Inicio » Industria 4.0 surge de la inteligencia artificial e Internet de las cosas
INTELIGENCIA ARTIFICIAL TECNOLOGIAS

Industria 4.0 surge de la inteligencia artificial e Internet de las cosas

Industria-4.0-revolucion

La Industria 4.0 ya está aquí

El big data, el análisis y el aprendizaje automático comienzan a parecer palabras comerciales anónimas, pero no son solo conceptos abstractos sobreutilizados, sino que representan grandes cambios en gran parte de la tecnología que manejamos en nuestra vida diaria. Algunos de esos cambios han sido para mejor, haciendo que nuestra interacción con las máquinas y la información sea más natural y más poderosa. Otros han ayudado a las empresas a aprovechar las relaciones, los comportamientos, las ubicaciones y los pensamientos más íntimos de los consumidores de maneras poderosas y, a menudo, inquietantes. Y las tecnologías han dejado una huella en todo, desde nuestras carreteras hasta nuestros hogares. Sin duda alguna ha nacido la Industria 4.0 y crece a pasos agigantados.

Etiquetado como “Industria 4.0” (oye, al menos es mejor que “Internet de las cosas”), esta cuarta revolución industrial se ha desarrollado durante los últimos diez años, en gran parte debido a las enormes diferencias culturales y estructurales entre la información. La tecnología que alimenta el cambio y la “tecnología operativa” que ha estado en el corazón de la automatización industrial durante décadas.

robots-manufactura-de-autos

Al igual que con otros matrimonios de tecnología e inteligencia artificial (o al menos los algoritmos de aprendizaje limitados que todos llamamos actualmente “inteligencia artificial“), los beneficios potenciales de la Industria 4.0 son enormes. Las empresas están viendo una fabricación más precisa y de mayor calidad con menores costos operativos; menos tiempo de inactividad debido al mantenimiento predictivo y la inteligencia en la cadena de suministro; y menos lesiones en los pisos de fábrica debido a equipos más adaptables. Y fuera de la fábrica, otras industrias podrían beneficiarse de tener un sistema nervioso de sensores, análisis para procesar “lagos” de datos y respuestas justo a tiempo a problemas emergentes: aviación, energía, logística y muchos otros negocios que dependen En cosas confiables, predecibles también podría obtener un impulso.

Pero la nueva forma viene con desafíos importantes, entre los cuales se encuentran la seguridad y la resistencia de los sistemas nerviosos conectados en red que unen toda esta nueva magia. Cuando la seguridad humana está en juego, tanto la seguridad de los trabajadores como las personas que viven cerca de sitios industriales, esas preocupaciones no se pueden dejar de lado tan fácilmente como las actualizaciones de las aplicaciones móviles o los parches del sistema operativo.

Y luego siempre está la cosa de “los robots están robando nuestros trabajos”. (La verdad es mucho más complicada, y la veremos más adelante esta semana).

Sensores y sensibilidad

El término “Industria 4.0” fue acuñado por Acatech  (la academia de ciencias de ingeniería del gobierno alemán) en una hoja de ruta nacional de 2011 para el uso de tecnología de sistemas integrados. Diseñado como una forma de describir la “digitalización industrial”, el término se aplicó para marcar el cambio de la automatización simple con robots industriales en gran parte independientes hacia “sistemas ciberfísicos” conectados en red: orquestación basada en información entre sistemas y los humanos que trabajan con ellos, basados ​​en una variedad de sensores y entradas humanas.

Como un documento promocional para la hoja de ruta del Ministerio Federal de Educación e Investigación de Alemania declaró: “Las máquinas que se comunican entre sí, se informan entre sí sobre los defectos en el proceso de producción, identifican y reordenan los escasos inventarios de material … este es el Visión detrás de la Industria 4.0 “.

En el futuro de la Industria 4.0, las fábricas inteligentes que utilizan manufactura aditiva, como la impresión 3D a través de la sinterización por láser selectiva, y otros sistemas de manufactura controlados por computadora pueden fabricar piezas adaptadas a pedido, directamente desde diseños digitales. Los sensores realizan un seguimiento de los componentes necesarios y los ordenan según los patrones de demanda y otros árboles de decisión algorítmicos, llevando la fabricación “justo a tiempo” a un nuevo nivel de optimización.

Los sensores ópticos y los sistemas controlados por el aprendizaje de la máquina monitorean la calidad de los componentes con más consistencia y precisión que los humanos potencialmente cansados ​​y aburridos en la línea de productos. Los robots industriales trabajan en sincronización con los humanos que realizan tareas más delicadas, o los reemplazan por completo. Toda la cadena de suministro puede pivotar con la introducción de nuevos productos, cambios en el consumo, y la fluctuación económica. Y las máquinas pueden decirle a los humanos cuándo deben ser reparadas antes de que incluso se rompan o le digan a las personas mejores formas de organizar la línea, todo debido a que la inteligencia artificial procesa las enormes cantidades de datos generados por el proceso de fabricación.

Esa visión ha impulsado un esfuerzo de la Unión Europea de 1.150 millones de euros (aproximadamente 1.300 millones de dólares), que se llama la Asociación de Fábricas Europeas del Futuro. Los esfuerzos similares de “fábrica del futuro” han sido financiados por el gobierno de los Estados Unidos, en particular, por el Departamento de Defensa , que considera que la tecnología es clave para la base industrial de la defensa.

La Agencia de Proyectos de Investigación Avanzada de la Defensa (DARPA, por sus siglas en inglés) ha utilizado programas de investigación como el proyecto Adaptive Vehicle Make para impulsar el desarrollo de proyectos de manufactura avanzados e integrados en la información, y continúa analizando las tecnologías habilitadas por la Industria 4.0, como el eficaz trabajo en equipo con la máquina (el capacidad de las máquinas para adaptarse y trabajar junto con los humanos como socios en lugar de herramientas, y sistemas inteligentes de cadena de suministro basados ​​en tecnología de inteligencia artificial, un esfuerzo llamado LogX . Los investigadores del Laboratorio de Sistemas Sociales Humano-Máquinas (HMSS) de MITRE Corporation también han estado trabajando en formas de mejorar la forma en que los sistemas robóticos interactúan con los humanos.

Los cerebros de una turbina eólica, mostrados aquí, contienen más sensores industriales de los que se pueden agitar.

Los cerebros de una turbina eólica, mostrados aquí, contienen más sensores industriales de los que se pueden agitar.
Greg russ

 

Como parte de ese trabajo, MITRE se ha asociado con varias empresas nuevas de robótica, incluida American Robotics, que ha desarrollado un sistema de drones totalmente automatizado para la agricultura de precisión . Llamado Scout, el sistema es una unidad autónoma e impermeable que se encuentra adyacente a los campos. Todo lo que un agricultor tiene que hacer es programar los tiempos de vuelo de los aviones no tripulados, y la IA se encarga de la planificación y gestión del vuelo de los aviones no tripulados, así como la recopilación y el procesamiento de imágenes y datos, cargando todo en la nube a medida que avanza.

Ese nivel de autonomía permite a los agricultores simplemente mirar datos sobre la salud de los cultivos y otras métricas en sus dispositivos personales, y luego actuar sobre esos datos, aplicando pesticidas, herbicidas o fertilizantes adicionales si es necesario. Con un poco más de jugo de aprendizaje automático, esas son tareas que eventualmente podrían ser entregadas a otros drones o equipos robóticos de cultivo una vez que se establezcan los patrones y las reglas de su uso.

Scout refleja cómo el trabajo en equipo humano-máquina podría funcionar en la fábrica: las máquinas autónomas transmiten datos a los humanos a través de la visión aumentada u otras pantallas, lo que les permite a los humanos tomar decisiones basadas en sus habilidades y conocimientos del dominio, y luego hacer que los humanos y las máquinas actúen sobre la base. Tareas requeridas juntas. Pero ese nivel de integración aún está en su infancia.

Cada sensor cuenta una historia

Un lugar donde ya se lleva a cabo una forma embrionaria de equipo humano es en el mundo del comercio minorista: Walmart utiliza robots para escanear los estantes de las tiendas en busca de niveles de stock y ha descargado camiones en forma automática (a través de un sistema llamado “Fast Unloader” ) en muchas tiendas. —Utilizando sensores y cintas transportadoras para clasificar los envíos en carros de almacenamiento. Y los sistemas robóticos ya han asumido el papel de “picking” de almacén en Amazon, trabajando con humanos para recuperar y enviar compras.

A la inversa, un elemento de la Industria 4.0 que ha evolucionado más allá de la etapa embrionaria es el uso de datos de sensores para impulsar las operaciones de la planta, especialmente para la tarea de mantenimiento predictivo. El tiempo de inactividad inesperado del equipo es la pesadilla de todas las industrias, especialmente cuando la falla de una parte relativamente menor conduce a la falla total de un activo costoso.

Lee Hutchinson de Ars se encuentra frente al gabinete de Creel que alimenta la fibra de carbono al robot que realizó todos nuestros trabajos de instalación de fibra de carbono.
Lee Hutchinson se encuentra frente al gabinete de Creel que alimenta la fibra de carbono al robot que realizó todos nuestros trabajos de instalación de fibra de carbono

Según algunas estimaciones, aproximadamente el 80 por ciento del tiempo que se dedica actualmente al mantenimiento industrial es puramente reactivo: el tiempo dedicado a arreglar las cosas que se rompieron. Y casi la mitad del tiempo de inactividad no programado en los sistemas industriales es el resultado de fallas en los equipos, a menudo con equipos que se encuentran al final de su vida útil. Ser capaz de predecir fallas y planear el mantenimiento o reemplazo de hardware cuando tendrá menos impacto en las operaciones es el Santo Grial de los operadores de la planta.

También es un objetivo que la industria ha estado persiguiendo durante mucho tiempo. El concepto de sistemas computarizados de gestión de mantenimiento (CMMS) ha existido de alguna forma desde la década de 1960, cuando las implementaciones tempranas se construyeron alrededor de mainframes. Pero CMMS casi siempre ha sido un proceso muy manual, confiando en los informes de mantenimiento y los datos recopilados y suministrados a las computadoras por los seres humanos, no capturando toda la amplitud y profundidad de los datos de sensores generados por sistemas industriales cada vez más instrumentados (y caros).

Hacer algo con esos datos para predecir y prevenir fallas en el sistema se ha vuelto cada vez más importante. Como lo explicó el gerente de la industria de MathWorks, Philipp Wallner, la creciente urgencia se debe a “[l] a la creciente complejidad que estamos viendo con los componentes electrónicos en los activos y dispositivos, y la creciente cantidad de software en ellos”. Y a medida que los sistemas industriales proporcionan más datos sobre sus operaciones en el piso de la planta o en el campo, esos datos deben procesarse para que sean útiles para el operador, no solo para predecir cuándo debe realizarse el mantenimiento, sino para optimizar la forma en que se opera el equipo.

LEA TAMBIEN  La diferencia entre la inteligencia artificial, el aprendizaje de máquina y el aprendizaje profundo
Un avión montado en una instalación de Airbus. La compañía está desarrollando "herramientas inteligentes" que utilizan inteligencia local y de red como parte de su propia iniciativa "fábrica del futuro" de la Industria 4.0.
Un avión que se ensambla en una instalación de Airbus. La compañía está desarrollando “herramientas inteligentes” que utilizan inteligencia local y de red como parte de su propia iniciativa “fábrica del futuro” de la Industria 4.0.
Aerobús

 

Los sistemas de mantenimiento predictivo, como Maximo de IBM , Predix de General Electric y MATLAB Predictive Maintenance Toolbox, son un intento de aprovechar el aprendizaje automático y los modelos de simulación para hacer posible ese nivel de inteligencia. “El mantenimiento predictivo es la aplicación líder para hacer uso de esos datos en el campo”, dijo Wallner, “especialmente en áreas donde los componentes son realmente costosos, como la energía eólica. Para los operadores de equipos, no hay duda”.

En algunos casos, es más difícil de vender a los fabricantes de equipos , especialmente porque la implementación del concepto a menudo implica proporcionar datos de modelado detallados (y, por lo tanto, de propiedad y profundamente protegidos) para sus productos. Y algunos fabricantes de equipos pueden ver el mantenimiento predictivo como una amenaza para su negocio de ventas y mantenimiento de alto margen. Sin embargo, algunas compañías ya han comenzado a construir sus propias líneas de negocios basadas en el mantenimiento predictivo, como General Electric.

El concepto de sistemas computarizados de gestión de mantenimiento ha existido de alguna forma desde la década de 1960, cuando las primeras implementaciones se construyeron alrededor de mainframes. Pero CMMS casi siempre ha sido un proceso muy manual …

GE utilizó Predix por primera vez con fines internos, como la planificación del mantenimiento de su flota de motores a reacción, utilizando “lagos de datos” de lecturas de telemetría del motor para ayudar a determinar cuándo programar el mantenimiento de las aeronaves para minimizar su impacto en los clientes de GE. Al usar una biblioteca de datos para cada pieza de equipo compatible y un flujo de datos de sensores, los científicos de datos de GE Software construyeron modelos (“gemelos digitales” de los sistemas mismos) que pueden usarse para detectar signos tempranos de desgaste de partes antes de que las cosas avancen. fracaso.

Pero GE también ha aplicado la misma técnica a otros insumos menos mecánicos, incluido el uso de modelos para el clima y los datos de crecimiento de árboles para predecir cuándo los árboles podrían convertirse en una amenaza para las líneas eléctricas de Quebec Hydro. Y GE ha expandido el papel de Predix en el mercado de la energía , modelando la producción de la planta de energía y otros factores para brindarles a los comerciantes de energía una herramienta que les ayude a tomar decisiones financieras. Los sistemas predictivos también ya tienen un impacto en la logística, por ejemplo, en Amazon, que utiliza modelos predictivos para potenciar la preparación de productos de Amazon Prime más cerca de los posibles compradores.

Existen otros enfoques para la predicción, algunos de los cuales sangran para gestionar la operación general de la planta en sí. Maximo APM de IBM , por ejemplo, basado en la plataforma de IBM Watson IoT, construye su línea de base a partir de sensores y otros datos de equipos en la fábrica para refinar continuamente sus algoritmos para el mantenimiento. Otro paquete de Maximo se centra en las operaciones generales de la planta, identificando cuellos de botella en el proceso y otros problemas que podrían aumentar los costos de operación. ( L’Oreal ha tenido éxito en la implementación de Maximo y la plataforma Watson IoT como parte de su propio esfuerzo de la Industria 4.0).

Cerrar la brecha entre los datos y el conocimiento

Pero hay varios desafíos que enfrentan las empresas para hacer que los sistemas predictivos sean efectivos: el antiguo proverbio informático de “basura dentro y fuera” definitivamente sigue siendo válido. Wallner, de MathWorks, señaló que el principal desafío es cerrar la brecha entre los dos dominios de conocimiento necesarios para que el mantenimiento predictivo funcione. “¿Cómo realmente permite que los expertos en dominios trabajen en estrecha colaboración con los científicos de datos, o que una persona haga ambas cosas? Esa es la tensión”, explicó Wallner. “Usted tiene dos silos de conocimiento, con un grupo que tiene los científicos de datos puros y el otro que tiene expertos en el dominio con conocimiento del equipo que construyen, sin hablar entre ellos”. Las herramientas para crear los modelos necesarios para la operación deben facilitar la colaboración entre esos dos campos, dijo.

Incluso cuando hay una buena colaboración, hay otro problema para muchos modelos predictivos: aunque hay muchos datos disponibles, la mayoría se trata de operaciones normales en lugar de fallos (que es como debería ser, una planta que funciona sin problemas no debería estar sufriendo mucho). de fallos). “A menudo no hay suficientes datos de fallas para entrenar algoritmos”, dijo Wallner. “¿Cómo se entrenan los algoritmos que necesitan muchos datos con la falta de datos de fallas?”

Un <a href="https://en.wikipedia.org/wiki/Time-Sensitive_Networking"> conmutador de red sensible al tiempo </a> utilizado en una red de tráfico de control industrial. ” width=”640″ height=”427″></a><figcaption class=
Un interruptor de red sensible al tiempo utilizado en una red de tráfico de control industrial.

 

En algunos casos, los fabricantes realizan pruebas de “ejecución para fallar” para recopilar datos sobre cómo sus equipos actúan como componentes que comienzan a salir de sus parámetros operativos normales. Sin embargo, las pruebas de “ejecutar para fallar” implican la creación de fallas, y romper a propósito el hardware de fabricación costoso y complicado es poco común. “No desea ejecutar un escenario en el que rompa su turbina eólica”, explicó Wallner. “Es demasiado caro y peligroso”. En estos casos, es posible que los expertos en dominios de los fabricantes ya hayan construido modelos de simulación para probar dichas condiciones de manera computacional, y esos modelos se pueden incorporar en sistemas de mantenimiento predictivo con un poco de adaptación.

La última brecha que hay que salvar es cómo y dónde.para procesar los datos del dispositivo. En algunos casos, por seguridad o velocidad de respuesta, los datos del equipo deben analizarse muy cerca del propio equipo industrial, incluso con algoritmos ejecutados en el procesador integrado o el controlador lógico de procedimiento (PLC) que controla la máquina. Otras partes del análisis que son en tiempo real pero no están directamente orientadas a la seguridad podrían ejecutarse en hardware cercano. Pero un análisis predictivo a más largo plazo generalmente requiere una gran cantidad de poder de cómputo y acceso a muchos otros datos de respaldo, y esto generalmente significa que las aplicaciones complejas se ejecutan en el centro de datos de una empresa o en un sistema de computación en la nube industrial. Tanto los sistemas predictivos de GE como los de IBM se ejecutan en la nube, mientras que los algoritmos de MathWorks se pueden ejecutar localmente o en otras nubes (incluida la nube Predix de GE).

En algunos casos, las compañías pueden ejecutar combinaciones de todos los métodos anteriores o comenzar con sistemas de “borde” manejando predicciones hasta que estén más cómodos con el uso de soluciones en la nube. “Tiene sentido tener parte del algoritmo lo más cerca posible del equipo, hacer cosas como el filtrado de datos”, explicó Wallner, “pero tener el algoritmo predictivo en la nube”. Esto te lleva a lo mejor de todos los mundos.

Los peligros de la digitalización en la Industria 4.0

Si bien existe un gran potencial en la combinación de tecnología de la información y tecnología operacional que hace posible los conceptos de la Industria 4.0 como el mantenimiento predictivo, al darse cuenta de que el potencial no conlleva riesgos, especialmente si no se toman las medidas de seguridad adecuadas. Si bien ha habido pocas amenazas cibernéticas creíbles para los sistemas industriales, están surgiendo nuevas amenazas, incluidos los ataques de malware “Triton” que tenían como objetivo deshabilitar los sistemas de seguridad en múltiples sitios industriales  y los ataques cibernéticos de “Energía Negra” en Ucrania que tomaron parte brevemente de la red eléctrica hacia abajo.

Los sistemas de modelado predictivo representan un riesgo menor que los que tienen control directo sobre los equipos, pero aún existen motivos para preocuparse por el posible acceso a los datos analíticos en bruto de la fábrica. Dichos datos no producirán de inmediato los planos para las piezas de fabricación patentadas, pero si están sujetas a técnicas analíticas de “big data” podrían dar al adversario (o competidor) una gran cantidad de información sobre los patrones de operaciones de fabricación, la eficiencia de la planta y detalles del proceso de fabricación que podrían utilizarse para otros fines, incluido el espionaje industrial absoluto. Funcionarios del Ministerio de Educación e Investigación de Alemania señalaron en el informe de la industria 4.0 del ministerio que “la preocupación más frecuente, especialmente entre [expertos en la materia], es que los datos de la Industria 4.0 no son seguros,

Sin embargo, existen amenazas mucho mayores que podrían provenir de la combinación de tecnología operativa con TI tradicional, especialmente cuando los sistemas autónomos están conectados a redes industriales existentes. El ransomware y otro malware destructivo podrían reducir las redes de control, como sucedió en Baltimore cuando un ataque de ransomware destruyó los datos de los sensores autónomos de luz roja y cámara de velocidad y cerró la red de cámaras de CityWatch. Y existe la amenaza que los controles a sí mismos podrían eventualmente ser dirigidos y manipulados, subvertidos o saboteados.

Gran parte de lo que ha protegido a la tecnología operativa de los ataques hasta ahora ha sido “la seguridad a través de la oscuridad”. Los protocolos de control industrial varían ampliamente entre los fabricantes de equipos. Sin embargo, combinar Internet de las cosas y otras tecnologías de la información con tecnología operativa requerirá mucha más atención a la seguridad, especialmente en aplicaciones donde existe una amenaza para las vidas humanas. Un ataque malintencionado a los sistemas de seguridad podría tener ramificaciones “ciberfísicas” más allá de la pérdida de productividad o la rotura de equipos en industrias químicas, energéticas y otras donde un fallo podría poner al público en riesgo.

GE y otros han intentado proteger las redes aislando los sistemas de control de las redes de datos de sensores y colocando firewalls frente a sistemas más antiguos para bloquear el tráfico de red no deseado. La computación en la nube industrial generalmente está particionada desde Internet por redes privadas virtuales y otras medidas. Pero antes de que las industrias entreguen más trabajos a los robots de software y hardware autónomos, una buena evaluación de la seguridad de los datos y comandos que fluyen hacia ellos es probablemente una buena idea.

Fuente: ARS Technica