Transformación de procesos industriales con detección de anomalías basada en IA

La maquinaria y los procesos industriales deben ser predecibles y precisos. Los patrones no esperados en datos de sensores, conocidos como anomalías, pueden indicar problemas como componentes defectuosos o sensores degradados. La detección de anomalías basada en IA ayuda a los ingenieros a identificar estos posibles problemas en fases iniciales, lo que permite optimizar los programas de mantenimiento y mejorar la eficiencia de los procesos. Dado que un 86% de los ejecutivos de la industria de fabricación reconocen que las fábricas inteligentes impulsarán la competitividad en los próximos cinco años, la IA desempeñará un papel importante en la fabricación.

A medida que la complejidad de la maquinaria aumenta en las fábricas modernas, los métodos tradicionales de detección de anomalías resultan insuficientes. Los ingenieros y técnicos solían confiar en la inspección manual de datos o en alertas automáticas cuando los valores de los sensores cruzaban umbrales definidos. Los ingenieros no pueden analizar miles de sensores simultáneamente, de modo que es inevitable que no se detecten algunas anomalías en forma de patrones complejos y ocultos en muchos sensores.

Debido a estos desafíos, los ingenieros actuales de la industria de manufactura utilizan IA para mejorar la escalabilidad y precisión de la detección de anomalías. Los algoritmos de IA se pueden entrenar con cantidades masivas de datos de miles de sensores para identificar anomalías complejas que el ser humano no puede observar a simple vista. Combinando la escalabilidad de la IA con el conocimiento del dominio contextual de los ingenieros, las organizaciones pueden crear una solución integral de detección de anomalías.

Diseño de una solución de detección de anomalías basada en IA

Diseñar una solución de detección de anomalías basada en IA es un proceso extenso, desde la planificación y recopilación de datos hasta el despliegue e integración. Los ingenieros deben tener un profundo conocimiento tanto de desarrollo de algoritmos como del entorno operativo para desarrollar una solución que pueda identificar posibles problemas de manera efectiva. 

Planificación y recopilación de datos

El proceso de diseño de un sistema de detección de anomalías basado en IA comienza con la definición del problema. Esto implica evaluar los datos de sensores disponibles, los componentes o procesos, y los tipos de anomalías que pueden producirse. Es importante que las organizaciones sin experiencia en IA comiencen con un proyecto de prueba de concepto con un ámbito definido, cuyo éxito proporcionará un valor claro a la organización antes de pasar a iniciativas más ambiciosas.

Es fundamental para los sistemas de IA que los datos sean de alta calidad. En primer lugar, los ingenieros deben definir qué constituye una anomalía y las condiciones que determinan que los datos se consideren anómalos. La recopilación de datos implica el uso de sensores para supervisar continuamente los equipos y procesos, además de comprobaciones manuales para garantizar la precisión de los datos. 

Exploración y preprocesamiento de datos

La mayoría de los datos para detección de anomalías industriales provienen de sensores que recopilan datos de series temporales, como temperatura, presión, vibración, tensión y otras mediciones recopiladas a lo largo del tiempo. También pueden incluir cantidades relacionadas, como datos ambientales, registros de mantenimiento y parámetros de funcionamiento. El primer paso para diseñar un algoritmo de detección de anomalías consiste en organizar y preprocesar los datos de modo que sean adecuados para el análisis. Esto incluye volver a dar formato y reestructurar los datos, extraer elementos relevantes para el problema, gestionar valores ausentes y eliminar valores atípicos. 

El siguiente paso es seleccionar una técnica de detección de anomalías, y requiere evaluar las características de los datos, el carácter de las anomalías y los recursos de cálculo disponibles. 

Selección y entrenamiento de modelos

Experimentar con diferentes enfoques de entrenamiento de un modelo de IA es fundamental para encontrar el que mejor se adapta a un conjunto de datos específico. En un nivel general, las técnicas de IA se pueden dividir en enfoques de aprendizaje supervisado y no supervisado, según el tipo de datos disponibles. 

Aprendizaje supervisado 

El aprendizaje supervisado se utiliza para detectar anomalías cuando se pueden etiquetar claramente fragmentos de datos históricos como normales o anómalos. El etiquetado suelen realizarlo manualmente ingenieros, que pueden adaptarlo a registros de mantenimiento u observaciones históricas. Entrenándolo con este conjunto de datos etiquetados, el modelo de aprendizaje supervisado aprende las relaciones entre los patrones de datos y sus etiquetas correspondientes. Herramientas como Classification Learner de MATLAB® ayudan a los ingenieros a experimentar con múltiples métodos de Machine Learning a la vez para comprobar qué modelo funciona mejor, como hizo Mondi Gronau para predecir posibles fallos en maquinaria de fabricación de plásticos. El modelo entrenado puede predecir si un nuevo fragmento de datos de sensores es normal o anómalo. 

Aprendizaje no supervisado

Muchas organizaciones no disponen de los datos anómalos etiquetados necesarios para un enfoque de aprendizaje supervisado. Esto puede deberse a que no se han archivado datos anómalos o a que no se producen anomalías con la frecuencia suficiente para generar un conjunto de datos de entrenamiento de gran tamaño. Cuando la mayoría o la totalidad de los datos de entrenamiento son normales, se necesita aprendizaje no supervisado.

En un enfoque de aprendizaje no supervisado, se entrena el modelo para que comprenda las características de datos normales, y cualquier dato nuevo que esté fuera del rango normal se marca como una anomalía. Los modelos no supervisados pueden analizar datos de sensores para identificar patrones inusuales que pueden indicar un problema, incluso si ese tipo de fallo no se ha producido o etiquetado previamente. 

Ingeniería de características 

Aunque algunos modelos de IA se entrenan con datos de sensores no procesados, suele ser más efectivo extraer características útiles de los datos antes de realizar el entrenamiento, a través de un proceso denominado ingeniería de características. La ingeniería de características es el proceso de extraer cantidades útiles de datos no procesados, lo que ayuda a los modelos de IA a aprender de manera más eficiente a partir de los patrones subyacentes. Es posible que los ingenieros experimentados ya conozcan los tipos de características que es importante extraer de los datos de sensores. Predictive Maintenance Toolbox™ ofrece herramientas interactivas para extraer y clasificar las características más relevantes de un conjunto de datos para mejorar el rendimiento de modelos de IA supervisados o no supervisados.

Algunos tipos de datos, como imágenes o texto, se benefician de enfoques de Deep Learning que pueden extraer patrones automáticamente sin necesidad de una extracción de características explícita. IMCORP combinó series temporales y detección de anomalías basada en imágenes para identificar fallos en cables de alimentación subterráneos con Deep Learning. Estos enfoques de Deep Learning son eficaces, pero también requieren conjuntos de datos de entrenamiento de mayor tamaño y recursos de cálculo superiores. 

Validación y pruebas

Validar y probar los modelos de IA garantiza su fiabilidad y solidez. Por lo general, los ingenieros dividen los datos en tres partes: conjuntos de entrenamiento, validación y pruebas. Los datos de entrenamiento y validación se utilizan para ajustar los parámetros del modelo durante la fase de entrenamiento, mientras que los datos de prueba se emplean después de entrenar el modelo para determinar su rendimiento con datos no vistos anteriormente. Los ingenieros también pueden evaluar el modelo utilizando métricas de rendimiento, como precisión y exhaustividad, y ajustarlo para satisfacer las necesidades del problema específico de detección de anomalías. 

Despliegue e integración

Un modelo de IA entrenado y probado se vuelve útil cuando se despliega en funcionamiento y comienza a realizar predicciones a partir de datos nuevos. Para seleccionar un entorno de despliegue adecuado, los ingenieros tienen en cuenta factores como capacidad de cálculo, latencia y escalabilidad. Esto abarca desde dispositivos edge cercanos al proceso de fabricación hasta servidores locales y plataformas en la nube con capacidad de cálculo casi ilimitada pero latencias más altas. Herramientas de despliegue como MATLAB Compiler™ y MATLAB Coder™ permiten a los ingenieros generar aplicaciones y código independientes que se pueden integrar en otros sistemas de software. Aerzen Digital Systems desplegó una solución de detección de anomalías basada en la nube e integrada para detectar problemas en complejos industriales críticos como plantas de tratamiento de aguas residuales.

La integración requiere desarrollar API para acceder a las predicciones del modelo, y establecer cadenas de tareas de datos para garantizar que el modelo reciba entradas que tengan un formato y preprocesamiento correctos. Esto garantiza que el modelo funcione con otros componentes de la aplicación o sistema y ofrezca todo su potencial. 

Conclusión

La detección de anomalías basada en IA es un avance significativo en la búsqueda de eficiencia y rentabilidad en la fabricación. La IA, junto con la experiencia de los ingenieros y los últimos avances tecnológicos, permite a los fabricantes reducir significativamente la incidencia de errores, optimizar los programas de mantenimiento y mejorar la productividad general. Integrar IA en los procesos de fabricación puede ser complejo, pero las recompensas potenciales en términos de eficiencia, ahorro de costes y ventaja competitiva son inmensas. A medida que la industria de fabricación evolucione, el papel de la IA en el impulso de la innovación y la excelencia operativa seguirá creciendo.

Para más información: https://es.mathworks.com/discovery/anomaly-detection.html