Smart Production: Los datos como los peldaños para la industria del futuro

Por Juan Camilo Gitterle

---

Smart Production tuvo una galería de invitados de gran experiencia e ingenio, entre ellos el Dr. Javier Díaz, CTO en Aingura Ilot, resaltó por su exposición sobre las aplicaciones de aprendizaje automático que se le pueden integrar a las máquinas herramienta. Mostró los pasos que utiliza su empresa para aprovechar los datos preexistentes en una planta, la utilidad de programas para ese uso y los distintos casos donde la automatización fue de gran ayuda; a su vez, resolvió varios mitos que se pueden dar en el mercado y que podrían terminar dando falsas expectativas al momento de adquirir uno de estos productos. Aquí le contamos todo de esta presentación.

El Dr. Javier Díaz es ingeniero mecánico de la Universidad de los Andes (Bogotá), tiene maestría en ciencias de tecnologías avanzadas de comunicación y sistemas productivos por la Universidad de Manchester (Reino Unido) y un doctorado en inteligencia artificial por la Universidad Politécnica de Madrid (España). Actualmente dirige las secciones de ingeniería, software, hardware y  analítica de datos en su empresa y cuenta con más de 20 años de experiencia, tanto en el campo de la producción como en cargos directivos. El Dr. Díaz presentó de manera clara las razones por las que una compañía con un buen monitoreo de datos de producción estará preparada para caminar hacia el futuro.

Aingura IloT

El Dr. Díaz explicó el proceso de extracción y manejo de datos a través de su compañía, Aingura IloT. Esta compañía se encuentra ubicada en el País Vasco de España y se enfoca en valorizar los datos preexistentes de las líneas de producción con el fin de analizar información para mejorar la toma de decisiones. Esto va de la mano con su experiencia industrial, invenciones de Machine Learning y conocimientos de Edge Computing que combinan para producir aplicaciones que puedan extraer, transportar, almacenar y transformar los datos de las máquinas herramienta en conocimiento útil.

En mayor detalle, el proceso es así: Aingura IloT trabaja directamente con los datos crudos de las máquinas, tomando en cuenta el contexto y el entorno de la máquina para conocer los distintos “ruidos” que podrían haber en la línea de producción. Luego extraen y filtran los datos para obtener la información necesaria; esos datos los transportan vía internet, pero con protocolos de seguridad que muevan la información importante por plataformas internas y no quede vulnerable a filtraciones; después, son almacenados en una estructura resumen que ofrece Aingura IloT para librar de espacio físico a la planta que no necesariamente tiene un banco de información digital; entonces, los datos son analizados y transformados en predicciones que prevengan fallos en la línea de producción o futuras catástrofes por un daño, y finalmente los datos son entregados al cliente de una manera clara y personalizada.

Si bien suena a un proceso largo, complicado y que tomaría un enorme equipo de ingenieros y analistas, todo este proceso se lleva a cabo en el Edge, un dispositivo que concentra toda la tecnología capaz de procesar la línea de trabajo ya descrita y de una manera compacta y segura. 

Este es solo un ejemplo de las aplicaciones que el Dr. Díaz mostró en SMART PRODUCTION y que presentó en varios casos de utilidad, donde estas aplicaciones influenciaron directamente la línea de producción de manera positiva. Aquí algunos ejemplos. 

En mantenimiento

El Dr. Díaz mostró un caso de un rodamiento, donde una de las máquinas tenía una aplicación instalada y tomando datos en vivo y en directo. La I.A. logró captar un daño en el rodamiento y pudo anticipar con 64 horas de antelación que ese daño desembocaría en un fallo perjudicial para la máquina. En ese momento solo se reconoció un funcionamiento con amplitudes superiores que luego regresaron a una normalidad, aunque dando resultados en las lecturas mucho más erráticos, no obstante el daño seguía presente. Gracias a la información adquirida y analizada por la aplicación, se pudo dar un aviso con tiempo suficiente para que el técnico parara la producción cuando fuera pertinente e hiciera los arreglos necesarios.

Este pronóstico se dio gracias a que el algoritmo fue entrenado para adaptarse a las condiciones reales de la máquina que cambian constantemente por el día a día. Un posible ajuste de tornillo cuenta como una variable que podría determinar una producción distinta en cuanto a datos matemáticos, también la rutina del trabajador que apaga la máquina un día a las 6pm y el siguiente a las 6:30pm, sin razón alguna. Estas variables las debe reconocer el algoritmo de la I.A. para aprender las condiciones que afectan a la máquina y que puedan afectar la vida útil del rodamiento.

Según Dr. Díaz, es contraproducente crear un algoritmo entrenado a reconocer factores generales que dañen a la máquina, pues esos mismos factores pueden variar por la misma naturaleza cambiante de las condiciones de una planta. Por lo mismo, crear un algoritmo inteligente y específico que sepa a adaptarse y prevenir daños es uno de los mejores recursos que Aingura IloT puede administrar para el mantenimiento del equipo.

En monitorización de proceso

Un proceso de producción podría perder su eficacia y su productividad por un fallo sin detectar en la fábrica, por eso una aplicación que monitoree la productividad de la maquinaria mejora enormemente la producción.

El caso que mostró el Dr. Díaz es sobre un cliente en Japón, una fábrica de vacunas cuya I.A. fue diseñada con un algoritmo que pudiera monitorear y reconocer fallas por temas inesperados en la producción, específicamente en el proceso de liofilización y esterilización. Esta I.A. predijo tempranamente las anomalías en las variables que intervienen en el proceso y encontró un mal procesamiento en la válvula de vació.

Aunque el problema no fue un daño catastrófico que pudo perjudicar la planta, el algoritmo encontró una afectación directa en la producción, causando una disminución en el proceso que, una vez manejado,  se evitó hasta un 15% de pérdida en la productividad de la línea de producción. Esta inteligencia reconoció las variables en los datos crudos de la máquina y pudo diagnosticar la necesidad de un reinicio en la maquinaria para no perder productividad y que la producción no se viera afectada al largo plazo. 

En monitorización de sistema

El último caso presentado fue el monitoreo de una producción más grande, en este caso una banda transportadora de equipaje en un aeropuerto, y los resultados que estas aplicaciones pueden dar en un sistema interconectado de máquinas.

Si bien el Dr. Díaz recomendó una automatización más directa en cada maquinaria para tener un control más especializado en las máquinas herramienta, en este caso explicó que manejar y controlar cada motor en la banda transportadora sería más problemático que tener un solo monitor para varias líneas a la vez. Así, la I.A. hace el mismo proceso de análisis de fallo y de detección de eventos para diagnosticar posibles procesos; en este caso fue el de degradar los eventos que se podrían detectar en las bandas, para alimentar el algoritmo y determinara las distintas capacidades de cada motor, su procedencia, su funcionamiento y así determinar cuál motor sería el problemático en caso de un fallo, que por el momento no ha ocurrido.

Con esta automatización es posible recopilar más datos que pueden llevar a una mejor interpretación de la situación y así evitar posibles fallas en entornos donde un error puede desencadenar una ola de problemas, como un aeropuerto.

Los mitos de la I.A.

Antes de despedirse, el Dr. Díaz respondió preguntas que terminaron en recomendaciones al momento de adquirir este tipo de aplicaciones. Primeramente, la mentira de los dispositivos “plug and play” para el funcionamiento de las plantas, porque cada I.A. bien diseñada necesita parámetros y calibración. Estas tecnologías se basan en datos y cada máquina es distinta debido a sus condiciones de planta, es por eso que se necesita un algoritmo especializado y por lo mismo hay que tener cautela con esas aproximaciones de “plug and play”.

Lo mismo sucede con las I.A. que dicen “hacerlo todo”. Aunque la automatización esté cada vez más cerca de que una máquina se controle a sí misma, es un futuro todavía lejano. Una I.A. creada matemáticamente bajo un espacio controlado puede hacer muchas cosas, pero aún no es perfecta ni capaz de automatizar completamente una máquina para que trabaje sola por su cuenta. Admitió, es verdad, que se puede automatizar perfectamente en tareas simples y subprocesos de la máquina, pero todavía ese futuro donde las máquinas en un ambiente 4.0 se manejen a sí mismas está todavía muy lejano por el momento.