OPINIÓN
INTELIGENCIA ARTIFICIAL PARA LA INDUSTRIA DE PROCESOS Dr. Mario Ramos Académico Universidad del Bío-Bío
N
o disponer de información objetiva en tiempo real del comportamiento de la planta genera interpretaciones disímiles (por ejemplo, entre mantenimiento y producción), por ejemplo, sobre causas de fallas y KPIs. La falta de datos y su análisis no permite pronosticar y prescribir las operaciones y generar planes de mantenimiento robustos.
diagnosticarse. A diferencia del análisis sintomático y predictivo que responden a ¿qué pasó? y ¿qué pasará en el futuro?, el prescriptivo se pregunta ¿qué se debe hacer?, o, ¿en qué condiciones se debe operar para asegurar el máximo KPI?. ML permite aprender de
En la industria del siglo 21, la ingeniería de datos resulta clave. Los algoritmos de Inteligencia Artificial (IA) están haciendo posible la predicción de fenómenos difíciles de modelar con técnicas convencionales. La disponibilidad de sensores y máquinas de aprendizaje automático (Machine Learning, ML) permiten el análisis inteligente de datos. La problemática radica en encontrar los mejores algoritmos capaces de integrar las variables del proceso, aprender de los expertos y seguir “aprendiendo” de los muchos datos capturados. El uso de Manufacturing Execution Sysems (MES) lo están facilitando. Al concepto tradicional de análisis a posteriori, se agrega ahora una capa de análisis prescriptivo y de cyber-máquinas capaces de auto
LA IA ESTÁ EN EL “CORE” DE LA INDUSTRIA 4.0 Y ES UNA GRAN OPORTUNIDAD
12 CELULOSA Y PAPEL 2023 - 3
experiencias positivas como negativas (de las conclusiones erradas). Se trata, a partir de ejemplos, modelar el comportamiento genérico de los procesos físicos y químicos y concluir automáticamente para otras situaciones. El algorit-
mo es altamente sensible al tipo de problema. ML permite sintonizar las variables de proceso a los KPI deseados. Es en ese escenario que el gemelo digital (Digital Twin) de la planta es posible y el sistema productivo capaz de auto diagnosticarse. El avance en Aprendizaje Profundo (Deep Learning), modelos con entrenamiento previo sin supervisión, permite aprender en ambientes industriales complejos. Hasta la llegada del DL, problemas casi intratables para ML, son ahora abordables. La IA está en el “core” de la industria 4.0 y es una gran oportunidad para ingenieros de proceso y la academia. Nuestra experiencia con la industria indica que el proceso de construcción de sistemas inteligentes debe considerar al menos: captura de datos, almacenamiento de datos, preprocesamiento, construcción de data set, definición de métricas, selección y validación de algoritmos. Siguiendo esta metodología, se podría disponer de sistemas robustos que tengan como propósito final el predecir y prescribir. c p
