilitan de sobremanera el entendimiento de los datos y son visualmente muy atractivas.

Comprender las diferencias entre la inteligencia operacional (OI) y la inteligencia empresarial (BI) es crucial para contextualizar y tomar medidas sobre la información y los conocimientos proporcionados por su conjunto de herramientas de análisis. Aunque tanto la inteligencia operacional como la empresarial se utilizan para impulsar la acción e informar la toma de decisiones, existen diferencias clave que distinguen estas dos áreas de análisis.

La inteligencia de negocio mantiene un enfoque relativamente estrecho con énfasis en la búsqueda de eficiencias que optimicen los ingresos o la rentabilidad. La BI normalmente significa tomar una instantánea de los datos durante un período de tiempo definido en el pasado y revisarlo para entender cómola organización podría lograr un mejor éxito en el futuro.

En cambio, la inteligencia operacional se centra en los sistemas, más que en los beneficios. La OI utiliza la recopilación y el análisis de datos en tiempo real para descubrir las tendencias o los problemas que podrían afectar al funcionamiento de los sistemas informáticos y para ayudar a los trabajadores de primera línea a tomar las mejores decisiones sobre cómo abordar esos problemas.

Las diferencias entre la inteligencia operacional y la inteligencia de negocio pueden resumirse como sigue:

La inteligencia de negocio se centra en encontrar eficiencias que aumenten o protejan los beneficios, mientras que la inteligencia operacional se centra en mantener la salud de los sistemas de TI.

La inteligencia empresarial aprovecha más los datos históricos, mientras que la inteligencia operacional depende de la recopilación y el análisis de datos en tiempo real.

La inteligencia operacional se ha descrito como la inteligencia empresarial inmediata obtenida de las funciones operativas en curso, una definición que habla de la naturaleza en tiempo real de la recopilación de datos y se centra en las funciones operativas que caracterizan a la inteligencia operacional en un entorno empresarial. Mientras que la inteligencia empresarial suele ejecutarse dentro de un silo de datos específico, la inteligencia operacional ayuda a las organizaciones a romper los silos de datos para descubrir tendencias y patrones de actividad dentro de sistemas complejos y dispares.

Proyecto global de digitalización

Cementos Portland Valderrivas es una empresa del grupo FCC dedicada a la fabricación y venta de cementos hormigón, áridos, mortero y otros derivados.

Dentro de su proyecto global de digitalización de diferentes plantas industriales en España, se propone IDboxRT como plataforma de monitorización e integradora de todas las instalaciones, con el objetivo de crear un sistema que permita la integración con datos del sistema SAP, lectura de diferentes tipos de ficheros con capacidad analítica de visualización de datos y de conectividad con software instalados del cliente, lo que la convierte en un herramienta colaborativa dentro de la corporación.

Retos principales

Los principales retos encontrados al inicio del desarrollo del proyecto se centraron en la adquisición de datos, la conectividad con el Sistema SAP, la extracción de históricos, así como la creación de cálculos complejos para el sistema FORTIA y la sincronización de envío de datos de los diferentes sistemas.

Solución propuesta

El punto inicial fueron siete plantas españolas, incluyendo también los datos generados en las Oficinas Centrales de la compañía.

La solución propuesta se realizó con el sistema de CIC IDboxRT Reporting Services, LUCA, con capacidad para visualizar los datos requeridos. Por un lado, se necesitaban dashboards de  producción mediante acumulados por tipo de producto, y por otro, comparativas entre las diferentes plantas de la compañía.

En cuanto a la parte técnica, el proyecto se desarrolló en tres ámbitos dependiendo de la tecnología de adquisición de datos: mediante ficheros planos extraídos de SAP, archivos de Excel de FORTIA y a través de la herramienta de históricos, APIRest. Para ello, se crearon tres drivers para la recogida de ficheros en el directorio compartido. Los datos se cargaban en el sistema y se desarrollaban complejos cálculos energéticos de los agrupados para su muestra posterior en la plataforma.

Resultados obtenidos

Como principales resultados, el desarrollo del proyecto aseguró la creación de Informes diferenciados por el rol de los usuarios, la adquisición integrada de datos de FORTIA, así como la generación de Informes que reducen el tiempo de ejecución de las tareas por parte del personal de la planta y nuevos mecanismos de sincronización de datos. Al mismo tiempo, se elaboró una comparación de los resultados de consumo y producción en las plantas, y se generó acceso a los datos de diferentes departamentos de clientes desde el mismo punto.

Consejos útiles

Para concluir, nos gustaría destacar varias conclusiones importantes para los desarrollos futuros: en primer lugar, es necesario llevar a cabo la validación de datos de manera más eficiente, independientemente de que la realice el cliente o nosotros mismos, dado que el tiempo de validación puede exceder el tiempo de desarrollo o de implementación; en segundo lugar, es necesario captar correctamente los requisitos del cliente al comienzo del proyecto para reducir el tiempo de desarrollo; y por último, es necesario buscar y ofrecer un diseño mejor adaptado a la empresa y a la imagen de marca.

La tecnología clave en la mejora del futuro presente

En la actualidad se está demostrando que la capacidad de sintetizar datos sensoriales, preservando las propiedades estadísticas deseadas, supone un gran éxito en diferentes industrias.

Muchos ejemplos se basan en este concepto y lo aplican a diversas industrias que utilizan tecnología. Uno de los más destacados es el caso de DeOldify, un programa de inteligencia artificial que traduce imágenes en blanco y negro a color, o Nvidia, con su propuesta de crear imágenes realistas de falsos paisajes o rostros de personas inexistentes, a partir de bocetos semánticos.

GANs: La idea más interesante en Machine Learning de la última década

Estos sistemas se basan en una arquitectura de red neuronal muy específica, denominada Generative Adversarial Network (GAN), unalgoritmo de inteligencia artificial que incide en que los datos sintetizados deben mantener tanto las propiedades estadísticas como ser indistinguibles de los datos reales, proceso similar a un test de Touring para datos.

Dichos conceptos tienen su origen tiempo atrás, donde la comparación se realizaba a través de simple inspección visual. Actualmente se emplean modelos de clasificación, llamados discriminadores, encargados de distinguir entre datos sintetizados y datos reales. De una forma más intuitiva se puede entender esta red como dos redes competidoras: la primera de ellas es la encargada de generar candidatos, datos sintetizados, mientras que la segunda evalúa si los datos son reales o sintetizados. El objetivo del entrenamiento es aumentar la tasa de error de la red discriminadora, es decir, engañar al discriminador.

La monitorización, el deep learning y sus beneficios para el negocio

Las soluciones descritas anteriormente se adaptan a diversos sectores como «Smart», «Industria 4.0» y «Energía» entre otros. El software de monitorización de activos en tiempo real comienza a utilizar estos avances tecnológicos para resolver problemas comunes, como, por ejemplo, los fallos de conexión. Suele pasar que algunos sensores que envían datos están parcialmente desconectados, lo que podría haberse evitado si un modelo generador-discriminador hubiera entrado en el juego, sustituyendo los datos que faltan por datos sintéticos. A partir de aquí podríamos considerar la posibilidad de sustituir algunos sensores completamente por piezas sintéticas, lo que aseguraría la mayor calidad posible y reduciría la infraestructura de hardware necesaria para una supervisión eficaz.

Actualmente, empresas españolas como CIC Consulting Informático, con su producto de monitorización de activos IDboxRT Inteligencia Operacional, consideran el Deep Learning como una herramienta destinada a facilitar la vida de sus clientes.

La serie de medidas en el ámbito de Deep Learning en materia de monitorización, desarrollada por CIC Consulting Informático, da lugar a importantes resultados positivos a diversos niveles. En primer lugar, proporciona condiciones económicas favorables, permitiendo ahorrar en la explotación y el mantenimiento de equipos específicos, evitando al mismo tiempo graves pérdidas de información. Por este motivo, existen ventajas asociadas a la eficiencia energética, como la reducción del consumo de energía resultante de la disminución del número de componentes físicos.

Regreso al futuro con el deep learning

Se espera que el Deep Learning revolucione la metodología de funcionamiento de las empresas en un futuro próximo, haciéndolas más eficientes en términos de consumo y rentabilidad, optimizando todos sus procesos y logrando resultados tangibles a escala mundial.

No es nada nuevo. No estamos hablando de una tecnología rompedora que aparezca con fuerza en 2020. El IoT es algo que llevaba ya muchos años en la cabeza de sus precursores desde los años 90, simplemente a la espera de que las técnicas de comunicaciones e integración de sistemas dieran soporte a sus ideas. 

Y es precisamente esa última palabra la clave para entender los motivos por los que su adopción en el ámbito industrial no haya sido tan rápida como lo vaticinado por las grandes consultoras a nivel mundial. Lo cierto es que no hablamos de una tecnología en sí, cuya mera aplicación sea capaz de resolver un problema, sino de un concepto de aplicación de varias tecnologías al servicio de una premisa base: una idea. 

Durante los primeros años del boom IoT, se han vivido situaciones en las que medianas y grandes compañías no daban pasos, sino auténticos saltos hacia la “aplicación” del IoT en entornos industriales. El problema es que esos saltos se basaban simplemente en realizar una fuerte inversión en dispositivos IoT, cuyos datos resultaban ser anecdóticos o accesorios. 

Desde la experiencia acumulada por nuestro equipo de IDboxRT, suscribimos la máxima “Lo que no se puede medir no se puede mejorar”. Pero el hype que vive el IIoT no nos debe arrastrar a un afán injustificado por recolectar datos inservibles, la contrapartida a esa máxima es que debemos medir única y exclusivamente aquellos parámetros que nos permitan alcanzar el ROI esperado. 

Sobre esta base sólida, aparece ante los líderes de estas iniciativas una marea de fabricantes de dispositivos, modelos, protocolos, etc.  En este sentido, es difícil prever cuál de ellos dominará el mercado a medio plazo, por lo que es imprescindible contar con una plataforma IoT abierta que permita comunicar con variedad de dispositivos de forma sencilla, ya que esto facilita mucho la elección del dispositivo adecuado para cada uso, sin miedo a que ciertos datos se queden aislados a medida que la tecnología evoluciona. 

A nivel de protocolos de comunicación, encontramos variedad de protocolos ligeros que permiten comunicación con dispositivos remotos alimentados por baterías, cuya duración puede llegar a varios años dependiendo del protocolo utilizado y la frecuencia de refresco. Desde el conocido MQTT, pasando por CoAP, hasta otros menos reconocibles como BACnet, nos encontraremos multitud de protocolos implementados por distintos dispositivos, que pueden crear dudas en aquellos que cuenten con plataformas de tratamiento de datos con baja flexibilidad. 

Es precisamente esta naturaleza abierta lo que hace que la herramienta de Inteligencia Operacional que desarrollamos en CIC Consulting Informático de Cantabria, IDboxRT, apareciera como una de las referencias en el Competitve Landscape: IoT Platform Vendors de Gartner en 2018. Sin poder considerarse únicamente una plataforma IoT, la capacidad de ingesta de datos desde cualquier dispositivo, independientemente del protocolo, hace de IDbox una de las apuestas más seguras en este sentido, ya que tome la dirección que tome el sector, nuestros clientes siempre podrán integrar sus datos, combinando distintos protocolos. 

La posibilidad de combinar datos de nuestro “parque IoT” con datos de proceso directamente recogidos de PLCs, SCADAs, bases de datos o incluso WebServices de terceros permite a los clientes de IDboxRT contextualizar la información, implementar modelos matemáticos, combinando todos estos datos, y analizar los resultados para mejorar la toma de decisiones en tiempo real. 

En definitiva, desde el equipo de IDboxRT, estamos seguros de que la implantación de iniciativas IoT en el ámbito industrial traerá, sin lugar a duda, mejoras sustanciales tanto a nivel de control, como de optimización de procesos, siempre y cuando pongamos el acento en el valor que cada dato puede aportar al corazón de toda iniciativa: una idea.