COVID-19 impulsa la adquisición de datos y la evolución del análisis

Las estrategias de adquisición de datos están evolucionando en la era de COVID-19, impulsadas por mayores requisitos para la visualización remota de datos y decisiones en tiempo real basadas en datos. Los sistemas de interfaz hombre-máquina (HMI) y control de supervisión y adquisición de datos (SCADA) se están volviendo aún más importantes para lograr la transformación digital porque pueden realizar análisis en dispositivos perimetrales, proporcionando la agilidad y la resiliencia fundamentales para el éxito.

Conexión con sensores nuevos y antiguos

Los instrumentos tradicionales y los sensores de Internet de las cosas (IoT) más nuevos instalados en los equipos de campo están muy cerca de los dispositivos de borde, que a su vez pueden capturar grandes cantidades de datos producidos, como las presiones de las bombas o las condiciones de funcionamiento de las máquinas. International Data Corporation (IDC) pronostica que solo el IoT creará 79,4 zettabytes de datos en 20251, pero todos estos datos sin procesar no necesariamente producirán conocimientos. En su lugar, solo se creará valor mediante la obtención y aplicación de información, conocimientos y perspectivas derivadas del análisis de datos sin procesar, lo que permitirá a los usuarios finales mejorar los procesos.

Las soluciones de sensores inteligentes están disponibles hoy para comprimir, filtrar o convertir señales en tiempo real al formato deseado para el análisis; sin embargo, hay muchos dispositivos heredados que ya están en servicio con protocolos patentados que también deben incluirse para una transformación completa basada en datos. Debido a que las instalaciones de software HMI/SCADA ya están cerca del borde, es natural y conveniente usar este software tanto para comunicarse con dispositivos heredados como para colaborar con sensores inteligentes para respaldar la toma de decisiones basada en datos en tiempo real.

Llevando la analítica al perímetro

El software HMI/SCADA capaz de realizar análisis avanzados en dispositivos perimetrales desempeñará un papel fundamental en el control, la visualización y la formulación de perspectivas y conocimientos a partir de datos en tiempo real. Debido a que ya se usa para visualización y control, el software HMI/SCADA actualmente brinda monitoreo y control de operaciones (Figura 1).

En el futuro, el software HMI/SCADA puede proporcionar un contexto esencial a los datos en tiempo real para respaldar la toma de decisiones basada en datos. También puede detectar patrones conocidos y descubrir anomalías, y puede predecir y advertir a los operadores de fallas inminentes con mucha anticipación. La inferencia y la acción local se pueden manejar en el dispositivo perimetral o el servidor perimetral, mientras que los datos agregados o el modelado predictivo se pueden realizar en la nube. El análisis avanzado amplía las capacidades tradicionales de HMI/SCADA para que los usuarios puedan comprender la causa raíz de los eventos y comportamientos, así como predecir condiciones futuras.

La implementación de aplicaciones móviles HMI/SCADA con análisis en el borde de la red ofrece a las organizaciones un nivel adicional de flexibilidad para admitir servicios móviles inteligentes para trabajadores remotos. Estas aplicaciones móviles pueden aprovechar la recopilación de datos enriquecidos de dispositivos remotos y compartirlos con un servidor perimetral para una mayor agregación y análisis antes de enviarlos a la nube para el modelado de máquinas y otros análisis.

La estrecha integración de análisis con aplicaciones HMI/SCADA, definidas como análisis integrados, está en aumento debido a la necesidad de transformar datos en conocimiento. Allied Market Research pronostica que el mercado de análisis integrado se expandirá de $ 25,130 millones en 2016 a $ 60,280 millones para 2023 2. Cuando el software HMI/SCADA tradicional se mejora con capacidades de análisis integrado, los usuarios obtienen una mejor experiencia de aplicación al combinar información y acción en el mismo aplicación.

Los resultados de los análisis integrados incluyen indicadores clave de rendimiento (KPI), evaluaciones estadísticas y alertas cercanas al lugar donde los operadores hacen su trabajo y donde se toman las decisiones. Esta demanda de impulsar la transformación digital más cerca del borde donde se recopilan los datos existe debido a la presión de tomar decisiones basadas en datos más rápido. Con la necesidad de acelerar las respuestas casi en tiempo real, los operadores ya no tienen tiempo de regresar a la sala de control para el análisis.

Aprendizaje automático y algoritmos

El análisis de datos extrae información significativa de fuentes de datos en tiempo real y de otro tipo. El aprendizaje automático es una forma de análisis que utiliza algoritmos para extraer datos, aprender de ellos y luego pronosticar el futuro en función de los datos históricos. Los algoritmos convierten un conjunto de datos en un modelo. El método óptimo de entrenamiento o aprendizaje de algoritmos depende del tipo de problemas que se resuelven, los recursos informáticos disponibles y la naturaleza de los datos. Dos métodos principales de aprendizaje son supervisados ​​y no supervisados.

Con el aprendizaje supervisado, se presenta un algoritmo con un conjunto de entradas junto con sus salidas deseadas (también llamadas etiquetas). El objetivo es descubrir una regla que permita a la computadora desglosar las relaciones y aprender qué datos de entrada se asignan a las salidas y cómo.

Con el aprendizaje no supervisado, a un algoritmo se le presenta un conjunto de entradas pero no las salidas deseadas (etiquetas), lo que significa que el algoritmo debe encontrar la estructura y los patrones por sí mismo mientras evalúa y clasifica miles de puntos de datos en función de los patrones descubiertos. Hay cuatro categorías tradicionales de análisis:descriptivo, diagnóstico, predictivo y prescriptivo, con un quinto emergente en forma de cognitivo.

El análisis descriptivo responde a la pregunta "¿Qué está pasando?" Basado en datos pasados ​​y en tiempo real, obtiene información sobre cómo se está desempeñando el proceso al proporcionar contexto a los datos. Con base en datos en tiempo real, las aplicaciones HMI/SCADA que usan análisis descriptivos brindan visualización de lo que está sucediendo, anuncian alarmas para los operadores y brindan detalles como la fecha/hora de ocurrencia, valores asociados e información de la máquina.

El análisis de diagnóstico se basa en el análisis descriptivo para responder a la pregunta:"¿Por qué sucedió esto?" El análisis de diagnóstico utiliza estadísticas para encontrar patrones y ofrecer información sobre datos en tiempo real. Los usos típicos son la identificación de anomalías y causas raíz (Figura 2).

El análisis predictivo se basa en el análisis de diagnóstico para responder a la pregunta:"¿Qué pasará en el futuro y por qué?" El análisis predictivo aprovecha los mismos datos históricos que los dos tipos de análisis anteriores para construir modelos matemáticos que se pueden usar para hacer inferencias sobre lo que sucederá en el futuro, advirtiendo a los operadores de eventos futuros que impactan en la productividad (Figura 3). Existen varias herramientas que se utilizan para el análisis predictivo, entre ellas:

• Detección de anomalías, que responde a la pregunta "¿Es el comportamiento anómalo?" Encuentra datos que no se ajustan a un patrón esperado.

• Clasificación, que responde a la pregunta:"¿Esta máquina o proceso fallará?" Clasifica los datos en categorías binarias como “¿Este producto tiene algún defecto? Sí o No.”

• La clasificación multiclase intenta responder a la pregunta:"¿Esta máquina o proceso fallará por la razón X?" Clasifica los datos en una de tres o más categorías, como “¿Qué tipo de defecto de calidad tiene este producto? ¿Menor, mayor o crítico?”

• La regresión responde a la pregunta:"¿Cuánto tiempo antes de que falle esta máquina o proceso?" La regresión utiliza procesos estadísticos para estimar las relaciones entre una variable dependiente y una o más variables independientes.

El análisis prescriptivo se basa en el análisis predictivo para responder a la pregunta "¿Qué debemos hacer?" El análisis prescriptivo proporciona modelos para informar a los operadores sobre las acciones recomendadas. Los algoritmos de optimización y simulación se utilizan a menudo para el análisis prescriptivo. HMI/SCADA que trabaja con análisis prescriptivos puede prescribir varias acciones posibles diferentes y guiar a los operadores hacia una solución.

El análisis cognitivo se basa en el análisis prescriptivo para responder a la pregunta:"¿Por qué debería hacerlo?" El análisis cognitivo utiliza técnicas de algoritmos de autoaprendizaje y aprendizaje profundo para emular el pensamiento humano.

Entendimiento de siguiente nivel

El análisis descriptivo y de diagnóstico usa datos pasados ​​para explicar qué sucedió y por qué sucedió, mientras que el análisis predictivo, prescriptivo y cognitivo usa datos históricos para pronosticar lo que sucederá en el futuro junto con las acciones que se deben tomar para afectar un resultado específico. En muchos casos, se utilizan varios análisis y algoritmos simultáneamente, con resultados agregados para una mejor toma de decisiones.

El software HMI/SCADA implementado en un dispositivo perimetral puede ser un factor clave para proporcionar análisis que impulsen a las organizaciones hacia una mejor toma de decisiones basada en datos, incluso desde ubicaciones remotas, mejorando la competitividad.

Si hay un lado positivo en la pandemia de COVID-19, es la forma en que las empresas están aprendiendo a ajustar los modelos comerciales a una toma de decisiones más en tiempo real y basada en datos. Al crear una visibilidad más remota de los procesos que utilizan personas, equipos, materias primas e instalaciones, las empresas descubren que pueden funcionar de manera más óptima al proporcionar vínculos más estrechos con los clientes, empleados y proveedores.

Este artículo fue escrito por Bruno Armond Crepaldi, director de tecnología de ADISRA (Austin, TX). Para obtener más información, visite aquí .

Referencias

1. 18 de junio de 2019:se espera que el crecimiento de los dispositivos IoT conectados genere 79,4 ZB de datos en 2025, según un nuevo pronóstico de IDC.
2. 1 de junio de 2020:el mercado global de análisis integrado alcanzará los 60 280 millones de dólares para 2023:AMR.