Salvando las distancias: Conectando las viejas máquinas a los nuevos sistemas con el aprendizaje automático y la conectividad Edge

Los sistemas heredados, los dispositivos anticuados y las máquinas viejas aún prevalecen en muchos talleres, y se espera que su uso continúe en un futuro próximo. Puede resultar difícil justificar la sustitución de una máquina antigua en funcionamiento por una nueva únicamente con fines de conectividad y recopilación de datos. Sin embargo, todos reconocemos el valor y la importancia de comprender el estado de la máquina y de conectar estas viejas máquinas a nuevos sistemas que proporcionen supervisión, alertas, trazabilidad y transparencia a las actividades del taller. Esta toma de conciencia nos abre los ojos.

Entonces, ¿cuál es el reto al que nos enfrentamos? Por un lado, deseamos conectividad y poder seguir extrayendo valor de estas máquinas. Por otro, 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 nos esforcemos. Además, otras máquinas más sencillas, como las bombas o los ventiladores, simplemente no tienen nada que leer y, sin embargo, aún nos gustaría ver cómo y cuándo funcionan, cuánta energía consumen e incluso predecir fallos.

Renovar una máquina anticuada aporta numerosas ventajas, como mejorar la calidad del producto, aumentar el rendimiento de la producción y permitir una supervisión y recopilación de datos eficaces. Sin embargo, el proceso de introducir cambios en el taller de mecanizado, 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 sustanciales. Además, desde el punto de vista de la inversión, recuperar la inversión inicial en maquinaria requiere un tiempo considerable. Como resultado, se hace imperativo que fomentemos la creatividad y exploremos enfoques alternativos para conectar con la maquinaria anticuada, en lugar de recurrir a la sustitución inmediata.

Sorprendentemente, estos problemas pueden resolverse con nuevos enfoques y tecnología, y una de esas soluciones consiste en aprovechar el poder de los sensores para generar datos. Colmar la brecha entre la maquinaria anticuada y las plataformas modernas no es tan desalentador como puede parecer. Piense en una máquina antigua que sea anterior al Internet industrial de las cosas (IIoT) y que no pueda conectarse mediante los métodos convencionales de supervisión y recopilación de datos. En estos casos, la respuesta está 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 sensores, emplearemos las técnicas del aprendizaje automático (AM).

[Teaser: También puede utilizar cámaras y OCR para conectarse a la pantalla de la máquina, obtenga más información en este blog].

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

Al incorporar sensores, obtenemos la capacidad de recopilar datos valiosos de nuestras máquinas envejecidas. Los cambios en los niveles de corriente y vibración a lo largo de las diferentes etapas del proceso proporcionan información reveladora. 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, podemos esperar observar un elevado consumo de energía (medido por el sensor de corriente). Del mismo modo, un sensor de vibraciones detectaría una actividad significativa durante la fase de corte en bruto de una máquina CNC.

¡Excelente! Ya hemos establecido un medio para extraer datos de nuestras máquinas más antiguas. El siguiente paso consiste en canalizar estos datos hacia una plataforma de la que podamos extraer información significativa.

Aquí es donde los dispositivosTulip Edge y la plataformaTulip resultan de un valor incalculable.

Los sensores tienden un puente entre los reinos 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 que puede lograrse utilizando dispositivos de borde como Tulip's EdgeIO. Este dispositivo facilita la integración perfecta de los sensores con la plataforma Tulip . Equipado con múltiples puertos aptos para una amplia gama de sensores, Tulip's EdgeIO 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 basado en un navegador web permite a los usuarios crear funciones JavaScript que ayudan a procesar los datos.

Una vez que hemos 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 obtener información, generar informes, crear cuadros de mando 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 generarán datos de series temporales, que representan una señal analógica muestreada uniformemente a lo largo del tiempo para crear datos digitales discretos. Estos datos fluyen en tiempo real desde el sensor al EdgeIO y a nuestra base de datos en la nube. Es en este punto donde podemos emplear la lógica para extraer información valiosa. La lógica puede ir desde simples enfoques basados en umbrales hasta modelos de aprendizaje automático más sofisticados.

Proporcionar un tutorial en profundidad sobre la creación de soluciones de aprendizaje automático para datos de series temporales está fuera del alcance de este blog. Sin embargo, nos gustaría introducir algunas ideas y conceptos sobre cómo puede hacerse.

Las soluciones de aprendizaje automático pueden verse 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 (unos 5-10 segundos de señal), y la salida será el estado de la máquina. Para simplificar, vamos a suponer dos estados: "apagado" y "encendido", aunque la solución puede generalizarse a múltiples estados. En un entorno de producción, el modelo o algoritmo ML recibirá muestras de datos y predecirá el estado de la máquina. Antes de conseguirlo, el modelo necesita ser entrenado para realizar la tarea deseada.

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

El enfoque del aprendizaje no supervisado, en concreto la agrupación, consiste en recoger datos de los sensores y dividirlos en pequeños trozos de tiempo (normalmente unos segundos, dependiendo de la máquina). El objetivo es agrupar los puntos de datos, asegurándose de que las muestras "apagadas" y "encendidas" se agrupan en conjuntos separados en función de sus características estadísticas. En la agrupación por conglomerados no es necesario etiquetar, y las muestras se agrupan únicamente en función de sus características. Para asignar etiquetas a los conglomerados, un usuario puede necesitar anotar un pequeño número de muestras, que serán utilizadas por el modelo para determinar las etiquetas de los conglomerados. En producción, cuando se introduce una nueva muestra de datos, se calcula su distancia a los clusters, y la etiqueta del cluster más cercano se convierte en el estado previsto de la nueva muestra.

Aunque los métodos no supervisados son potentes, pueden tener limitaciones en cuanto a precisión y complejidad, sobre todo para problemas con estados de máquina similares. Por eso son populares los métodos supervisados, ya que utilizan datos etiquetados y suelen ser 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 que se han recogido unos cientos de muestras de datos etiquetados, 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. Como nota al margen, los datos etiquetados tienen que reflejar el comportamiento de la máquina en producción, por lo que si tenemos una máquina que es simple encendido/apagado, unas pocas muestras son suficientes. Por el contrario, si pasa por diferentes etapas de producción, hay cambios de material o factores externos que influyen en los datos, puede necesitar muchos datos etiquetados.

En ambos enfoques, el modelo se entrena utilizando datos históricos. Los enfoques no supervisados, como la agrupación, no requieren etiquetado pero pueden tener una precisión menor y una complejidad limitada. Por otro lado, los modelos supervisados son más fáciles de entrenar y a menudo consiguen un rendimiento superior.El etiquetado, sin embargo, puede ser complejo y llevar mucho tiempo.

La conectividad es un componente vital del éxito de la transformación digital, a menudo encarnado en el taller por el concepto de Internet industrial de las cosas (IIoT). Esta noción gira en torno a la integración de máquinas y otras entidades con internet, una idea aparentemente sencilla en el mundo actual. Sin embargo, implantar una conectividad eficaz es una tarea compleja. Aquí es donde interviene Tulip , que ofrece una diversa gama de capacidades de conectividad que permiten la recopilación de datos de máquinas a través de modernas interfaces de software como API y consultas SQL, así como conexiones físicas como interfaces de red, USB, serie y analógicas. Además, Tulip es compatible con protocolos estándar como OPC-UA y MQTT, diseñados específicamente para facilitar la conectividad de las máquinas. Estos conectores sirven de puente entre los dominios físico y digital, facilitando una transferencia de datos sin fisuras.

Sin embargo, puede haber casos en los que conectar máquinas resulte complicado, lo que requiere soluciones innovadoras. En tales casos, Tulip actúa 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 sus aplicaciones, facilitando la creación de disparadores y flujos de trabajo que ahorran tiempo. Captura eventos y mediciones registrados por máquinas, dispositivos y sensores.

Con los componentes mencionados en su lugar, tres principios entran en acción con EdgeIO:

• Apertura: Recopile datos de máquinas en red, analógicas y propietarias mediante sensores y cámaras. Admiten protocolos populares y proporcionan interfaces intuitivas para solicitar datos adicionales a los humanos.

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

• Integrado y conectado: Cree flujos de trabajo intuitivos y racionalizados que recopilen datos automáticamente y ofrezcan orientación en tiempo real. Tulip puede integrarse 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 pueden resultar increíblemente útiles. Tulip ofrece 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 para cablear dispositivos de hardware, API y servicios en línea en el ámbito IoT . Node-RED proporciona un editor de flujos basado en un navegador web, que permite a los usuarios crear funciones JavaScript. Utilizando Node-RED, los sensores y el dispositivo EdgeIO, podemos recopilar datos de series temporales continuas y en tiempo real. Estos datos de la máquina pueden almacenarse en una tabla Tulip y utilizarse para entrenar un modelo de aprendizaje automático. Y podemos hacerlo sin escribir una sola línea de código.