Tag: Industria 4.0

OPRA blog itelligent

El pasado mes de octubre de 2019, el Ministerio de Economía y Empresa publicaba el listado de proyectos beneficiarios de las ayudas a Tecnologías Habilitadoras Digitales 2019 entre los que se encontraba el Proyecto OPRA de ITELLIGENT en un segundo puesto entre los 46 proyectos seleccionados.

Las Tecnologías Habilitadoras Digitales son aquellas tecnologías claves para la transformación y el desarrollo de la economía digital. Entre ellas se encuentran: Inteligencia Artificial, el procesamiento del lenguaje natural, las tecnologías para el tratamiento de datos masivos y bases de datos distribuidas (blockchain), el Internet de las Cosas, las futuras redes de comunicación 5G, la supercomputación (HPC), la computación difusa y en la nube, la robótica, la realidad virtual, la ciberseguridad, la biometría y la identidad digital, la micro/nano electrónica.

Concretamente, OPRA se trata de un proyecto pionero en el que se desarrolla un sistema de OPtimización RÁpida basada en Deep Reinforcement Learning, con aplicación a la Industria 4.0 y Smart Cities. La ayuda concedida por la Secretaría de Estado para el Avance Digital para desarrollar el proyecto OPRA asciende a más de 153 mil euros; pero, ¿en qué consiste exactamente?

OPtimización RÁpida basada en Deep Reinforcement Learning, con aplicación a la Industria 4.0 y Smart Cities

En la actualidad, aunque el avance del IOT está permitiendo disponer de cada vez más datos y la inteligencia artificial permita extraer cierto valor de dichos datos, sigue existiendo una importante laguna en la toma de decisiones automática y esto se debe a que los algoritmos de optimización, que son los auténticos motores de los sistemas de decisión, son lentos y complejos de realizar. Por tanto, para conseguir las mejoras en la sociedad que las tecnologías ligadas a la Industria 4.0 y a las Smart Cities prometen, es necesario un importante avance en los actuales sistemas de toma de decisiones y en los algoritmos que los impulsan.

Gran parte de las decisiones a afrontar por la Industria 4.0 y las Smart Cities están ligadas a “problemas de planificación” (ej. planificación tráfico, planificación operaciones en talleres, planificación de transporte, planificación personal en hospitales, planificación de puertos, planificación de entregas de paquetería, …). Los algoritmos de optimización para resolver problemas de planificación, en el actual estado del arte, están en gran medida basados en algoritmos de búsqueda local, que requieren ir probando distintas soluciones hasta conseguir la óptima (o una cercana a la óptima), esto los hace lentos y difíciles de implementar ya que hay que construirlos ad-hoc para cada problema.

Recientemente el mundo de la Inteligencia Artificial se ha visto sacudido por un importante avance en la resolución de problemas de decisión. Este avance ha venido de la mano del Deep Reinforcement Learning (DRL), tecnología que está detrás de la victoria de Google AlphaGo en el juego del Go y otros avances muy relevantes en problemas que requieren tomas de decisiones automáticas. Frente a los algoritmos tradicionales el Deep Reinforcement Learning (DRL) introduce un nuevo paradigma, basado en que es posible aprender a decidir y este aprendizaje, que se puede realizar off-line y mediante simulación, permite ser aplicado con éxito a problemas reales, consiguiéndose con ello reducir el tiempo necesario para la resolución del problema y simplificando extraordinariamente la generación de nuevos algoritmos para problemas de decisión.

El objetivo de este proyecto es desarrollar nuevos Algoritmos de Optimización basados en Deep Reinforcement Learning (DRL), para dos problemas específicos: Vehicle Routing Problem y Scheduling. En este campo todavía no hay experiencias relevantes (TRL 3), por lo que el objetivo es testear estos algoritmos con datos relevantes e incorporarlos en un prototipo que permita a un usuario interactuar de forma controlada con los resultados (TRL 6) y en el futuro, una vez finalizado el proyecto, el objetivo es comercializarlos en modo SaaS a nivel global.

Actualmente, ingenieros de I+D+i de ITELLIGENT están trabajando en el desarrollo del proyecto OPRA, con lo que esperamos que en un próximo post, os contemos cómo ha evolucionado y qué resultados se han obtenido. Mientras tanto, puedes seguir al proyecto OPRA en Twitter y en LinkedIn.

La Industria 4.0 se enfrenta a grandes desafíos para la creación de nuevo modelos de negocio que enriquezcan la cadena de valor de la industria y que estén basados en la creación de nuevas propuesta. También,  la integración total de los sistemas de información se enfrenta a un gran desafío: recolectar la inmensa cantidad de datos procedentes de una gran variedad de fuentes diversas y heterogéneas.

La Transformación Digital de la industria implica la aplicación de un conjunto de tecnologías en toda la cadena de valor de la misma. Estos cambios generan beneficios a nivel de proceso, de producto y de modelo de negocio. La Industria 4.0 va más allá en la optimización de lo existente para generar disrupciones y cambios más radicales de proceso, producto y modelo de negocio. Por tanto, ante esta situación en la industria, ITELLIGENT ha desarrollado una herramienta basada en una tecnología inteligente: netIndustrial.

A partir de esta necesidad en el sector, desarrollamos sistemas como netIndustrial que permiten la captura de datos y su hibridación con otros datos procedente de sensores, ERP, u otras fuentes. Una vez hibridados, se generan modelos de Inteligencia Artificial para que ayuden a mejorar los resultados en los procesos, en el control de la producción, en la logística, schedulling, etc. El objetivo principal es que nuestros clientes aprovechen la oportunidad que los datos de las plantas de producción (taller o fábrica) ofrecen y ¡gracias a netIndustiral esto es posible!

¿Qué puedes hacer con netIndustrial?

  • Planificación de operaciones. Utilizando técnicas de Inteligencia Artificial, podrás planificar las operaciones en el taller o fábrica de forma óptima. A través de este módulo de planificación se puede maximizar la ocupación del taller o fábrica y cumplir con los plazos marcados en el proceso.
  • Seguimiento de proyectos. Detectar de forma temprana las desviaciones en proyectos y asignación de causas mediante modelos de Inteligencia Artificial.
  • Mantenimiento predictivo. Optimiza las labores de mantenimiento a través de la analítica predictiva y maximiza los recursos disponibles para dicho mantenimiento.
  • Logística. Optimiza las labores logísticas a partir de un mayor conocimiento de la demanda y de la maximización del uso de los recursos.

¿Qué ventajas ofrece esta herramienta?

  • HERRAMIENTA INTEGRADA. Se trata de un sistema cuya finalidad es integrar todo aquello que sea útil tanto para la planificación, seguimiento, mantenimiento como logística de los procesos de producción/fabricación. Asimismo, netIndustrial permite integración con ERP de terceros u otras plataformas o sistemas que el cliente posea y sea de utilidad para el día a día de la planta de producción.
  • ESCALABLE. La plataforma esta diseñada para escalar funcionalmente de forma que se aprovechen al máximo el potencial de los datos mediante servicios “elásticos”.
  • DESARROLLO A MEDIDA. Si es necesario realizar desarrollos adicionales sobre nuestro sistema netIndustrial, desarrollamos aquello que necesites a precios muy razonables.
  • ALTA VELOCIDAD DE CARGA. Con netIndustrial obtendrás acceso a los datos sin esperas, en un abrir y cerrar de ojos.
  • SEGURA. El sistema está montado sobre servicios gestionados de Amazon AWS lo que mejora sustancialmente la seguridad de la misma.

ITELLIGENT, con diez años en el mercado, ha sido pionera en España en aplicaciones de Inteligencia Artificial y Big Data. En este post se presentan algunos proyectos desarrollados por ITELLIGENT en diversos sectores de la Industria 4.0 y con soluciones óptimas en su aplicación:

ENERGÍA

CLIENTE Empresa eléctrica

OBJETIVO Inteligencia de mercado y fidelización de clientes.

Imaginemos un proyecto realizado para multinacional de generación y comercialización de energía. El objetivo del proyecto ha sido la generación de inteligencia a partir de los datos obtenidos de contadores inteligentes de los consumidores. Este proyecto ha presentado diversos retos:

  • Hibridación de los datos de los contadores inteligentes con otros datos relevantes (ej. datos meteorológicos).
  • Generación de modelos de inteligencia artificial para entender y predecir los consumos. Gestión de grandes volúmenes de datos utilizando técnicas de big data.
  • Obtención de inteligencia explotable por el cliente.

ARTES GRÁFICAS

CLIENTE Taller de Artes Gráficas

OBJETIVO Mejora de la operativa del taller

En este proyecto se creó un sistema de planificación de operaciones, reactivo para un taller de artes gráficas. El sistema parte de un modelo flexible del taller que se actualiza de forma automática a partir del sistema de monitorización del taller y utiliza distintos algoritmos de inteligencia artificial para dado un objetivo de producción (ej. reducir el numero de trabajos con retraso respecto a su fecha de entrega), proponer el plan de producción que optimice dicho objetivo.

El sistema dispone de un interface visual, basado en gráficos de Gantt interactivos, que permite al jefe de taller interactuar de forma fácil con el sistema y reaccionar de forma efectiva ante los cambios que el día a día impone en un taller.

industria 4 ejemplo artes gráficas

DISTRIBUCIÓN

CLIENTE Distribuidora de alimentos

OBJETIVO Entender y predecir la demanda y mejorar el esfuerzo comercial

Sistema que permite entender y predecir la demanda de un gran numero de puntos de consumo, con una importante componente geoespacial (los consumos en puntos de venta cercanos son parecidos) y a partir de dicho sistema se ha desarrollado un sistema de decisión para optimizar el esfuerzo comercial de la fuerza de venta, de forma que el responsable comercial pueda optimizar el uso de su fuerza de venta y a la vez la fuerza de venta disponga de la información (inteligencia comercial) para determinar que productos ofrecer a cada punto de venta de forma que se maximicen los beneficios y los argumentos asociado a dichas opciones (ej. El consumo de producto A va a subir por la proximidad del verano o de un festivo).

industria40 ejemplo distribuidora alimentos

Por Jaime Martel Romero-Valdespino es CTO en  Intelligent Information Technologies SL
LinkedIn

Llamamos “hibridación de datos” a los procesos que permiten generar un conjunto de datos único y listo para ser utilizados, desde herramientas informáticas, a partir de fuentes de datos heterogéneas y con distintos grados de estructuración. En nuestra experiencia la “hibridación de datos” suele requerir al menos cuatro pasos: estructuración, homogenización, armonización y enriquecimiento.

Actualmente, la hibridación de datos en el sector industrial está mucho menos presente que en otros sectores como servicios o retail. Siendo la predicción de la demanda el caso más habitual, en el mundo industrial, dónde se realiza una “hibridación” previa de los datos internos de ventas con otros datos (ej. meteorología, geodemografía, trafico, festivos, etc). Salvando el caso de previsión de demanda, dentro de las plantas industriales suele ser mucho menos habitual encontrar casos “potentes” de hibridación de datos, pero esto no quiere decir que no sea necesario. Así es habitual, en muchas empresas industriales, que los sistemas de información no estén integrados con las máquinas y cuando lo están, suele ser una integración encaminada a un propósito operativo (ej. trazabilidad) y no a la obtención de unos datos de calidad que permitan su uso por sistemas de inteligencia.

Sistemas Productivos e Hibridación de Datos

Cualquier intento de desplegar sistemas de inteligencia para la mejora de la producción en plantas industriales debe haber sido precedido por un análisis de la disponibilidad de datos para alimentar el sistema y del coste asociado de obtención. Así, por ejemplo, tiene poco sentido implantar un sistema inteligente de planificación de operaciones (scheduling) en un taller si no tenemos automatizado la captura de datos necesario para actualizar el sistema de planificación. Pues muy pronto las planificaciones quedarán obsoletas o se requerirá una importante dedicación de recursos humanos para mantener el sistema actualizado.

En general, en los sistemas de producción, los datos serán internos, pero su hibridación presenta retos similares a los que se encuentran con datos externos. A continuación, vamos a describir un caso basado en nuestra experiencia.

En el taller en cuestión, que trabaja bajo pedido, la primera necesidad planteada era disponer de un sistema que les permitiese tener un seguimiento de tiempos y costes de cada trabajo en planta, para posteriormente poder generar inteligencia encaminada a ayudar a:

  1. La confección de presupuestos (ej. aprendizaje de unidades de repercusión y los factores que les afectan)
  2. La detección de desviaciones anómalas (ej. tiempos de procesamientos que los modelos de inteligencia no sean capaz de explicar)
  3. La detección de patrones de interés (ej. trabajadores con productividad alta),

El taller disponía de un ERP con información de los pedidos y materiales, un sistema CAD para el diseño de las piezas, partes manuales (papel) de producción y controles periódicos de calidad que eran volcados manualmente al ERP. Toda esta información no estaba integrada por lo que la implementación de cualquier sistema de inteligencia era imposible. Se partió de un análisis de disponibilidad de datos y a partir de dicho análisis se elaboró un plan de acción con las siguientes acciones:

  1. Nuevas fuentes de datos. Se detectaron falta de datos imprescindibles para cubrir las necesidades planteadas. Para ello, se incorporaron nuevos sensores desarrollados ad-hoc para algunas máquinas así como la introducción de tablets con aplicaciones específicas como alternativa a los partes manuales y el desarrollo de un extractor para obtener del ERP aquellos datos de interés para el sistema de inteligencia.
  2. Desarrollo de un sistema de hibridación de datos que partiendo de las distintas fuentes de datos fuese capaz de hibridarlas y volcar a un repositorio único los datos. Este sistema no podía ser totalmente automático ya que necesitaría cierta supervisión de la oficina técnica.
  3. Estructuración de datos. Información muy importante para el proceso de producción y generación de inteligencia se encontraba en formato de planos CAD. Estos son datos poco estructurados que no pueden ser utilizados directamente, pero que una vez estructurados pueden generar datos de gran interés para el proyecto. Se decide abordar mediante un proyecto de I+D la generación de modelos de inteligencia que permitan estructurar los datos de los sistemas CAD.

También puedes leer este post en el Blog de #CIC40