Transformar los datos para lograr la excelencia operacional mediante el aprendizaje automático y la analítica predictiva

Cuando un enfriador de emergencia se activaba incorrectamente debido a cambios en el coeficiente de rendimiento (COP) del enfriador primario, una empresa farmacéutica acudió a Transition Technologies PSC para encontrar una solución. Como integrador de sistemas de confianza de Rockwell Automation, TT PSC trabajó con tres años de datos históricos de enfriadores y condiciones ambientales disponibles a través del software FactoryTalk® Historian.

El objetivo: predecir el COP futuro del enfriador principal para alertar a los operadores cuando se requiriera el arranque del enfriador de emergencia. El equipo trabajó para desarrollar un modelo de aprendizaje automático (ML) de series temporales que predice con gran precisión el valor de COP en un plazo de seis horas en función de las 48 horas anteriores; integró el modelo con datos directos en la plataforma de IoT; y desplegó cálculos continuos para activar alertas y notificar al gerente de operaciones cuando el valor de COP pronosticado supera el umbral establecido.

El resultado: una precisión del modelo superior al 98% y errores de predicción (RMSE) inferiores al 5%. Predicción del valor de COP con seis horas de antelación.

¿Qué puede hacer la IA/ML por usted?

Al utilizar la inteligencia artificial (IA) o la capacidad de una computadora o un robot controlado por computadora para realizar tareas comúnmente asociadas con las personas, el aprendizaje automático o la capacidad de una máquina para imitar el comportamiento humano inteligente, los fabricantes pueden aumentar el rendimiento con:

Hasta un 10% menos de tiempo improductivo – Anticipe fallos de los equipos mediante mantenimiento predictivo en lugar de reactivo y reciba advertencias cuando los equipos operen fuera de los rangos normales.

Hasta un 12% mejor calidad – Detección más temprana de fallos en el proceso o en los materiales

Hasta un 30% más de productividad – Menos reprocesos y desechos, planificación de mantenimiento eficiente y mayor conocimiento de los problemas del proceso

Según Randy Thompson, arquitecto senior de negocios y soluciones para TT PSC, los algoritmos de aprendizaje automático construyen un modelo matemático basado en los datos disponibles para hacer una predicción o tomar decisiones sin estar explícitamente programados para ello. Durante el proceso de construcción del modelo, se utilizan datos históricos como entrada para entrenar el modelo – normalmente 70% para entrenamiento y 30% reservado para evaluación y confirmación del modelo.

¿Qué hace que un caso de uso de ML sea bueno?

Un buen caso de uso de aprendizaje automático consiste en una meta de predicción medible, muchas variables y datos históricos disponibles. Las empresas suelen tener muchos datos, pero a menudo no los datos que necesitan para predecir la meta que desean alcanzar. Esto puede requerir entradas de sensores adicionales o modificar las metas de predicción. En este ámbito, contar con un socio experimentado puede ayudar.

Un buen ejemplo de caso de uso de aprendizaje automático es un proceso de secado de madera con el objetivo de lograr que la madera alcance un determinado contenido de humedad. Con aprendizaje automático puede ingresar todas las variables medibles del proceso para predecir a qué velocidad operar el secador para lograr el nivel de secado correcto. Lo interesante del aprendizaje automático, dice Thompson, es que después de añadir los datos necesarios, el modelo hará el trabajo por usted. Otras preguntas a determinar incluyen:

• ¿Es este un problema que vale la pena abordar? ¿Cuál es el beneficio comercial esperado?
• ¿Con qué frecuencia ocurre el problema? El mejor escenario es que ocurra con suficiente regularidad como para proporcionarle datos suficientes para crear un modelo y ver resultados.
• ¿Cuál es el costo en tiempo improductivo?
• ¿Qué hará de manera diferente si cuenta con esta predicción?

Por último, ¿cuenta con los datos necesarios para construir el modelo? Todo comienza con una hipótesis. Elija lo que considera importante en lugar de ingresar todos los datos. Luego, pregúntese qué datos están disponibles y si hay suficientes datos para hacer una predicción precisa.

Uso del Analytics Accelerator para FactoryTalk® Historian

Analytics Accelerator para FactoryTalk® Historian es una combinación de herramientas que Rockwell Automation ha desarrollado para ayudar a los fabricantes a realizar sus propios modelos.

Es una solución de portafolio integrada creada con ThingWorx® para facilitar la aplicación de aprendizaje automático a los datos almacenados en los archivos de datos de FactoryTalk® Historian. La solución consta de varios servicios y mashups de ThingWorx® que conforman la interfaz de usuario.