DIGITALIZACIÓN 35 que es muy difícil encontrar datos de rotura o avería en unmantenimiento 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 Ilustración 11. Generación mediante IA de nuevas piezas para producción. Fuente: Midjourney. estos no cumplen el nivel necesario, se puede regresar a cualquiera de las fases anteriores y retomar el proceso. FUNCIONAMIENTO Cuando se obtiene unmodelo 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
RkJQdWJsaXNoZXIy Njg1MjYx