Cómo aplicar la Inteligencia Artificial en la Industria
Machine Learning en el Mantenimiento de Instalaciones Industriales
Durante la última década, la capacidad de cómputo de los ordenadores ha seguido creciendo exponencialmente, de forma que ya se pueden abordar problemas que anteriormente era inviable resolver.
Estamos hablando del Big Data, el nuevo marco tecnológico surgido a raíz de dicha evolución en la capacidad de cálculo. Cuando decimos Big Data nos referimos al procesamiento en tiempo real de millones de datos. Unos de los ejemplos más cercanos es el de las redes sociales, donde millones de usuarios comparten mensajes entre ellos y pueden tener comunicación cruzadas, prácticamente sin límites en el volumen de información intercambiada.
Sobre dichos datos se aplican técnicas cuyos fundamentos teóricos vienen de la década de los 90. De los algoritmos más sencillos, caso de la regresión logística, a los más complejos y exigentes computacionalmente, como es el caso de las redes neuronales. Así, la implementación práctica en las empresas del procesamiento de grandes cantidades de información- en tiempo real- no ha sido posible hasta la década pasada. Como ejemplo muy conocido tenemos los sistemas de recomendación de música y contenidos multimedia, cuya funcionamiento proviene del aprendizaje de las interacciones que los usuarios tiene con los contenidos desde las aplicaciones (móviles, tablets y smart TVs) que los sirven.
La agrupación de estos algoritmos constituyen el marco tecnológico que denominamos Aprendizaje Automático, o en su denominación más familiar en inglés, Machine Learning.
¿Pero qué tiene todo esto que ver con la práctica diaria del Ingeniero Industrial? Mucho, como vamos a ver a continuación.
Debemos ser conscientes de que la Industria- de forma generalizada- va a remolque de las nuevas tecnologías, dadas las modificaciones que se requieren en los medios productivos y los costes de inversión necesarios para llevarlas a cabo. Máquinas de mecanizado, bancos de ensayo, robots que ejecutan operaciones repetitivas, suelen estar controlados por software.
La implementación de un software que haga uso del Aprendizaje Automático para la mejora y optimización de procesos productivos, tienen dos hándicaps a nivel de integración en la maquinaria.
El primero de ellos se refiere a los sensores que han de adquirir la información del entorno: temperatura, humedad, nivel de carga en máquinas, desgaste de motores, etc. Es decir, es necesario sensorizar los medios productivos para obtener datos que luego puedan ser procesados por algoritmos de Machine Learning. Es evidente la dificultad que esto supone desde el punto de vista de la adaptación técnica de los equipos, así como la propia inversión económica que lleva aparejada.
Toda la infraestructura que ha de construirse tiene que ver con lo que conocemos como Internet de las Cosas (IoT), es decir, generar un flujo continuo de datos a partir de los datos de funcionamiento que adquieren los sensores. Esta implementación del IoT requiere una profunda modificación de la infraestructura de los sistemas.
El segundo hándicap es la integración a nivel de software de las técnicas de Aprendizaje Automático en los procesos productivos, ya que se requieren potentes servidores y, sobre todo, ingenieros de datos que implementen dichos algoritmos, y también se hagan cargo de su mantenimiento y mejora. Estos corresponden a los nuevos perfiles profesionales conocidos como Data Engineer y Machine Learning Engineer, para los cuales ya existen titulaciones específicas en las Universidades.
Finalmente, y como ejemplo práctico de implantación en la Industria, podemos mencionar el relativo al Mantenimiento Predictivo. Los dos niveles previos, Mantenimiento Reactivo y Mantenimiento Preventivo ya están plenamente integrados en la práctica industrial.
El tercer nivel de mantenimiento, que llamamos predictivo, nos permite optimizar los niveles de producción y reducir costes de operación mediante la anticipación de los fallos habituales que se producen en motores, máquinas de mecanizado, robots, etc.
Aplicando el Machine Learning al Mantenimiento Predictivo, estaremos entrenando algoritmos con datos reales adquiridos por los sensores. Los algoritmos aprenderán el funcionamiento de la propia factoría como sistema, algo prácticamente imposible de reproducir en la práctica mediante simulaciones y modelos numéricos, dada la gran cantidad de variables involucradas. Así, nuestros sistemas operarán la planta conociendo el detalle de cómo funciona como un todo. Dicho infraestructura informática es capaz de predecir fallos, pudiendo programarse la intervención del personal de mantenimiento con antelación.
Éste es el reto, y realizando un adecuado análisis técnico y económico puede llevarse la empresa al punto de decisión de acometer la integración del Aprendizaje Automático en sus procesos productivos. Como resultado tendremos la reducción de costes operativos, el aumento de la productividad, y el consiguiente incremento de los beneficios empresariales.