La Ley de Martec nos dice que vivimos en un mundo en el que los cambios tecnológicos se producen más rápidamente que el cambio organizacional necesario para adoptar dicha tecnología. Las empresas o industrias que adopten tecnología correctamente para mejorar sus procesos, actividades, y modelos de negocio, podrán desarrollar una ventaja competitiva diferencial respecto al resto.
Ley de Martec:
Una de las tecnologías que está avanzado más rápidamente es el Aprendizaje Automático o “Machine Learning” en inglés. Se trata de una ramificación de Inteligencia Artificial que crea sistemas que aprenden de manera automatizada, es decir, identifican patrones complejos en millones de datos, y pueden predecir comportamientos. Esto es muy útil para la detección temprana de anomalías.
El Aprendizaje Automático es algo que se ha ido desarrollando en el mundo desde hace mucho tiempo. En el año 1952, Alan Turing desarrolló el “Test de Turing” para determinar si una máquina era realmente inteligente. Para pasar la prueba, la máquina tenía que ser capaz de engañar a un humano haciéndole creer que era humana en lugar de una computadora. En 1956, expertos de la Universidad de Harvard y de Darthmouth, junto con las compañías IBM y la antigua “Bell Telephone Laboratories”, organizaron la Conferencia de Darthmouth, considerada como el evento donde nació el campo de la Inteligencia Artificial. Después de este año, se tuvieron muchos avances, pero también hubo épocas donde se sufrieron severos estancamientos.
En la época actual, el campo de Machine Learning está evolucionando de forma exponencial. Y esto es debido a 3 factores muy importantes:
El primero y más importante es la [1] disponibilidad de datos. La expansión de Internet a prácticamente cualquier ámbito de la vida y de la industria y el abaratamiento de los sensores y del almacenamiento informático, hacen que la cantidad de datos disponibles esté creciendo de manera muy rápida. La perspectiva de que datos que hoy se desechan puedan ser utilizados a futuro, precisamente gracias a técnicas como el Machine Learning, hace que cada vez más industrias y empresas midan y almacenen datos de proceso y de gestión. El Internet de las cosas industriales (IIoT) es un buen ejemplo de cómo la disponibilidad de datos se llevará a actividades que hasta hace poco se consideraban imposibles de medir.
El segundo factor, quizás el catalizador principal de todo este cambio, es el [2] incremento de la potencia de cálculo. Si bien técnicas de Machine Learning como las redes neuronales son conocidas desde hace décadas, la capacidad de cálculo disponible era incapaz de crear modelos de caja negra complejos. Y este punto es clave, pues los modelos de Machine Learning serán superiores a cualquier otro cuando tengan en cuenta la influencia de señales que hoy se consideran débiles en cuanto a su correlación con la salida. Esto se consigue a través de algoritmos refinados pero, sobre todo, potencia de cálculo.
Por último, los avances del sector están encontrando [3] aplicabilidad en empresas hasta el punto de crear mercados enteros y producir cambios significativos en la estrategia de la industria eléctrica.
Funcionamiento del Aprendizaje Automático
El software de reconocimiento avanzado de patrones (Advanced Pattern Recogniton en inglés) es una aplicación del Aprendizaje Automático. Consiste en el modelado del comportamiento “esperado normal” de las variables de proceso de la planta a partir de datos históricos.
Una vez modelado, el software comienza a comparar el comportamiento normal esperado con el comportamiento real de las variables de proceso. Si existe desviación del comportamiento esperado con el comportamiento real, la solución lanzará una alarma que se denomina “anomalía temprana”. Como se indica en la figura, esta metodología consigue alertar de problemas inminentes mucho antes que las tradicionales alarmas o disparos. Esto evita problemas de indisponibilidad en la planta, o incluso fallas catastróficas. Además, al tener más tiempo antes del inminente fallo, se pueden organizar las tareas de mantenimiento adecuadamente, reduciendo costos en repuestos u horas hombre y por tanto los costos de mantenimiento.
En Mitsui & Co. Power Americas tenemos experiencia en la implementación y uso de estas herramientas para optimizar el desempeño de plantas de generación. Adicionalmente estamos haciendo pruebas de concepto para la adopción de nuevas tecnologías para ir más allá y conseguir las siguientes ventajas:
• Estamos trabajando con desarrolladores de soluciones de inteligencia artificial, en donde la solución además de proporcionar anomalías, aprenden por si sola de esta información. Cuando ocurren anomalías similares, la solución es capaz de proporcionar la causa raíz de la falla, ayudando a un diagnostico efectivo y acelerando el proceso de reparación de la falla.
• Mediante la integración de sistemas se pueden comunicar estas anomalías con los sistemas de gestión de mantenimiento, alertando automáticamente a los equipos de operación y mantenimiento ante desviaciones o fallos, disminuyendo los tiempos de comunicación y por tanto la posibilidad de tener fallos futuros en la planta.
