A día de hoy, existen pocas dudas sobre el papel central de los datos en el escenario de la digitalización de la industria en particular y de la sociedad en general. Es habitual oír a consultores tecnológicos hacer referencia a ellos como “el petróleo del siglo XXI”, y de hecho muchas empresas empiezan a observar su importancia casi al mismo nivel que el de los propios activos físicos.

Por su transversalidad, ya que afecta tanto a negocios B2B (especialmente) como a B2C, desde la Cátedra hemos impulsado esta línea de investigación orientada a analizar el potencial de mejora de la operación usando la analítica avanzada de los datos disponibles como palanca.

En el marco de esta línea de investigación, entre otras actividades, se desarrolló el Trabajo de Fin de Máster de Ana Carrasco Fonseca, alumna del Máster en Ingeniería Industrial durante el curso 2017-2018. En este trabajo se exploró la posibilidad de predecir fallos en transformadores de distribución en base al histórico de operación de los mismos. A continuación, se muestra un informe realizado por la alumna durante la realización de este proyecto en el que se revisaban cuestiones relacionadas con el mantenimiento de este tipo de equipos.

• Los activos de las empresas envejecen, mientras que los procesos de sustitución de los mismos permanecen limitados tanto por los recursos económicos como por los humanos. Es por esto que uno de los grandes desafíos que se plantean en la actualidad es el desarrollo de un método que asista en la determinación de los activos más críticos, cuya condición precise de tareas de mantenimiento.
• En este sentido, el aumento de la capacidad de almacenamiento y procesamiento de datos de los sistemas actuales ha permitido la monitorización constante de los equipos, lo que ha dado paso a estrategias de mantenimiento predictivo. Estas se basan en la detección de indicadores de fallo de los equipos que sugieren que estos requieren labores de mantenimiento. Para ello, es necesario determinar qué variables físicas influyen en la condición de los equipos. Sin embargo, en muchas ocasiones estas variables no son evidentes, por lo que se precisan nuevas técnicas de análisis de datos, que podrían englobarse en el ámbito del célebre big data.
• A continuación, se detalla el proceso a seguir para elaborar un modelo de mantenimiento predictivo.
• Todo proyecto de análisis de datos comienza con la detección de un problema de negocio que se desea resolver, en este caso la implantación de una estrategia de mantenimiento predictivo a través de la monitorización y análisis de variables representativas del estado y operatividad de los equipos. Una vez definido el problema que se pretende solucionar, se procede a identificar las fuentes de datos y construir la base de datos del proyecto. El siguiente paso es la limpieza de los datos disponibles y la extracción de características relevantes. Esta es una de las fases más importantes del proceso ya que la capacidad real de predicción del modelo depende de la calidad de los datos en que se base. En esta etapa se deben llevar a cabo tareas como la conversión del formato de los datos recogidos a un formato compatible con la herramienta de análisis que se va a utilizar, el manejo de la ausencia de datos y la identificación de valores atípicos que sugieren la presencia de datos erróneos. A continuación, se debe realizar un análisis exploratorio de los datos para alcanzar un mayor entendimiento de las principales características del conjunto de datos que se tiene. Para esto último generalmente se emplean herramientas de visualización. Las técnicas gráficas que se utilizan en esta etapa son, entre otras, histogramas, diagramas de cajas y bigotes, y diagramas de dispersión. Las siguientes etapas son la selección del modelo, su entrenamiento y su validación. En primer lugar, se debe seleccionar el modelo más adecuado para el problema y los datos de los que se dispone. Las diferentes técnicas de predicción se dividen en tres categorías: datadriven (basadas en datos), modeldriven (basadas en un modelo físico) y un híbrido entre ambas. La primera categoría se refiere a aquellas técnicas en las que se monitoriza una serie de datos para ajustar un modelo que describa el comportamiento del sistema. En todo caso, una vez elegido el modelo adecuado, se procede al entrenamiento y la evaluación del mismo. Para ello se divide el conjunto de datos en dos subconjuntos: uno para el entrenamiento del modelo y otro para su validación. Generalmente se utiliza una proporción de tres cuartos de los datos frente a un cuarto, respectivamente. Los tres últimos procesos suelen realizarse de manera reiterativa hasta encontrar un modelo que cumpla los objetivos. Una vez obtenido este modelo, la siguiente y última fase del proceso es la visualización de los resultados, de forma que estos se presenten de manera clara para su fácil interpretación.

La visión artificial está siendo impulsada de una manera espectacular por los principales laboratorios de investigación en IA a nivel mundial. Sus aplicaciones en otros ámbitos de la sociedad son numerosísimas, pudiéndose notar la importante mejora en el funcionamiento de estos sistemas en los últimos años.

La aplicación de la visión artificial en la industria no es una cuestión reciente. De hecho, se emplea en distintas funcionalidades desde finales del siglo XX. Nos encontramos, no obstante, en el momento en el que se están aplicando las nuevas técnicas y tecnologías desarrolladas para la electrónica de gran consumo a los procesos industriales, y en este proceso están apareciendo, como no podría ser de otra forma, problemas por las particularidades de los procesos industriales.

Por este motivo, desde la Cátedra de Industria Conectada hemos lanzado en el último trimestre de 2018 una línea en la que estamos trabajando en un prototipo de reconocimiento facial. Este sistema tiene aplicación en cuestiones de identificación y seguridad en empresas industriales, y además abre la puerta al desarrollo de otras funcionalidades en el futuro.