Usted está en: Inicio / Programa de Ingeniería de Sistemas - Programa de Ingeniería Industrial - Programa de Matemáticas / ¿Cómo el “Machine Learning” está transformando la producción industrial?

¿Cómo el “Machine Learning” está transformando la producción industrial_ (1)Cuando se trata de aplicaciones industriales, es seguro afirmar que el Machine Learning está modificando más y más modelos dentro de la industria manufacturera, pero ¿cómo?

Una pregunta que a menudo se hace sobre el Machine Learning (en adelanten ML) es cuántas aplicaciones industriales se pueden tener en cuenta en el contexto. Bueno, francamente, esa es la pregunta equivocada. El ML no es un dispositivo que se conecte a una línea de producción y hace que la línea de producción funcione mejor que antes. El ML es un proceso que necesita entradas de muchos dispositivos para alimentar datos a fin de que éstos puedan ser recopilados, evaluados y utilizados para aumentar el conocimiento sobre cómo una línea de producción produce los productos y las piezas que fabrica. Ese conocimiento puede ser utilizado para determinar cómo la línea de producción puede tener un mayor rendimiento de piezas, operar a un menor costo y funcionar de manera más confiable.

De esta manera, el ML transforma una operación industrial en un sistema de sistemas que pueden llevar los productos al mercado más rápidamente y a un menor costo, de manera que la empresa propietaria pueda seguir siendo competitiva en su mercado y mantener a sus clientes satisfechos con la entrega de los productos que desean. Generará más beneficio invertir primeramente en usar un sistema asociado al ML que el crear productos más “innovadores” con el objetivo de tener clientes más satisfechos.

Aprendizaje de máquinas basado en procesos: una solución de ingeniería de sistemas complejos

"El ML es el estudio científico de los algoritmos y modelos estadísticos que los sistemas informáticos utilizan para realizar una tarea específica de forma eficaz sin utilizar instrucciones explícitas, basándose en patrones e inferencias. Es visto como un subconjunto de la inteligencia artificial. Los algoritmos del ML construyen un modelo matemático basado en datos de muestra, conocidos como "datos de entrenamiento", para hacer predicciones o tomar decisiones sin estar explícitamente programados para realizar la tarea".

Modifiquemos el concepto del ML y llamémoslo "ML basado en procesos". Esto nos permite llegar al meollo del asunto al identificar la tecnología industrial que tuvo que crearse o modificarse debido al deseo de utilizar algoritmos informáticos de aprendizaje de máquina para permitir la era de la fabricación inteligente.

El ML utiliza datos, o más explícitamente, datos de entrenamiento, para enseñar a su algoritmo informático qué esperar de las máquinas de producción que está monitorizando para obtener esos datos de entrenamiento, basándose en el reconocimiento e inferencia de patrones para desarrollar la capacidad del algoritmo para tomar decisiones y hacer predicciones sin tener que escribir código para ser programado explícitamente para realizar esa tarea.

Los datos de entrenamiento se recopilan, procesan y evalúan en una secuencia estructurada de pasos para prepararlos y usarlos en el algoritmo de aprendizaje de la máquina. Esa secuencia estructurada de pasos es un proceso, y la creación de ese proceso introduce nuevas tecnologías que incluyen:

  • Dispositivos IoT para crear datos
  • Redes para almacenar y procesar datos
  • Los computadores procesan la información para limpiar los datos y garantizar su precisión y relevancia.

Machinler1

Aplicaciones y transformaciones industriales atribuidas al Machine Learning

La lista de nuevas tecnologías que pueden ser atribuidas al ML es exhaustiva y no es posible cubrirla en su totalidad en este artículo. De este modo, abordaremos las cuestiones de más alto nivel que son más fácilmente identificables.

Mantenimiento Predictivo. La posibilidad de poder predecir las interrupciones de la línea de producción antes de que se produzcan es de un valor incalculable para el fabricante. Permite al gerente programar el tiempo de inactividad en el momento más favorable y eliminar el tiempo de inactividad no programado. Los tiempos de inactividad no programados afectan el margen de beneficio y también pueden resultar en la pérdida de su base de clientes. También interrumpe la cadena de suministro, provocando la gestión del exceso de existencias. La necesidad de traer mano de obra adicional a través de su apoyo de ingeniería de campo de terceros también puede costar mucho dinero.  Un estudio de PwC, "Digital Factories 2020: Shaping the Future of Manufacturing", predice que se espera que la adopción del aprendizaje de máquinas para permitir el mantenimiento predictivo aumente entre los fabricantes en un 38% debido a la capacidad de aumentar el margen de beneficios mediante la eliminación de paradas laborales no programadas.

El modo exacto en que se modifican los modelos de negocio de fabricación depende de varios factores, pero la división de las redes informáticas de los sensores operativos y de las plantas seguirá siendo estándar, ya que la fiabilidad de la red no puede verse comprometida.

Convergencia IT/OT/Seguridad de la red. El desarrollo del aprendizaje de la máquina también impulsará muchas modificaciones del modelo de negocio en los procedimientos operativos estándar del fabricante. Esto es especialmente cierto en la composición organizativa de la empresa.

La red informática se ubicará junto con los sensores operativos en la maquinaria de producción, de modo que los datos puedan recogerse y enviarse al almacén de datos como datos de formación con fines de aprendizaje de la máquina.

Los operadores y técnicos de planta se verán afectados de forma significativa si la red no es fiable o si, por alguna razón, es hackeada por un ataque de denegación de servicio, lo que detendrá la producción. Los sensores y dispositivos de OT se verán afectados tanto como la red de TI y las computadoras. IndustryWeek confirma estas cuestiones.

Considerado un concepto amplio en el campo del análisis de datos, los procesos de producción de formación de la fuerza de trabajo están proyectados para ser cada vez más flexibles, transparentes e intuitivos. Blockchain en la fabricación, IIoT (el Internet Industrial de las Cosas), y la industria de la robótica cada uno continúa utilizando el aprendizaje de la máquina a su favor.

Manufactura inteligente y Diseño e innovación digital. El objetivo final de la inteligencia artificial y el ML es permitir el desarrollo de un gemelo digital de la planta de producción. La creación del gemelo digital se llevaría a cabo como un esfuerzo en el marco de un proceso de ingeniería de sistemas basado en modelos (MBSE) utilizando como base los algoritmos de ML y los conocimientos adquiridos. El gemelo digital serviría como plataforma para ejecutar escenarios hipotéticos para aprender lo que no sabemos hoy en día. El gemelo digital también puede servir como un modelo de extremo a extremo para ser utilizado en el diseño de piezas de mayor confiabilidad y en el ajuste de las interacciones entre las máquinas de la línea de producción para mejorar el rendimiento. Las posibilidades son infinitas.

Conectando todas estas ideas, los sistemas ciberfísicos industriales son la principal tecnología habilitadora, que se refiere a un paradigma emergente basado en datos y centrado en la creación de inteligencia de fabricación utilizando redes omnipresentes en tiempo real y flujos de datos operativos. Estos sistemas ciberfísicos permiten que los objetos y procesos que residen en el mundo físico (por ejemplo, las instalaciones de fabricación) estén estrechamente acoplados y evaluados mediante análisis predictivos avanzados (por ejemplo, modelos de aprendizaje por máquina), y modelos de simulación en el mundo cibernético, para realizar operaciones autoconfigurables. Por lo tanto, esta investigación presenta un sistema ciberfísico industrial basado en el paradigma emergente de la computación, que puede integrar modelos de aprendizaje de máquinas codificadas en PMML listas para la producción en las operaciones de la fábrica, y adherirse a las preocupaciones de diseño de la Industria 4.0 sobre descentralización, seguridad, privacidad y confiabilidad (Peter, O'Donovan, Gallagher, Bruton, & O'Sullivan, 2018).

Machinler2

El resto de la historia

Si indagamos más profundamente en artículos de gran valor, hay miles de otros impactos que el ML tendrá en centro de fabricación inteligente y en los procesos industriales que hacen que todo funcione. Otros temas de interés a tratar:

  1. Fabricación optimizada de semiconductores que puede utilizar el análisis de la causa raíz para reducir los costes de las pruebas.
  2. Control de calidad y métricas generales de efectividad de los equipos midiendo la disponibilidad, rendimiento y calidad de ensamblaje de estos utilizando redes neuronales mejoradas que pueden aprender las debilidades de las máquinas y minimizar su efecto en la producción.
  3. Construir una cadena de suministro conectada. La logística siempre será un pilar fundamental de cualquier operación de fabricación. Los procesos de gestión de inventario pueden mejorarse significativamente utilizando técnicas de ML.

Con todo esto, el aprovechamiento del ML se está convirtiendo en una práctica estándar en algunas industrias. Al comprender los beneficios del aprendizaje con máquinas, los profesionales industriales pueden mantenerse por delante de la competencia que aún no hayan dejado las obsoletas y anticuadas prácticas de manufactura.

Por: Joseph Zulick. Escritor y gerente de MRO Electric and Supply.

Tomado de:

https://www.machinedesign.com/industrial-automation/how-machine-learning-transforming-industrial-production

Traducido por: Gustavo Andrés Campos Avendaño

Facultad de Matemáticas e Ingenierías

Fundación Universitaria Konrad Lorenz

Publicado por Jose Manuel Medina Basto El día 08/30/2019 Enlace permanente Comentarios (0)

Comentarios