Salvar la brecha: conectar máquinas antiguas a nuevos sistemas mediante el aprendizaje automático y la conectividad periférica

Los sistemas heredados, los dispositivos obsoletos y las máquinas antiguas siguen siendo habituales en muchas plantas de producción, y se prevé que su uso continúe en un futuro próximo. Puede resultar complicado justificar la sustitución de una máquina antigua que funciona por una nueva con el único fin de mejorar la conectividad y la recopilación de datos. Sin embargo, todos reconocemos el valor y la importancia de conocer el estado de la máquina y de conectar estas máquinas antiguas a nuevos sistemas que proporcionen supervisión, alertas, trazabilidad y transparencia a las actividades de la planta de producción. Darse cuenta de esto nos abre los ojos.

Entonces, ¿cuál es el reto al que nos enfrentamos? Por un lado, queremos conectividad y la capacidad de seguir sacando partido a estas máquinas. Por otro lado, se trata de máquinas antiguas que, a menudo, no son compatibles con protocolos modernos como OPC UA y MQTT, y algunas ni siquiera pueden conectarse directamente, por mucho que lo intentemos. Además, otras máquinas más sencillas, como bombas o ventiladores, simplemente no tienen ningún dato que se pueda leer; y, sin embargo, nos gustaría saber cómo y cuándo funcionan, cuánta energía consumen e incluso predecir posibles averías.

La modernización de una máquina obsoleta ofrece numerosas ventajas, como la mejora de la calidad del producto, el aumento del rendimiento de la producción y la posibilidad de llevar a cabo un seguimiento y una recopilación de datos eficaces. Sin embargo, el proceso de introducir cambios en el taller mecánico, como la actualización a un modelo más nuevo, dista mucho de ser sencillo. Altera los flujos de trabajo existentes, requiere la formación de los empleados y conlleva costes considerables. Además, desde el punto de vista de la inversión, recuperar la inversión inicial en la máquina requiere una cantidad de tiempo considerable. Por ello, resulta imprescindible fomentar la creatividad y explorar enfoques alternativos para sacar partido a la maquinaria obsoleta, en lugar de recurrir a su sustitución inmediata.

Sorprendentemente, estos problemas pueden resolverse con nuevos enfoques y tecnologías, y una de esas soluciones consiste en aprovechar el potencial de los sensores para generar datos. Salvar la brecha entre la maquinaria obsoleta y las plataformas modernas no es tan complicado como podría parecer. Pensemos en una máquina antigua, anterior al Internet industrial de las cosas (IIoT), que no se puede conectar mediante métodos convencionales de monitorización y recopilación de datos. En estos casos, la respuesta reside en una solución sencilla y rentable: los sensores, concretamente los sensores de medición de corriente y vibraciones, que son versátiles y compatibles con una amplia gama de máquinas. Para aprovechar el potencial de estos datos generados por los sensores, emplearemos técnicas de aprendizaje automático (ML).

[Avance: También puedes utilizar cámaras y OCR para conectarte a la pantalla del ordenador; obtén más información en este blog.]

El aprendizaje automático lleva casi dos décadas aprovechando los datos de los sensores, siendo el mantenimiento predictivo su aplicación más conocida. Sin embargo, existen muchas otras aplicaciones. En el contexto de nuestro análisis, nuestro objetivo es predecir el estado de la máquina, ya sea «encendida», «apagada» o incluso en un estado más matizado. Por ejemplo, al supervisar una máquina de moldeo por inyección o una máquina CNC, deberíamos ser capaces de determinar su estado en cualquier momento dado. Ahora, profundicemos en los detalles.

Al incorporar sensores, conseguimos la capacidad de recopilar datos valiosos de nuestras máquinas antiguas. Los cambios en los niveles de corriente y vibración a lo largo de las diferentes etapas del proceso proporcionan información muy útil. Los sensores actúan como una ventana al momento presente, proporcionando datos en tiempo real. Por ejemplo, durante la fase de calentamiento de una máquina de moldeo por inyección, cabe esperar un elevado consumo energético (medido por el sensor de corriente). Del mismo modo, un sensor de vibraciones detectaría una actividad significativa durante la etapa de desbaste de una máquina CNC.

¡Excelente! Ya hemos establecido un método para extraer datos de nuestras máquinas más antiguas. El siguiente paso es canalizar estos datos hacia una plataforma en la que podamos obtener información útil a partir de ellos.

Aquí es donde los dispositivosTulip y la Tulip resultan de gran valor.

Los sensores tienden un puente entre los ámbitos físico y digital mediante la generación de datos. El paso siguiente consiste en conectar el flujo de datos del sensor a un sistema digital, lo cual puede lograrse utilizando dispositivos periféricos como el EdgeIOTulip. Este dispositivo facilita la integración perfecta de los sensores con la Tulip . Equipado con múltiples puertos adecuados para una amplia gama de sensores, el EdgeIO Tulip también incorpora Node-RED, una potente herramienta que merece la pena explorar. En esencia, Node-RED es una herramienta de desarrollo basada en flujos que se utiliza para conectar dispositivos de hardware, API y servicios en línea en el ámbito del Internet de las cosas (IoT). Su editor de flujos, accesible a través de un navegador web, permite a los usuarios crear funciones JavaScript que ayudan a procesar los datos.

Una vez que hayamos conectado los sensores a nuestra máquina, por un lado, y al EdgeIO, por otro, definimos el flujo de datos en Node-RED, lo que nos permite almacenar los datos en Tulip. El siguiente paso consiste en utilizar estos datos para extraer información, generar informes, crear paneles de control en tiempo real y configurar alertas.

Tras cablear la máquina y establecer el flujo de datos, el siguiente paso crucial es aprovecharlos en tiempo real. La mayoría de los sensores generan datos de series temporales, que representan una señal analógica muestreada de forma uniforme a lo largo del tiempo para crear datos digitales discretos. Estos datos fluyen en tiempo real desde el sensor hasta el EdgeIO y, de ahí, a nuestra base de datos en la nube. Es en este punto donde podemos emplear la lógica para extraer información valiosa. La lógica puede abarcar desde sencillos enfoques basados en umbrales hasta modelos de aprendizaje automático más sofisticados.

Ofrecer un tutorial detallado sobre cómo crear soluciones de aprendizaje automático para datos de series temporales excede el alcance de este blog. No obstante, nos gustaría presentar algunas ideas y conceptos sobre cómo se puede llevar a cabo.

Las soluciones de aprendizaje automático pueden considerarse como una caja que toma una muestra de datos como entrada y proporciona una predicción como salida. En nuestro caso, la entrada consistirá en unas pocas muestras de la serie temporal (entre 5 y 10 segundos de señal), y la salida será el estado de la máquina. Para simplificar, supongamos que hay dos estados: «apagado» y «encendido», aunque la solución puede generalizarse a múltiples estados. En un entorno de producción, el modelo o algoritmo de aprendizaje automático recibirá muestras de datos y predecirá el estado de la máquina. Antes de que esto sea posible, es necesario entrenar el modelo para que realice la tarea deseada.

El entrenamiento o la creación de un modelo es tarea de los científicos de datos, que utilizan datos históricos para entrenar el modelo. Hay dos enfoques principales para entrenar un modelo que nos gustaría presentar: el aprendizaje no supervisado y el aprendizaje supervisado.

El enfoque de aprendizaje no supervisado, concretamente la agrupación en clústeres, consiste en recopilar datos de los sensores y dividirlos en pequeños intervalos de tiempo (normalmente de unos segundos, dependiendo de la máquina). El objetivo es agrupar los puntos de datos, asegurándose de que las muestras «apagadas» y «encendidas» se agrupen en clústeres separados en función de sus características estadísticas. En la agrupación en clústeres no se requiere etiquetado, y las muestras se agrupan únicamente en función de sus características. Para asignar etiquetas a los clústeres, es posible que el usuario tenga que anotar un pequeño número de muestras, que el modelo utilizará para determinar las etiquetas de los clústeres. En producción, cuando se introduce una nueva muestra de datos, se calcula su distancia a los clústeres, y la etiqueta del clúster más cercano se convierte en el estado previsto de la nueva muestra.

Aunque los métodos no supervisados son potentes, pueden presentar limitaciones en cuanto a precisión y complejidad, sobre todo en problemas con estados de máquina similares. Por eso los métodos supervisados son tan populares, ya que utilizan datos etiquetados y, por lo general, son más fáciles de entrenar. Para recopilar datos etiquetados, se pide a los usuarios que etiqueten el estado de la máquina durante el periodo de muestreo de datos. Una vez recopiladas unos cientos de muestras de datos etiquetadas, se puede entrenar un modelo —como una red neuronal— para analizar una muestra de datos determinada y predecir el estado de la máquina. El modelo entrenado puede utilizarse entonces en producción para clasificar el estado actual de la máquina. Por otra parte, los datos etiquetados deben reflejar el comportamiento de la máquina en producción, por lo que, si se trata de una máquina con un funcionamiento sencillo de «encendido/apagado», bastan unas pocas muestras. Por el contrario, si pasa por diferentes etapas de producción, si se producen cambios en los materiales o si hay factores externos que influyen en los datos, puede que se necesiten muchos datos etiquetados.

En ambos enfoques, el modelo se entrena utilizando datos históricos. Los enfoques no supervisados, como la agrupación en clústeres, no requieren etiquetado, pero pueden presentar una menor precisión y una complejidad limitada. Por otro lado, los modelos supervisados son más fáciles de entrenar y suelen alcanzar un rendimiento superior.Sin embargo, el etiquetado puede resultar complejo y llevar mucho tiempo.

La conectividad es un componente fundamental para el éxito de la transformación digital, que a menudo se materializa en la planta de producción a través del concepto del Internet industrial de las cosas (IIoT). Esta noción gira en torno a la integración de máquinas y otros dispositivos con Internet, una idea que, en el mundo actual, parece sencilla. Sin embargo, implementar una conectividad eficaz es una tarea compleja. Aquí es donde Tulip en Tulip , que ofrece una amplia gama de capacidades de conectividad que permiten la recopilación de datos de las máquinas a través de interfaces de software modernas, como las API y las consultas SQL, así como mediante conexiones físicas, como interfaces de red, USB, serie y analógicas. Además, Tulip protocolos estándar como OPC-UA y MQTT, diseñados específicamente para facilitar la conectividad de las máquinas. Estos conectores actúan como puentes entre los ámbitos físico y digital, facilitando una transferencia de datos fluida.

No obstante, puede haber casos en los que conectar máquinas resulte complicado, lo que exige soluciones innovadoras. En tales casos, Tulip como una caja de herramientas versátil, que permite a los usuarios explorar y dar rienda suelta a su creatividad en el ámbito de la digitalización.

EdgeIO es un dispositivo que permite incorporar dispositivos como entradas y salidas en tus aplicaciones, lo que facilita la creación de desencadenantes y flujos de trabajo que ahorran tiempo. Captura eventos y mediciones registradas por máquinas, dispositivos y sensores.

Una vez implementados los componentes mencionados anteriormente, en EdgeIO entran en juego tres principios:

• Apertura: Recopilar datos de máquinas conectadas en red, analógicas y de sistemas propios mediante sensores y cámaras. Ser compatible con los protocolos más habituales y ofrecer interfaces intuitivas para solicitar a los usuarios datos adicionales.

• Agilidad y autoservicio: permite a los ingenieros más cercanos a las operaciones añadir dispositivos e implementar cambios sin necesidad de programar ni tener conocimientos especializados. Los dispositivos Tulip son rentables, fáciles de configurar y se pueden utilizar para múltiples casos de uso.

• Integrado y conectado: Crea flujos de trabajo intuitivos y optimizados que recopilan datos automáticamente y ofrecen orientación en tiempo real. Tulip se Tulip integrar con otros sistemas, conectándose a API HTTP, bases de datos SQL y servidores OPC UA.

Con estos sensores instalados, las plataformas de operaciones de primera línea como Tulip resultar increíblemente útiles. Tulip EdgeIO, un dispositivo de conectividad que se conecta fácilmente a estos sensores. El dispositivo EdgeIO puede ejecutar Node-RED, una herramienta de desarrollo basada en flujos que permite conectar entre sí dispositivos de hardware, API y servicios en línea en el IoT . Node-RED proporciona un editor de flujos basado en un navegador web, lo que permite a los usuarios crear funciones en JavaScript. Al utilizar Node-RED, los sensores y el dispositivo EdgeIO, podemos recopilar datos de series temporales en tiempo real y de forma continua. Estos datos procedentes de la máquina pueden almacenarse en una Tulip y utilizarse para entrenar un modelo de aprendizaje automático. Y podemos hacerlo sin escribir ni una sola línea de código.