COVID-19 acelera la evolución de la adquisición y análisis de datos

Las estrategias de adquisición de datos evolucionan en era COVID-19, impulsadas por mayores requisitos de visualización remota de datos y decisiones en tiempo real basadas en datos. Interfaces hombre-máquina (HMI) y sistemas de control supervisorio y adquisición de datos (SCADA) se vuelven aún más importantes para lograr transformación digital porque pueden realizar analíticas en dispositivos edge, proporcionando agilidad y resiliencia fundamentales para éxito.

Conectando sensores nuevos y antiguos

Instrumentos tradicionales y sensores IoT más nuevos instalados en equipos de campo están cerca de dispositivos edge, que a su vez capturan grandes cantidades de datos producidos como presiones bomba o condiciones operación máquinas. International Data Corporation (IDC) pronostica 79,4 zettabytes datos creados solo por IoT en 2025 pero todos estos datos crudos no necesariamente producen insights. En su lugar, valor solo se crea obteniendo y aplicando información, conocimiento e insights derivados de analizar datos crudos, empoderando usuarios finales para mejorar procesos.

Soluciones sensores inteligentes disponibles hoy para comprimir, filtrar o convertir señales tiempo real a formato deseado para análisis; sin embargo, hay muchos dispositivos legado ya en servicio con protocolos propietarios que también necesitan incluirse para transformación completa data-driven. Como instalaciones software HMI/SCADA ya están cerca del edge, es natural y conveniente usar este software tanto para comunicar con dispositivos legado como colaborar con sensores inteligentes para soportar toma decisiones data-driven en tiempo real.

Llevando analíticas al edge

Software HMI/SCADA capaz de realizar analíticas avanzadas en dispositivos edge jugará papel pivotal en control, visualización y formulación insights y conocimiento desde datos tiempo real. Porque ya se usa para visualización y control, software HMI/SCADA actualmente proporciona monitorización y control operaciones (Figura 1).

Avanzando, software HMI/SCADA puede suministrar contexto esencial a datos tiempo real en apoyo decisiones data-driven. También puede detectar patrones conocidos y descubrir anomalías, y predecir y avisar operadores de fallos inminentes con antelación. Inferencia y acción local pueden manejarse en dispositivo edge o servidor edge, mientras datos agregados o modelado predictivo pueden realizarse en nube. Analíticas avanzadas expanden capacidades tradicionales HMI/SCADA para que usuarios entiendan causa raíz de eventos y comportamientos y predigan condiciones futuras.

Desplegar aplicaciones HMI/SCADA móviles con analíticas en borde red ofrece organizaciones nivel adicional flexibilidad para soportar servicios móviles inteligentes para trabajadores remotos. Estas apps móviles pueden aprovechar rica recopilación datos de dispositivos remotos y compartirlos con servidor edge para agregación y análisis adicionales antes de enviarlos a nube para modelado machine learning y otros análisis.

Integración cercana de analíticas con aplicaciones HMI/SCADA, definida como analíticas embebidas, está en aumento por necesidad transformar datos en conocimiento. Allied Market Research pronostica mercado analíticas embebidas expandirse de $25,13 mil millones 2016 a $60,28 mil millones 2023. Cuando software HMI/SCADA tradicional se mejora con capacidades analíticas embebidas, usuarios obtienen mejor experiencia aplicación fusionando insight y acción en misma aplicación.

Resultados analíticas embebidas incluyen indicadores clave rendimiento (KPIs), evaluaciones estadísticas y alertas cerca donde operadores trabajan y toman decisiones. Esta demanda empujar transformación digital más cerca del edge donde datos se recogen existe por presión tomar decisiones data-driven más rápido. Con necesidad acelerar respuestas near-real-time, operadores ya no tienen tiempo volver a sala control para análisis.

Aprendizaje automático y algoritmos

Analítica datos extrae insight significativo de datos tiempo real y otras fuentes. Machine learning es forma analítica usando algoritmos para extraer datos, aprender de ellos y luego pronosticar futuro basado en datos históricos. Algoritmos convierten conjunto datos en modelo. Método óptimo entrenamiento —o aprendizaje— algoritmo depende tipo problemas resueltos, recursos computacionales disponibles y naturaleza datos. Dos métodos aprendizaje principales: supervisado y no supervisado.

Con aprendizaje supervisado, algoritmo presentado con conjunto entradas junto con salidas deseadas (también llamadas etiquetas). Objetivo descubrir regla que permita computadora esencialmente descomponer relaciones y aprender qué datos entrada mapean a salidas y cómo.

Con aprendizaje no supervisado, algoritmo presentado con conjunto entradas pero sin salidas deseadas (etiquetas), lo que significa algoritmo debe encontrar estructura y patrones por sí mismo al evaluar y clasificar miles puntos datos basándose en patrones descubiertos. Hay cuatro categorías tradicionales analíticas: descriptiva, diagnóstica, predictiva, prescriptiva, con quinta emergente: cognitiva.

Analítica descriptiva responde “¿Qué está pasando?” Basado en datos tiempo real y pasados, gana insights cómo realiza proceso proporcionando contexto datos. Basado en datos tiempo real, aplicaciones HMI/SCADA con analítica descriptiva proporcionan visualización qué pasa, anuncian alarmas operadores, entregan detalles como fecha/hora ocurrencia, valores asociados, info máquina.

Analítica diagnóstica construye sobre descriptiva para responder “¿Por qué pasó?” Usa estadísticas para encontrar patrones y ofrecer insights datos tiempo real. Usos típicos: identificación anomalías y causas raíz (Figura 2).

Analítica predictiva construye sobre diagnóstica para responder “¿Qué pasará en futuro y por qué?” Aprovecha mismos datos históricos que dos tipos previos para construir modelos matemáticos que usen para inferir qué pasará en futuro, advirtiendo operadores eventos futuros impactando productividad (Figura 3). Herramientas para analítica predictiva incluyen:

• Detección anomalías: ¿comportamiento anómalo? Encuentra datos no conformes patrón esperado.
• Clasificación: ¿fallará esta máquina/proceso? Clasifica datos en categorías binarias: “¿Este producto tiene defecto? Sí/No.”
• Clasificación multi-clase: ¿fallará por razón X? Clasifica en 3+ categorías: “¿Qué tipo defecto calidad? Menor, mayor, crítico?”
• Regresión: ¿cuánto antes fallará? Usa procesos estadísticos estimar relaciones variable dependiente e independientes.

Analítica prescriptiva construye sobre predictiva para responder “¿Qué deberíamos hacer?” Proporciona modelos informar operadores acciones recomendadas. Algoritmos optimización y simulación a menudo usados para analítica prescriptiva. HMI/SCADA con analítica prescriptiva puede prescribir varias acciones posibles y guiar operadores hacia solución.

Analítica cognitiva construye sobre prescriptiva para responder “¿Por qué debería hacerlo?” Usa técnicas algoritmos auto-aprendizaje y deep learning para emular pensamiento humano.

Entendimiento de siguiente nivel

Analíticas descriptiva y diagnóstica usan datos pasados explicar qué pasó y por qué; predictiva, prescriptiva y cognitiva usan datos históricos pronosticar qué pasará futuro junto con acciones para afectar resultado específico. En muchos casos, múltiples analíticas y algoritmos usados simultáneamente, con resultados agregados para mejor toma decisiones.

Software HMI/SCADA desplegado en dispositivo edge puede ser factor clave proporcionando analíticas impulsar organizaciones hacia mejor toma decisiones data-driven incluso desde ubicaciones remotas, mejorando competitividad.

Si hay lado positivo en pandemia COVID-19, es formas empresas aprenden ajustar modelos negocio a decisiones data-driven más tiempo real. Creando más visibilidad remota procesos usando personas, equipos, materias primas e instalaciones, empresas encuentran pueden operar más óptimamente proporcionando lazos más cercanos a clientes, empleados y proveedores.

Este artículo escrito por Bruno Armond Crepaldi, CTO en ADISRA (Austin, TX). Para más información, visite aquí .

Referencias

1. 18 junio 2019 - Crecimiento dispositivos IoT conectados generará 79,4 ZB datos 2025, según nuevo pronóstico IDC.
2. 1 junio 2020 - Mercado global analíticas embebidas alcanzará $60,28 mil millones 2023: AMR.