Los datos se generan continuamente en las máquinas y las plantas de producción. Las empresas que consiguen traducir estos datos en innovaciones obtienen ventajas competitivas decisivas. Con un software fácil de usar, Weidmüller ofrece métodos de inteligencia artificial a disposición de los constructores de máquinas y las empresas manufactureras.
Para el análisis de máquinas y datos del proceso con Industrial Analytics, se utilizan modelos complejos que son capaces de detectar anomalías o incluso predecir la conducta futura de la máquina. Los métodos de inteligencia artificial (IA) y machine learning (ML) se utilizan para descubrir relaciones previamente desconocidas entre valores de medición utilizando características derivadas de datos primarios.
know-how necesario
La información necesaria está disponible en casi todas las empresas. A la hora de desarrollar modelos de análisis significativos, en particular las medianas empresas siguen dependiendo a menudo del soporte externo de data scientists. Weidmüller ha desarrollado una solución innovadora que les permite actuar sin necesidad de recursos de data scientists. En estrecha colaboración con el usuario final, los especialistas en datos identifican las correlaciones relevantes en los valores medidos y entrenan el modelo inicial. Después de una aplicación exitosa, el modelo inicial se alimenta repetidamente con datos nuevos y se desarrolla más a lo largo de todo el ciclo de vida de la máquina. Esto aumenta la calidad de la información con el tiempo.
Aprendiendo Machine Learning
Muchos fabricantes de máquinas y empresas manufactureras aún no han podido utilizar las herramientas de Machine Learning disponibles de forma independiente, ya que su operación se ha optimizado para las actividades basadas en datos de los especialistas en análisis. Las empresas pueden formar a sus empleados actuales por una gran cantidad de dinero o contratar ellas mismas a un especialista en datos. El resultado es un umbral de inhibición que frena actualmente la difusión de la inteligencia artificial en la industria.
Una alternativa es desarrollar soluciones de software fáciles de usar que incluso los usuarios sin formación estadística puedan comprender y generar modelos de análisis. La unidad de negocio de analítica industrial de Weidmüller ha puesto en práctica esta idea con su software de aprendizaje automático automatizado. El propio nombre de la aplicación implica que los modelos se desarrollan en gran medida de forma automática.
“Aplicaciones similares se están utilizando actualmente en las áreas de fintech, banca y marketing. Sin embargo, las soluciones existentes no son aptas para la construcción de máquinas e instalaciones, ya que no admiten los tipos de datos pertinentes de la industria de la automatización. Siempre requieren una base de datos ideal”, explica el Dr. Carlos Paiz Gatica, gerente de producto de BU Industrial Analytics. "Además, no ofrecen la posibilidad de integrar los conocimientos del dominio del usuario, algo esencial para las aplicaciones industriales."
Para el software automatizado de machine learning, los expertos en análisis de Weidmüller combinan los datos y la información del experto en el dominio con algoritmos para generar automáticamente modelos adecuados. En los siguientes pasos se describe el proceso de generación de modelos utilizando la detección de anomalías como ejemplo:
1. Selección de los datos de aprendizaje
El experto del dominio decide qué conjuntos de datos deben utilizarse para aprender el comportamiento normal de una máquina o planta. Para ello, primero se genera una visión general de los datos brutos, que ayuda al usuario a evaluar el contenido informativo de los datos. La preparación de los valores de medición se realiza de forma totalmente automática.
2. Ingeniería de características
Si los datos brutos no son suficientes, puede generarse información adicional sobre la base de dichos datos. El usuario puede utilizar su conocimiento del dominio para crear nuevas características. Estas pueden, por ejemplo, describir el curso del cambio de temperatura en lugar de mostrar solamente estados individuales. Utilizando estas características, a menudo se puede evaluar mejor el estado de la máquina que con los datos brutos.
3. Etiquetado del comportamiento de la máquina
Con una etiqueta el usuario marca áreas en los datos en las que se presenta una conducta normal (verde) o no deseada (roja). Esto permite al usuario aumentar el contenido informativo de los datos de aprendizaje con sus conocimientos del dominio. Los sistemas de asistencia dan soporte al proceso de etiquetado destacando directamente situaciones similares en el conjunto de datos.
4. Entrenamiento de modelos
Los conjuntos de datos marcados se convierten en modelos y se entrenan con varios métodos ML. Este proceso totalmente automatizado da como resultado una lista de modelos alternativos, a los que se proporciona información sobre la calidad del resultado, el tiempo de ejecución y la duración del entrenamiento. El llamado gráfico de puntuación de anomalías representa directamente los resultados de los modelos para que el experto pueda comparar directamente el rendimiento de los modelos. Si aún no se ha alcanzado el rendimiento deseado del modelo, el usuario puede volver a editar las características y las etiquetas del modelo. A continuación, el modelo puede transferirse directamente a la arquitectura del sistema objetivo.
Ampliación de las aplicaciones de IA
“Con el software de machine learning, los fabricantes de máquinas y las empresas manufactureras tienen la oportunidad de explotar de forma independiente los beneficios de la inteligencia artificial y del machine learning, sin tener que convertirse en expertos en datos”, dice Paiz. "La aplicación universal ayuda a los usuarios tanto en la generación inicial del modelo como en su desarrollo posterior. De este modo, las empresas ya no dependen de los recursos de los científicos de datos y no tienen que compartir sus conocimientos sobre procesos y máquinas con socios externos.»