El auge del Industrial Internet of Things (IIoT), la inteligencia artificial (IA) y las tecnologías de edge computing está revolucionando el sector de fabricación de maquinaria, conocido comúnmente por las siglas OEM. Estas tecnologías no solo permiten el análisis en tiempo real de datos operativos, sino que también abren la puerta a la creación de nuevos modelos de negocio basados en servicios de alto valor añadido para sus clientes.
Este artículo demuestra cómo la combinación de IIoT, IA y aprendizaje federado puede llevar este concepto un paso más allá. Al utilizar aprendizaje federado, los fabricantes pueden consolidar información de múltiples máquinas ubicadas en diferentes localizaciones y generar así un "conocimiento común". Este conocimiento habilita soluciones más efectivas y precisas para el mantenimiento predictivo, la detección de anomalías y el diagnóstico temprano de fallos en la maquinaria al poder incorporar de forma incremental la información de múltiples máquinas.
¿Cuál es la situación actual de los datos y el uso de inteligencia artificial en los fabricantes de maquinaria?
En la actualidad, la digitalización se ha convertido en un componente esencial en el mundo de la fabricación de maquinaria industrial. La mayoría de los fabricantes de equipos modernos ya han adoptado sistemas de registro y adquisición de datos para monitorizar una amplia gama de variables que afectan al rendimiento de las máquinas. Estos parámetros incluyen, entre otros, temperaturas, voltajes, corrientes y presiones. Esta recolección de datos no solo permite a los fabricantes y a sus clientes visualizar en tiempo real el estado y comportamiento de la maquinaria, sino que también sirve como una herramienta valiosa para los equipos de mantenimiento a la hora de realizar actuaciones preventivas y diagnosticar posibles averías.
A pesar de los avances significativos en la recolección de datos, muchas empresas todavía no han aprovechado plenamente el potencial de esta información tan crucial. Si bien los datos se suelen capturar y almacenar, raramente se analizan con herramientas avanzadas que podrían convertirlos en información práctica para tomar decisiones estratégicas en métricas clave como el rendimiento productivo de la maquinaria, la calidad del producto final, la eficiencia energética y el consumo de materias primas.
Adicionalmente, enfrentarse al análisis avanzado de datos en el contexto de la maquinaria industrial representa un desafío técnico y operativo considerable. La maquinaria en este sector es inherentemente compleja y suele ser altamente configurable, capaz de producir diferentes tipos de piezas y de operar con diversas configuraciones. Esta complejidad hace que muchas empresas se sientan abrumadas ante la perspectiva de modelar el comportamiento de sus equipos para cada tipo de producto, pieza o configuración operativa que sus distintos clientes puedan necesitar.
¿Cómo puede ayudar el aprendizaje federado a valorizar los datos de producción?
En este contexto, las tecnologías emergentes como la inteligencia artificial (IA) y el aprendizaje federado (AF) ofrecen una oportunidad única para transformar estos datos en bruto en conocimientos accionables que pueden generar un valor significativo para los fabricantes y sus clientes.
El aprendizaje federado destaca como una innovación en el ámbito del Machine Learning, diseñado para superar las limitaciones inherentes al análisis de datos en entornos industriales complejos. Este enfoque permite entrenar modelos de IA en un amplio conjunto de máquinas distribuidas, centralizando la información en un modelo global, pero anonimizando los datos para que los clientes no pierdan la propiedad de su operativa y configuraciones concretas. Este enfoque amplía significativamente la capacidad de generalización y de detección de nuevos comportamientos en los datos; y esto resulta especialmente relevante para los fabricantes de maquinaria, ya que permite realizar modelos para una gran diversidad de configuraciones y operativas diferentes.
Imaginemos que queremos desarrollar un sistema de mantenimiento predictivo entrenando un modelo de IA para un cierto tipo de máquina, por ejemplo, un brazo robótico que hemos instalado en diferentes líneas de producción. Si el modelo se entrena con los datos de la operativa del brazo en una sola fábrica (con un nivel específico de humedad, vibraciones, temperatura, etc.), muy a menudo fallará cuando reciba datos no vistos de una situación o configuración que no se utilizó durante el entrenamiento. Sin embargo, si un modelo se entrena con datos de múltiples instalaciones en diferentes industrias en diferentes localidades, hay una alta probabilidad de que este comportamiento se origine en otra máquina y pueda ser posteriormente reconocido. Esto hace que los modelos sean mucho más robustos y generalistas que los que se entrenan máquina a máquina.
Ihsan Ullah, Umair Ul Hassan, Muhammad Intizar Ali, Multi-level Federated Learning for Industry 4.0 - A Crowdsourcing Approach, Procedia Computer Science, Volume 217, 2023, Pages 423-435, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2022.12.238.
En este contexto, tal y como se muestra en la figura, el aprendizaje federado opera como un sistema dual compuesto por un modelo global y múltiples modelos locales. Los modelos locales monitorizan individualmente cada máquina y, al identificar un nuevo comportamiento o patrón, lo comunican al modelo global. Este último, a su vez, compara la nueva información con su base de datos agregada para determinar si el comportamiento ya se ha observado en otras máquinas. Si es un comportamiento nuevo, el modelo global lo integra en su base de conocimiento para fortalecer la capacidad predictiva del sistema en su conjunto y actualiza los modelos locales de todas las máquinas para incorporar dicho comportamiento.
Aplicar estas tecnologías ofrece una serie de ventajas tanto para los fabricantes de maquinaria como para sus clientes. Para los fabricantes, la optimización de operaciones es una de las ventajas más destacadas, ya que estos modelos permiten monitorizar en tiempo real las condiciones y rendimiento de las máquinas instaladas en casa de cliente. Así se facilita la planificación de actuaciones o incluso se habilitan nuevos modelos de partnership como, por ejemplo, el modelo de "Maquinaria As a Service” (MAS), o el ofrecimiento de servicios técnicos de mantenimiento predictivo en tiempo real. Esto permite que los técnicos de la empresa supervisen de primera mano y en remoto la condición de la maquinaria, planificando cualquier intervención antes de que se vea perjudicada la calidad y el estado de la misma. Además, el enfoque distribuido de estas soluciones permite la personalización y escalabilidad del modelado para diferentes tipos y tamaños de maquinaria, reduciendo significativamente los costes y barreras de implementación. En cuanto a la seguridad de datos, el aprendizaje federado ofrece la ventaja de poder entrenar modelos de IA sin centralizar la información, manteniendo así la privacidad de datos sensibles.
Para los clientes, los beneficios son igualmente significativos. La reducción de costes operativos es una de las ventajas más evidentes, ya que el mantenimiento predictivo minimiza el tiempo de inactividad y el gasto en reparaciones no planificadas. Además, la supervisión en tiempo real asegura que los estándares de calidad se mantengan elevados, lo que se traduce en una mejora en la calidad del producto final. La tecnología también permite una mayor transparencia en las operaciones, con acceso a informes y dashboards en tiempo real que muestran el estado y rendimiento de la maquinaria. Además, estas soluciones son flexibles y pueden adaptarse a las necesidades cambiantes del cliente o a distintas configuraciones de máquinas.
¿Cómo se implementan las soluciones de aprendizaje federado en la industria?
La adopción de estructuras avanzadas de modelado y análisis de datos requiere la implementación de dispositivos edge especializados. Estos dispositivos son capaces de capturar y procesar en tiempo real la información proveniente de las máquinas industriales, ejecutando modelos de inteligencia artificial (IA) directamente en el dispositivo. Al integrarse con plataformas en la nube, estos dispositivos no solo aceleran el flujo de datos, sino que también facilitan el entrenamiento distribuido de modelos federados, como los que se describen en este artículo.
En el contexto actual, el mercado ofrece soluciones innovadoras diseñadas específicamente para estos desafíos. Un ejemplo es Octaipipe, una plataforma diseñada para aplicar el aprendizaje federado en entornos industriales. Esta solución no solo reduce significativamente los costes relacionados con la implementación e infraestructura, sino que también proporciona un ecosistema robusto para entrenar y actualizar modelos de IA. Con funcionalidades que permiten la adaptabilidad y escalabilidad, Octaipipe asegura que las empresas puedan incorporar nuevas máquinas al sistema con facilidad. Este tipo de soluciones viene acompañado de un marco de trabajo integral y herramientas avanzadas que garantiza que las organizaciones puedan implementar estas tecnologías emergentes con la máxima confianza, optimizando resultados mientras minimizan riesgos asociados.
¿Estás interesado en profundizar en el aprendizaje federado?
IThinkUPC es la empresa de consultoría y servicios digitales avanzados de la Universitat Politècnica de Catalunya y desarrollamos soluciones de digitalización y analítica avanzada para industrias. En este contexto, ayudamos a las industrias a establecer el marco de digitalización de los datos de las diferentes máquinas, así como la implantación de soluciones basadas en aprendizaje federado para abordar las aplicaciones comentadas en el artículo mediante desarrollos a medida o adaptando plataformas consolidadas como Amazon Web Services (AWS) o la propia plataforma de Octaipipe.
No dudes en contactarnos si quieres obtener más información sobre cómo implementamos este tipo de soluciones en la industria.