IA, VISIÓN ARTIFICIAL, REALIDAD AUMENTADA 81 bable que no sea útil en aplicaciones del mundo real. Además, es crucial entender que no hay un solo ‘mejor’ modelo o algoritmo de aprendizaje automático que sea óptimo para todos los problemas. La elección depende de las características específicas de cada problema y de los datos disponibles. Tras evaluar los resultados, en caso de tener buena calidad, se pasa el modelo a funcionamiento. Sin embargo, si estos no cumplen el nivel necesario, se puede regresar a cualquiera de las fases anteriores y retomar el proceso. FUNCIONAMIENTO Cuando se obtiene un modelo competente entrenado, se pasa a la fase de funcionamiento en la que se instala el sensor virtual en el gemelo digital. De esta manera, el gemelo utilizará el modelo para estimar de manera continua la magnitud necesaria. Mantenimiento predictivo El último beneficio que se va a desarrollar de la IA discriminativa en los gemelos digitales es la posibilidad de tener una monitorización constante del estado de los componentes de las máquinas, de tal forma que se pueda realizar un mantenimiento que maximice el tiempo de funcionamiento, previendo disfunciones y roturas. Esta técnica es conocida como mantenimiento predictivo. Las fases de desarrollo son exactamente las mismas que en el desarrollo de sensores virtuales, por lo que solo se presentarán particularidades del desarrollo de cada fase: • Selección de variables. Se seleccionan aquellas variables medibles que puedan afectar al estado de las piezas, temperaturas, velocidades, etc. • Recogida de datos. Es importante seleccionar un proceso que cuente con un procedimiento de mantenimiento correctivo y no preventivo, ya que es muy difícil encontrar datos de rotura o avería en un mantenimiento preventivo para que el modelo pueda aprender, mientras que en un mantenimiento correctivo, estos datos son abundantes. • Limpieza, análisis y entrenamiento. Esta fase es similar al caso anterior, eligiendo de manera adecuada los algoritmos y modelos que mejor se ajusten a la casuística. • Evaluación de resultados. Es importante utilizar métodos de evaluación que tengan en cuenta el desbalanceo existente en el dataset, ya que lógicamente, este tendrá muchos más registros de funcionamiento correcto que de funcionamiento incorrecto. Por ejemplo, un dataset con el 90% de datos correctos y un modelo que siempre prediga correcto, tendrá un 90% de precisión, pero será completamente inútil. • Funcionamiento. Una vez introducido el modelo de mantenimiento predictivo en el gemelo digital, será necesario definir las pertinentes alarmas que avisen al operario designado de que un mantenimiento es necesario. La implantación de un sistema de mantenimiento predictivo en el gemelo digital implica un ahorro de costes importantes por dos vías. En primer lugar, se aumenta la vida útil de los consumibles de las máquinas (lijas, brocas, fresas, etc.) consiguiendo así reducir el consumo a lo largo del año y, por tanto, reducir los costes sin afectar a la productividad. Por otra parte, se reducen los posibles problemas que puedan surgir de una rotura o avería en la máquina. Por ejemplo, una lija desgastada podría no otorgar la calidad necesaria a ciertas piezas que necesiten ser reprocesadas, suponiendo así un sobrecoste innecesario para la empresa. GEMELO DIGITAL CON IA GENERATIVA La IA discriminativa presentada en Ilustración 7. Diseño de un plano de proceso productivo generado por IA. Fuente: Midjourney.
RkJQdWJsaXNoZXIy Njg1MjYx