El Big Data y la analítica de los datos
La evolución de los datos en las fábricas
Análisis avanzado de datos en entornos industriales Las estrategias de “Empresa Conectada” o “Industria 4.0” se construyen en base a dispositivos inteligentes, que disponen de una enorme capacidad de proporcionar datos. Para aprovechar este gran caudal de información es posible adoptar algunas técnicas novedosas, entre ellas la Inteligencia Artificial, cloud computing y chat bots, pero en todos los casos el objetivo final es la obtención del conocimiento necesario para la toma rápida de decisiones.
Las estrategias de “Empresa Conectada” o “Industria 4.0” se construyen en base a dispositivos inteligentes, que disponen de una enorme capacidad de proporcionar datos. Para aprovechar este gran caudal de información es posible adoptar algunas técnicas novedosas, entre ellas la Inteligencia Artificial, cloud computing y chat bots, pero en todos los casos el objetivo final es la obtención del conocimiento necesario para la toma rápida de decisiones. La aplicación de estos mecanismos es clave para poder aumentar la productividad de las fábricas, e incrementar el valor de las empresas.
Hace pocos días nos dejó el famoso físico y científico inglés Stephen Hawking, muy conocido por haber formulado y divulgado diversas teorías cosmológicas relacionadas con el Big Bang, la expansión del universo y los agujeros negros.
La evolución de los datos en las fábricas tiene ciertos paralelismos con algunas de las teorías de Hawking; por un lado la capacidad de producir datos es cada vez más expansiva, y desde hace algunos años crece de forma exponencial. El motivo es debido al cambio de tecnología que hoy ya encontramos en los dispositivos inteligentes, dotados de procesador, memoria y capacidad de comunicación bidireccional. Estos equipos tienen autoconocimiento de sí mismos, pudiendo proporcionar diagnósticos de su estado de funcionamiento y adaptarse a las cambiantes condiciones de funcionamiento que les podemos exigir. Esto permite obtener cantidades ingentes de datos de cada uno de ellos.
Por otra parte, no siempre es posible aprovechar todos los datos que nos brindan estos dispositivos inteligentes, y es que los sistemas de control no están siempre preparados para gestionar ese caudal de información. Es cuando podemos hablar de “agujeros negros” en la planta. Los datos existen, pero, igual que en el espacio, no podemos ver su contenido.
Para que las estrategias de “Empresa Conectada” o “Industria 4.0” sean exitosas, es indispensable lograr que los datos de los equipos inteligentes se comuniquen y utilicen de forma adecuada; Para ello es indispensable la convergencia entre los entornos de OT (Tecnologías de Operación) e IT (Tecnologías de Información).
En la actualidad ya tenemos la capacidad técnica, tanto en arquitecturas, como en software o en hardware, que nos permite conectar con seguridad estos dos mundos tradicionalmente separados. Por ejemplo; CISCO y Rockwell Automation han desarrollado y documentado extensamente las arquitecturas convergentes de planta, denominadas “Converged Plantwide Ethernet (CPWE)” (1), donde se detalla cómo realizar una infraestructura Ethernet segura para conectar los niveles
OT con los niveles IT. En esta documentación se indica como estructurar correctamente las diversas áreas OT-IT, cómo establecer estrategias de defensa en profundidad, conexiones de elementos inalámbricos, acceso mediante dispositivos móviles (2), etc.
Conexión de los dispositivos inteligentes y beneficios esperados
La construcción de conocimiento en las fábricas se inicia mediante la conexión de equipos inteligentes. En este apartado incluimos todos aquellos activos que habitualmente encontramos en el nivel más bajo de planta, como: instrumentación, sensores, motores, válvulas, electrónicas especializadas, etc., y que a su vez se conectan con los controladores de automatización, terminales, máquinas y en general equipos de inteligencia más avanzada. En los últimos tiempos el número de dispositivos inteligentes ha proliferado enormemente en cualquier área automatizada, y a la vez el aumento de capacidades de estos equipos para proporcionar datos ha crecido de forma exponencial. En resumen, tenemos grandes volúmenes de datos que es muy recomendable filtrar y tratar.
El primer paso indispensable es poder conectar todos estos equipos y sistemas a una red estándar y de alta capacidad, que permita la convergencia, como es el caso de Ethernet/ip. Una vez conectados podemos buscar tecnologías que nos ayuden a reducir el trabajo de interacción con ellos, por ejemplo proporcionando: autodescubrimiento de los equipos, autoconfiguración, cuadros de mando generados en automático, etc.
A partir de aquí estos dispositivos se manejarán con los diversos sistemas de automatización, supervisión y MES de la fábrica. También intercambiarán información con los sistemas de análisis escalable. Permitirán el acceso a través de plataformas móviles (como: IOS y Android) y mecanismos de colaboración. Y finalmente podrán ser gestionados a través de aplicaciones locales y remotas.
En definitiva, con estas técnicas será posible aumentar la productividad de las fábricas por medio de cuatro grandes beneficios:
Reducción del tiempo de acceso al mercado: Disminuyendo los plazos de lanzamiento de nuevos productos o modificaciones de los existentes.
Menor coste total de la propiedad: Rebajando el gasto en sistemas de control e información durante todo el ciclo de vida de las instalaciones.
Mejora en el uso de los activos: Gracias al autodiagnóstico y comunicaciones avanzadas es posible que los equipos de fábrica funcionen mucho más tiempo, y permitan una mayor variedad de productos.
Gestión del riesgo empresarial: las nuevas tecnologías aplicadas ya se diseñan con la capacidad de proteger, dentro de lo posible, el riesgo de accesos indeseados y pérdida de propiedad intelectual. Este es un objetivo cada vez más importante ante estrategias de digitalización de fábrica, donde un valor determinante está en la información que manejamos.
Resultados extraordinarios Con todos estos sistemas podemos conseguir resultados extraordinarios, tanto en rendimiento como en calidad, que no eran imaginables hace pocos años. Pero, si no utilizamos las técnicas adecuadas el esfuerzo que necesitaremos para conseguirlos puede ser enorme, y van a ser muy difíciles de mantener a lo largo del tiempo. Cada área automatizada puede contar con centenares de dispositivos inteligentes, que a su vez cada uno puede proporcionar decenas de datos cada segundo, y la complejidad aumenta año a año.
¿Cómo podemos atender tal avalancha de información? ¿Cómo podemos centrarnos en lo que realmente es importante? ¿Cómo podemos ayudar a la toma de decisiones?
Posiblemente tenemos que pedir a los mismos sistemas de automatización y control que nos ayuden en este aspecto, y nos proporcionen un nivel mucho más elevado de conocimiento, que permita mejorar la toma de decisiones. Es decir, aunque parezca paradójico: “tenemos que pedir a los sistemas nos ayuden a trabajar con otros sistemas”.
Sistemas automatizados para mejorar la toma de decisiones
La relación entre los datos obtenidos de planta, los sistemas instalados, las decisiones que toma el operador y las acciones resultantes pueden explicarse con el diagrama de Gartner (3) que añadimos a continuación. En él, se identifican algunas soluciones que nos pueden ayudar a mejorar la toma de decisiones.
Según Gartner tenemos cuatro tipos de sistemas:
Sistemas Descriptivos: que proporcionan información de lo que ya ha sucedido, pero no profundizan en otros aspectos. Por ejemplo, supongamos que tenemos un motor que se ha parado por avería. Un sistema descriptivo nos identificará este motor y la fecha-hora de parada, pero no podremos saber el origen de su problema. En este
caso la acción humana es reactiva, y exige mucho tiempo posterior del usuario analizando la situación, antes de poder tomar decisiones. Es como conducir mirando sólo el retrovisor del coche. Estos sistemas son los más habituales en las soluciones de control existentes.
Sistemas de Diagnóstico: Amplían la información de los sistemas descriptivos, añadiendo claves que permiten determinar por qué ha sucedido un determinado evento. Por ejemplo, en el caso del motor anterior, un sistema de diagnóstico nos podría indicar que la avería se ha producido por un exceso de tiempo de funcionamiento del motor, con un consumo muy elevado, que ha provocado su calentamiento y parada para su protección. De nuevo esta es una información de pasado, que reduce el tiempo de acción del operador, pero sólo podrá evitar errores en el futuro.
Sistemas Predictivos: Un nivel por encima de los sistemas de diagnóstico están los sistemas que pueden predecir algunas situaciones futuras de las instalaciones. De nuevo en el ejemplo del motor anterior, si le añadimos acelerómetros y una electrónica de control de vibraciones especializada, podremos supervisar en continuo sus vibraciones y descomponerlas en armónicos, que permitan determinar futuros problemas debidos a desgastes de rodamientos, problemas con el eje, y otros defectos. En este caso sí es factible adelantarnos a las averías, y ayudar a los equipos humanos a reducir las paradas.
Sistemas Prescriptivos: Finalmente, existen sistemas que indican las acciones que tendríamos que hacer para mejorar el funcionamiento de nuestras instalaciones. En este caso nos pueden generar información de alto nivel para el operador, o incluso realizar directamente acciones automáticas para corregir situaciones antes de que ocasionen problemas. Siguiendo en el ejemplo mencionado del motor, supongamos que está acoplado a una bomba que impulsa fluidos de diversas densidades. Un sistema prescriptivo podría recomendar al operador el orden y tiempos de transferencias de fluidos según su densidad para evitar su sobrecalentamiento. E incluso para casos más avanzados podría actuar directamente sobre la velocidad de impulsión, reduciéndola cuando detectara un inicio de sobrecalentamiento. Este tipo de sistemas prescriptivos empiezan a utilizarse en procesos automáticos, pero aún les queda un largo camino por recorrer.
¿Dónde deben ubicarse los datos de los dispositivos y los sistemas que los gestionan?
Hay diversas opiniones al respecto, que cambian según cada proveedor de aplicaciones para el análisis de datos. Algunos proponen el Cloud, otros la capa ERP, otros la capa MES, etc. En nuestro caso pensamos que los datos y las aplicaciones que los gestionan pueden ubicarse en cualquiera de los niveles de planta, y deben estar cerca de donde van a ser utilizados.
Es totalmente factible disponer de soluciones de análisis de datos a diversos niveles de la empresa, siendo los más habituales:
Análisis de dispositivos: haciendo posible gestionar la información de los dispositivos inteligentes, máquinas, activos remotos y grupos de los mismos.
Análisis de sistemas: Que permite optimizar en tiempo real las máquinas, procesos y plantas. Podrían incluir mantenimiento predictivo.
Análisis de empresa: Donde además se incluirían los datos provenientes de los sistemas
de negocio, haciendo posible el análisis operacional de planta, y las comparativas entre diferentes localizaciones. En todos los casos se recomienda disponer de servicios de soporte remoto sobre estas herramientas de análisis escalable. Es importante cara a su diseño, implementación y soporte con conexión en continuo.
En los apartados que siguen veremos algunos ejemplos reales de análisis escalable, focalizado a diversos niveles de la empresa.
Análisis escalable de dispositivos
Cuando hacemos deporte utilizamos en muchos casos un reloj inteligente, que nos mide diversas variables de nuestro recorrido como: distancia, tiempo, velocidad, altura, frecuencia cardíaca, etc. El software que incluye este reloj permite explotar los datos que generamos, y los podría presentar como tablas de datos o incluso como gráficos variable-tiempo, pero serían muy poco aclaratorios. Estos entornos habitualmente nos presentan la información mediante cuadros de mando muy gráficos, indicando: distancia recorrida, velocidad media, calorías consumidas, porcentaje de alcance de los objetivos diarios, comparativas con otros amigos, records alcanzados, etc. En definitiva, nos presentan la información en forma de conocimiento que es de fácil entendimiento y nos permite tomar rápidamente decisiones.
En la fábrica en cambio, disponemos de centenares de equipos que proporcionan decenas de datos por segundo, pero tenemos que construir nosotros los cuadros de mando de cada uno de ellos. Para lograrlo hay que detectar estos dispositivos, digitalizar sus datos, construir los cuadros de mando mediante transformación de variables y finalmente analizar la información para tomar la decisión adecuada. Estas tareas suponen una ingente cantidad de tiempo, habitualmente semanas, y todo ello no está exento de posibles errores.
Llegados a este punto es el momento de cambiar de paradigma, y buscar la forma de que sean los mismos sistemas los que autodetecten dispositivos, los exploren, presenten su información en cuadros de mando, e indiquen recomendaciones de acciones sobre los mismos. Y es posible conseguirlo en solo unos minutos.
Por ejemplo: Rockwell Automation ya dispone de una solución tecnológica para el análisis de dispositivos: Factorytalk Analytics for Devices, con capacidades muy avanzadas de obtención y análisis avanzado de datos.
Este sistema se construye mediante una plataforma hardware basada en un PC industrial, que una vez conectado a la red de planta, y sin necesidad de programación, dispone de múltiples habilidades como:
Detección automática de dispositivos: La aplicación es capaz de recorrer la red Ethernet/ip y detectar los dispositivos inteligentes conectados a la misma. Esta detección no pasa por el sistema de control que comanda esta zona, sino que es una comunicación totalmente paralela e independiente. El resultado es un listado de los dispositivos, su dirección IP y su estado de diagnóstico global (correcto, requiere mantenimiento, fallo, etc.)
Cuadros de mando automáticos: La aplicación genera cuadros de mando con la información de las principales variables del dispositivo, incluyendo gráficos de diversos tipos para facilitar la interpretación de la información. De nuevo, toda esta información se ha generado sin necesidad de programar una sola línea de código, y gracias a la librería de más de 2000 objetos que es posible identificar y analizar.
Fichas de actividad automáticas: Aprovechando que cada dispositivo nos presenta su estado, y algunos de ellos indican claramente alguna incidencia, este sistema recoge todos los equipos que necesitan intervención y los presenta como fichas de acciones a realizar como: mantenimiento, revisión, etc. De este modo los responsables de los dispositivos pueden analizar directamente estas propuestas y decidir cuáles de ellas son aceptables y cuales descartan. El sistema dispone de un algoritmo de Inteligencia Artificial (IA), que analiza en cada caso
la decisión tomada, y mediante autoaprendizaje va refinando las futuras propuestas de fichas de actividad.
Análisis del Sistema: Además de analizar los dispositivos de forma individual, esta solución puede tener una visión de conjunto de todos ellos, y diagnosticar incidencias que una vez solucionadas permitan un mejor funcionamiento. Por ejemplo: en una aplicación real de esta herramienta el análisis del sistema indicó que un dispositivo no tenía una configuración de red Ethernet homogénea con el resto de equipos de la red, y proporcionó su dirección IP para facilitar que fuera revisado. Otro ejemplo habitual es descubrir en la misma red Ethernet equipos con velocidades diferentes y recomendar unificar la velocidad de todos ellos.
Las instalaciones de sistemas de control son vivas y se modifican en el tiempo, ya sea por ampliaciones/modificaciones como por reemplazo de equipos averiados. Sin una herramienta automática que revise estos casos continuamente es muy complicado detectar este tipo de incidencias, y cuando afectan a la producción ya es demasiado tarde para evitarlas. Por tanto estas soluciones son un muy buen mecanismo de seguimiento continuo de la salud de los equipos instalados.
Además, esta solución añade un robot de conversación (chat bot), con el que se puede dialogar sobre la situación de los dispositivos y acciones a realizar. Esta conversación se realiza mediante un chat textual y en poco tiempo aparecerá integrada con Cortana, el asistente de voz creado por Microsoft e incorporado en sistemas operativos como Windows 10. Es un paso más a la interacción mediante lenguaje natural entre sistemas y personas.
Análisis avanzado de máquinas
Subiendo un escalón podemos pasar al análisis avanzado de máquinas, ya no sólo como conjunto de dispositivos, sino también como integración de las principales variables que queremos gestionar en el proceso.
En este caso también existen soluciones basadas en librerías, que hacen posible subir de forma segura a una nube privada, información de eficiencia de máquina (OEE), generando cuadros de mando totalmente en automático. Esta es otra forma de obtención rápida de conocimiento de elevado valor, evitando el gasto de tiempo y recursos en su generación.
Análisis avanzado de sistemas
La unión de diversos dispositivos y máquinas genera sistemas, que también es necesario analizar, mantener y ajustar de forma periódica. Los métodos tradicionales de mejora continua conllevan un esfuerzo enorme y por tanto deben ser utilizados con mucho criterio.
En este caso, de nuevo, la tecnología nos puede ayudar a mejorar nuestras aplicaciones, mediante el uso de algoritmos basados en motores de Inteligencia Artificial (IA). Si alimentamos a estas soluciones de las variables adecuadas, pueden generar un modelado del sistema, que supervisarán de forma continua, y mediante el análisis histórico de datos, podrán proponer cambios de parametrización para optimizar los resultados.
Por ejemplo, un sistema avanzado con Inteligencia Artificial podría reconocer si la evolución de una reacción con temperatura-presión en el proceso sigue las pautas habituales, o por el contrario hay alguna incidencia que pone en riesgo el producto,
personas o entorno, y nos podría avisar de esta situación.
Estas soluciones se empiezan a vislumbrar en entornos industriales y sin duda en breve plazo, gracias a su autoaprendizaje, permitirán mejoras notables en nuestros procesos.
Análisis avanzado global de la empresa
Finalmente, a nivel corporativo cada empresa tiene decenas de fuentes de datos con formatos diversos y que para analizarlos obliga a un largo proceso de captura, integración, unificación, creación de informes y cuadros de mando.
Como los datos pueden venir de fuentes tan diversas como: Sistemas de control, Sistemas MES, Sistemas ERP, Sistemas WEB, etc. la unificación de estos datos implica la inversión de gran cantidad de tiempo y recursos. Además, cuando finalizamos este proceso siempre descubrimos que nos hace falta un gráfico más, y tenemos que volver a iniciarlo.
Para mejorar estas condiciones se están presentando herramientas, basadas en nuevas aproximaciones para resolver esta problemática, y que consisten, de nuevo, en la involucración de algoritmos basados en Inteligencia Artificial (4). Estos algoritmos se encargarán de descubrir la información de cada una de las fuentes de datos, digerirla, relacionarla, y proporcionar de forma automática diagramas con el análisis de datos.
Es un camino que justo se inicia ahora, pero seguramente nos proporcionará ventajas innumerables, tanto en ahorro de tiempo como en obtención de conclusiones en ámbitos que ni sospechamos.
Conclusiones Las nuevas tecnologías ya se encuentran presentes en diversos ámbitos de los entornos industriales; desde los dispositivos inteligentes, que cuentan con amplias capacidades de procesamiento de datos, diagnóstica y comunicaciones, pasando por las redes de comunicaciones abiertas como Ethernet/ip, los dispositivos móviles, y llegado a los algoritmos con motores basados en Inteligencia Artificial.
La orquestación adecuada de todas estas y otras tecnologías permitirá proporcionar información de alto valor a los responsables de las instalaciones industriales, facilitando la toma de decisiones tanto en manual como en automático. El beneficio de todo ello serán importantes mejoras de los procesos industriales, con significativos incrementos de productividad y valor de las empresas.
REFERENCIAS (1) CISCO – ROCKWELL AUTOMATION (Sep, 2011). “Converged Plantwide Ethernet (CPWE) Design and Implementation Guide”
(2) CISCO – ROCKWELL AUTOMATION (Feb, 2018). “Deploying Identity and Mobility Services within a Converged Plantwide Ethernet Architecture”
(3) GARTNER (Ago 2017). “The Fundamentals of AI Success for Data and Analytics Leaders”
(4) ROCKWELL AUTOMATION (NOV, 2017). “New Scalable Analytics Capabilities for Industrial IOT Applications”
Antoni Rovira Responsable Arquitecturas Integradas Rockwell Automation Iberia