902 88 57 66 prysma@prysma.es

EVOLUCION Y TENDENCIAS DE SISTEMAS DE GESTIÓN ENERGÉTICA EN LA INDUSTRIA (II)

En anteriores entradas de este blog hemos introducido algunas de las principales líneas de investigación centradas en desarrollar nuevas capacidades de los sistemas de gestión energética a corto y medio plazo. En el siguiente esquema se muestran y algunas de ellas, las cuales son descritas a continuación.

cgamarra3

Integración de sistemas de gestión y control de procesos industriales

La utilidad creciente de la monitorización de procesos industriales está ampliamente demostrada, con la implantación de sistemas SCADA de supervisión, así como otros sistemas adicionales de control, y planificación de la producción y gestión energética. Llevando este modelo de proceso productivo supervisado a un nivel superior, existe una demanda creciente entre los responsables de procesos de manufactura industriales para conectar los datos capturados en campo con el nivel de toma de decisiones de las empresas de una manera cada vez más directa. Esta conectividad a nivel de planta (o incluso de múltiples plantas) desde los dispositivos de campo hasta los niveles de gestión y dirección empresarial) conlleva actualmente la conexión de los dispositivos industriales a diferentes sistemas, como son los sistemas de control de la producción (también conocidos como Enterprise Resource Planning systems o ERPs) o los sistemas de gestión energética ó SGE (ampliamente conocidos como Energy Management Systems, o EMS).

Así, la cuestión principal de las denominadas industrias inteligentes (smart industries) o inteligencia empresarial (bussiness intelligence) radica no sólo en la interconexión de dispositivos entre sí, sino en la recopilación y análisis de información de cara a modelar y optimizar el proceso productivo.

Esta es la evolución natural tanto de los sistemas de gestión de producción, como de la planificación de recursos de fabricación, así como de los sistemas de gestión energética aplicados a procesos productivos. Unida a esta tendencia de desarrollo de herramientas de análisis y optimización aplicadas a estos sistemas, la integración de las capacidades de los SGE,  los ERP y los GMAO en un solo producto es otra de las tendencias a corto plazo.

Tendencias en análisis de datos

Las tecnologías asociadas a la captura, transmisión, almacenamiento y tratamiento de datos han hecho posible que las compañías que basan su negocio en internet conozcan con mucho mayor detalle el comportamiento de sus consumidores. Mediante el empleo de herramientas de análisis de datos cada vez más avanzadas consiguen conocer con detalle sus preferencias y tendencias con mayor precisión que mediante las técnicas tradicionales.

Estableciendo un claro paralelismo, lo mismo podría ocurrir en el caso de la gestión energética industrial, donde la aplicación de estrategias basadas en IoT permitiendo conocer en detalle el comportamiento del proceso productivo: modelando, analizando y prediciendo de manera más precisa su funcionamiento, para así poder optimizarlo en base a los objetivos de la compañía. En este contexto la captura y explotación de datos en los procesos de fabricación se encuentra actualmente en continuo desarrollo. Gran cantidad de información relativa a las variables de los procesos productivos se almacenan en las bases de datos, las cuales al final contienen grandes cantidades de datos históricos sobre el proceso. Es en este escenario donde las técnicas aplicadas a la extracción de conocimiento de bases de datos o Knowledge Discovery in Databases (KDDs) demuestran un gran potencial en lo referente a modelización, predicción y optimización de los procesos industriales.

Machine learning

Otros de los conceptos novedosos se encuentran asociados a la interconexión de dispositivos, estrategia la cual posibilita alcanzar mayores niveles de interacción automática. El machine learning está marcando tendencias en los procesos industriales. La meta del proceso de aprendizaje consiste en predecir el valor de las salidas a partir del valor de las entradas. En esta línea, pueden distinguirse 2 enfoques principales: aprendizaje supervisado y sin supervisar. En el aprendizaje supervisado un conjunto de datos de entrenamiento (grupos de datos en los que están definidos los valores para las variables de salida tanto de las entradas como de las salidas) se emplea para guiar el proceso de aprendizaje. El aprendizaje sin supervisar se da en los casos en que no existe la posibilidad de disponer de datos de entrenamiento ya que no existe un conjunto de datos de entrada con unas salidas definidas. La meta del aprendizaje sin supervisar es encontrar la estructura intrínseca, relaciones o afinidades presentes en los datos.

En la literatura técnica existen múltiples ejemplos de la aplicación de este tipo de técnicas este en los procesos industriales de manufactura, si bien no se han estandarizado herramientas software sencillas de aplicar por usuarios sin sólidos conocimientos en optimización computacional. Por ejemplo el factor del tiempo de ciclo es identificado y predicho en la fabricación de semiconductores utilizando técnicas de minería de datos y machine learning (ML). Este es un claro ejemplo de cómo el análisis de datos básicos de proceso permite transformar la información que estos contienen en conocimiento de utilidad de cara a la toma de decisiones.

El reto actual está en el desarrollo de herramientas software de fácil uso para los gestores del proceso productivo, integrando complejas técnicas matemáticas que sean de aplicación a las particularidades de cada proceso productivo.

Bases de datos NoSQL

La expansión durante los últimos años tanto de internet como de las aplicaciones intensivas en la generación de datos,  ha promovido el desarrollo de las bases de datos actuales (la mayoría basadas en SQL) hacia otras arquitecturas que permitan gestionar cantidades mayores de datos, que deben ser introducidos y extraídos rápidamente y que deben poder escalar/crecer de manera sencilla y barata.

La tendencia es ya imparable hacia la definición y uso de un nuevo tipo de bases de datos de tipo documental, que en lugar de registrar relaciones de datos almacenan documentos con estructuras arbitrarias, y que cumplen con las premisas expuestas anteriormente. Sus principales características son, la enorme flexibilidad que brindan en los esquemas de datos a la hora de almacenar la información y su simplicidad de uso, pero también su altísimo rendimiento, escalabilidad y la facilidad de mantenimiento.

Entre las nuevas tendencias en bases de datos destacan bases de datos no-relacionales, documentales o más comúnmente bases de datos NoSQL (Not Only SQL). La integración de este tipo de bases de datos en los sistemas de gestión empresariales permitirán trabajar con un volumen creciente y multidisciplinar de datos (calidad, energía, producción, medio ambiente, compras, ect..).

Representación de la información: infografías y sistemas SIG

Los Sistemas de Información Geográfica (SIG) constituyen una herramienta ampliamente utilizada para la toma de decisiones, permitiendo al usuario decidir cómo manejar el territorio analizado. Un SIG es en esencia un sistema informático (es decir, hardware, software, datos digitales y usuario) que captura, almacenan, manipulan, procesan y visualizan la información espacial.

Una herramienta SIG basa su potencial en su carácter visual.A nivel de compañías que cuenten con varias plantas, los SIG son una potente herramienta de análisis de cara a recopilar y presentar datos relacionados con la producción en base a parámetros de eficiencia energética, ambientales, etc.

Este carácter visual también lo presentan las infografías, fundamentales en la presentación de gran cantidad de datos de una manera efectiva y atractiva. La integración de herramientas capaces de generar cada vez mejores infografías que favorezcan la presentación de los datos es otro de los campos de desarrollo necesarios en lo que se refiere a SGEs.

El factor humano al frente de la toma de decisiones en industria

Frente a lo novedoso de los avances tecnológicos, es interesante destacar no sólo el papel de los sistemas de gestión inteligentes aplicados a procesos industriales, sino también el valor del capital humano al frente de la aplicación eficiente de la inteligencia artificial en la industria.

Antes de tomar la decisión de adquirir una herramienta de gestión inteligente, es recomendable recibir el asesoramiento de un equipo consultor multidisciplinar y cualificado. La aplicación genérica de estas técnicas puede derivar con frecuencia en medidas obvias e incluso incompatibles entre diferentes ámbitos como la calidad, la producción o la energía.

También es conveniente ser asesorado sobre diversos aspectos críticos dentro del proceso, como la selección del objetivo y de los algoritmos idóneos en función de las condiciones de contorno del problema de optimización. Este equipo puede asesorarle sobre el potencial de aplicación de estas técnicas en su proceso productivo en base a los objetivos deseados.

En este sentido la consultoría de mejora de procesos industriales basada en el análisis de datos puede ayudar a las empresas en el desarrollo de una estrategia eficiente y económicamente viable de aplicación de estas técnicas a cada proceso industrial.

Autor:
Carlos Gamarra
Prysma

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *