Inicio Artículos Aprendizaje automático integrado para aplicaciones industriales

Aprendizaje automático integrado para aplicaciones industriales

aplicaciones industriales

Mark Patrick, Mouser Electronics

En los último años, se han efectuado incontables predicciones sobre el gran impacto que la inteligencia artificial (IA) y el aprendizaje automático (AA) tendrán en nuestras vidas. Todo esto tiene un precio: se prevé que para dos mil veinticuatro este mercado medrará hasta una cantidad exorbitante de quinientos cincuenta y cuatro cero millones de dólares estadounidenses.

El ámbito industrial y de fabricación no son una excepción: la IA y el AA son elementos esenciales en la transformación digital de estos ambientes. Es verdad que la presencia de ordenadores en las factorías no es algo nuevo: hay controladores de lógica programable (PLC) por todos lados, con protocolos muy afianzados, como SCADA. No obstante, merced al internet de las cosas (IoT, por sus iniciales en inglés), en la línea de fabricación hay sensores que producen una cantidad de datos cada vez mayor. La IA y el AA usan esta información para fomentar mejoras y acrecentar la eficacia al abrir el camino cara la industria cuarenta.

De todas y cada una formas, dejemos a un lado toda la palabrería y centrémonos en lo práctico. ¿De qué forma pueden los ingenieros emplear la IA y el AA para conseguir beneficios reales y cuantificables? ¿Está la tecnología suficientemente desarrollada para justificar su implantación en las factorías o bien es demasiado pronto?

Para comenzar, dejemos clara una cosa: el AA no es exactamente lo mismo que la IA. Las definiciones cambian, mas todo el planeta está conforme en que la IA es, de forma genérica, una serie de estrategias a fin de que los ordenadores piensen. Por otra parte, el AA puede definirse de forma más concreta como los sacrificios dirigidos a que los ordenadores puedan aprender y prosperar de manera automática desde su trabajo con los datos, en vez de que sea un humano quien diseñe todos y cada uno de los aspectos de un programa o bien una solución. En el AA, diseñamos algoritmos y, después, nuestro sistema aprende haciendo predicciones y verificando su grado de precisión.

En la industria, el AA se usa en campos muy distintos: desde el mantenimiento precautorio para optimar la eficacia de los procesos, hasta labores simples mas esenciales, como administrar el instante de encargar repuestos o bien consumibles. Por poner un ejemplo, una máquina herramienta puede tener diferentes sensores de temperatura y vibración. Un sistema de AA puede aprender exactamente en qué instante esos datos señalan que una pieza está gastadas o bien se ha desajustado, y pronosticar que probablemente dentro de poco se genere una avería. Esto se puede conseguir agregando sensores a los equipos existentes o bien utilizando máquinas herramienta nuevas que integren los sensores convenientes.

¿Dónde se utiliza en nuestros días el AA?

Veamos dónde se utiliza en nuestros días el AA para la automatización industrial y abordemos ciertas de estas aplicaciones en más profundidad.

Ciertas aplicaciones más habituales son:

La visión artificial: Una aplicación es el control y la inspección de calidad. El AA puede aprender a reconocer inconvenientes. Por poner un ejemplo, algo tan fácil como que en una cinta transportadora falte un objeto.

En la toma de decisiones: Los datos se pueden emplear para adoptar la mejor medida posible automáticamente y en tiempo real, lo que mejora la eficacia y disminuye la posibilidad de un fallo humano.

El mantenimiento predictivo: Los datos de los sensores se usan para advertir inconvenientes potenciales y disminuir al mínimo el tiempo de parada y sus pertinentes costos.

Para acrecentar la seguridad: Estos sistemas pueden identificar acontecimientos potencialmente peligrosos y obrar en consecuencia, con adoptar medidas como apagar una máquina para eludir choques entre robots, automóviles o bien personas.

En la práctica, no se puede usar el AA en todos y cada uno de los sistemas. En ciertos casos, la cantidad de datos que se puede conseguir y procesar está limitada. Además de esto, posiblemente el costo de agregar sensores, capacidad de procesamiento, potencia o bien interconexión sea demasiado elevado. La latencia es otro inconveniente, especialmente cuando se generan retrasos por el hecho de que los datos se transmiten cara y desde ordenadores recónditos o bien la nube.

campos de aplicacion de la ingenieria industrial
Imagen 1: El entrenamiento inicial se ejecuta en un ordenador y los procesadores integrados gestionan las interferencias sobre el terreno. (Fuente: Microchip)

El inconveniente de la integración del AA en la automatización

Beckhoff, un distribuidor de automatización, ha identificado 5 requisitos esenciales para poder integrar el AA en la automatización, y son un buen punto de partida:

Interfaces abiertas para asegurar la interoperabilidad.

Soluciones de AA suficientemente fáciles para que se puedan integrar en el software existente sin precisar conocimientos técnicos.

Soluciones de AA con un nivel de precisión y una confiabilidad suficientes para otorgar resultados útiles.

Métodos de adiestramiento sólidos que puedan marchar con datos imprecisos o bien con estruendo.

Trasparencia a fin de que los sistemas de AA sean simples de comprender.

Los proyectos de IA y AA son bastante difíciles de arrancar, sobre todo para empresas que no cuentan con experiencia en este campo. Conforme Gartner, «los proyectos de IA acostumbran a fallar por inconvenientes de mantenimiento, escalabilidad y gobernanza». La realidad es que existe gran diferencia entre una prueba de término y la implementación de un sistema en condiciones reales de producción. Es muy simple que un proyecto se descontrole, que las esperanzas sean poco realistas y que el desempeño escalable no cumpla con ellas. Además de esto, la carencia de visibilidad puede eludir que los directivos de una compañía conozcan los inconvenientes reales.

 

Otro factor vital que hay que tomar en consideración son los aspectos prácticos de la implementación de un sistema de AA, como la cantidad precisa de desempeño computacional. Esto no siempre y en todo momento es evidente. En cualquier sistema de AA, hay una diferencia entre las necesidades del proceso de formación inicial y la mejora diaria del modelo tras la implantación. La fase de preproducción requiere conjuntos de datos exorbitantes y un nivel de computación muy elevado con ordenadores o bien servidores muy potentes. No obstante, tras la implantación del sistema en la factoría, las mejoras progresivas (que se consiguen por inferencia; o sea, ajustando el modelo en función de los nuevos datos) tienen requisitos mucho menores y los procesadores integrados los pueden administrar.

Es mejor ejecutar los modelos de AA en el campo local (así sea con un sistema integrado o bien con un PC en la periferia) que mandar los datos a fin de que el procesamiento se genere en una nube recóndita o bien un servidor central. Acostumbra a ser más veloz, la latencia es mínima y precisa de requisitos menos exigentes de ancho de banda. Además de esto, contribuye a asegurar la privacidad y la seguridad de los datos.

Gartner emplea un esencial término (periferia capacitada) para describir la organización de los recursos computacionales y los sensores del IdC. En resumen, «periferia» quiere decir que la fuente de los datos está cerca del sitio en el que se procesan. En este contexto, «integrado» puede hacer referencia al nivel del terminal, con sensores y accionadores que podrían tener funciones de AA.

El AA: Qué, porqué, dónde y de qué manera

El AA no es una solución válida para todo el planeta, mas resulta obvio que va a tener ventajas en muchas aplicaciones. ¿Por qué razón debería utilizar el AA? Ofrece a las compañías la posibilidad de progresar su eficacia, escalabilidad y productividad sin acrecentar de manera notable los costos. En verdad, conforme IDC, «las empresas no adoptarán la IA solo por el hecho de que van a poder, sino más bien por el hecho de que deberán». Probablemente esta idea no sea una exageración en el competitivo planeta industrial.

Para comprender de qué forma arrancar el AA y saber qué componentes vamos a precisar, la primera cosa que hay que meditar es «dónde», o sea, ¿deberíamos ejecutarlo todo de forma local en un sistema integrado o bien sería mejor hacerlo de forma recóndita en la nube? Lo mejor acostumbra a ser hacerlo de forma local, mas hay que estimar los pros y los contras, como el costo, la latencia, el consumo de energía, la seguridad y el espacio físico para los recursos computacionales.

En el caso de los sistemas de AA integrados, ya existen muchos distribuidores que ofrecen procesadores convenientes para aplicaciones industriales. Veamos ciertos ejemplos:

El MAX78000 de Maxim es un sistema en un chip (SoC) desarrollado para aplicaciones de IA y AA. Contiene un núcleo Arm Cortex-M4 con aceleradores de hardware para ejecutar interferencias y ofrecer un alto desempeño computacional sin abandonar a un consumo bajo. Maxim dispone de un kit de evaluación y una plataforma de aplicaciones a fin de que los ingenieros se pongan al día velozmente y aprovechen al límite el MAX78000.

Otro ejemplo es el ecosistema MLde Microchip, que incluye los kits de evaluación EV18H79A SAMD21 y EV45Y33A SAMD21. Estos kits disponen de sensores de TDK y Bosch y usan el microcontrolador (MCU) de treinta y dos bits SAMD21G18 Arm Cortex-M0+ de Microchip.

Otra alternativa es el MCU i.MX RT1060 Crossover de NXP, que usa la plataforma Arm Cortex-M7 MPCore. Es absolutamente compatible con el software y las herramientas de NXP, y cuenta con un desempeño de la CPU genial y con una extensa gama de interfaces.

aplicacion de matrices en ingenieria industrial
Imagen 2: El kit de evaluación MAX7800 de Maxim contiene el SoC MAX78000, una pantalla táctil en color, un micrófono y un giroscopio/acelerómetro (fuente: Maxim Integrated).

Conclusiones

Es obvio que el AA puede suponer un impulso para aplicaciones industriales y tiene la capacidad de progresar la fabricación y otros procesos: aumenta la eficacia, la escalabilidad y la productividad, y sostiene los costos a un nivel bajo.

La implementación de un sistema de AA puede ser compleja y hay que valorar esmeradamente los pros y los contras. Una resolución particularmente esencial es dónde habrían de estar los recursos computacionales: en la periferia, integrados en un sistema, en la nube o bien en un servidor independiente.

Cada vez hay un número mayor de procesadores integrados y de gran desempeño que se pueden emplear para incorporar el AA en aplicaciones industriales. Además de esto, estos cuentan con el soporte de un ecosistema de herramientas de software y desarrollo de ciertos distribuidores más esenciales, como Maxim, Microchip y NXP. Esto quiere decir que la integración de un procesador conveniente en los terminales de un sistema de producción (o sea, cerca de las fuentes de datos) puede ser una estrategia práctica para conseguir el máximo beneficio del AA.

Artículo anteriorCADLOG Technology Day 2021 “Smart Manufacturing for Electronics”
Artículo siguienteLa conformidad de producto tras el Brexit: UKCA y todo lo que necesita saber