Documentos Técnicos  

Análisis híbrido: el valor de la supervisión humana y tecnológica

Noah Bethel
Noah Bethel | Vicepresidente-Desarrollo de Productos, PdMA

Análisis híbrido: el valor de la supervisión humana y tecnológica

El Big Data es un poder a aprovechar. Durante las casi tres décadas desde que el concepto de Big Data entró en la conciencia pública, investigadores, programadores y científicos de datos han luchado con la mejor manera de aprovechar la información y aprovecharla al máximo. Entretanto, la tecnología ha evolucionado para dar cabida y diferenciar los datos aún más copiosos generados cada segundo.

Algunos argumentan que el nivel actual de sofisticación tecnológica sofisticada es suficiente para la supervisión de la máquina sin la necesidad de revisión o interpretación de un analista de datos, dada la capacidad de Big Data para impulsar nuevas aplicaciones y limitar la interacción humana. La creencia de que es el principio del fin para el analista de datos parece estar encontrando defensores en el mercado industrial, particularmente en la gestión de motores e instalaciones. Profetizan que esa experiencia quedará relegada a la historia gracias a las capacidades cada vez más amplias de la tecnología. A medida que los analistas se retiran, parece haber poco esfuerzo para reponer el suministro. Tal vez esto se deba a que más ejecutivos piensan que Big Data es la proverbial escritura en la pared, la campana de la muerte para la supervisión de analistas de máquinas.

De alguna manera, esta condición ilustra una creencia utópica de que el aprendizaje automático no supervisado eventualmente garantizará la confiabilidad del motor específicamente y de la instalación en general, sin la necesidad de la participación humana. Se basa en la suposición de que una combinación de análisis predictivo para extraer información de los datos para configurar los resultados, seguido de análisis prescriptos para generar la solución óptima resolverá todos los problemas: una creencia arriesgada y miope.

Una solución analítica híbrida que incluye el análisis de números de Big Data y el aprendizaje automático supervisado proporcionado por el analista de datos calificado es un enfoque más práctico y viable.

BIG DATA Y EL MERCADO INDUSTRIAL

En octubre. 1997, “Big Data” fue el punto focal de un artículo muy publicitado escrito por los investigadores Michael Cox y David Ellsworth. Los dos se referían al “problema del big data” para describir conjuntos de datos demasiado grandes para ser acomodados por la memoria principal, los discos locales o remotos.

Avanzando rápido hasta 2011, cuando especialistas en información de la Universidad de California, Davis, determinaron que casi el 95 por ciento de la capacidad de información de almacenamiento de información del mundo es digital, una cifra que probablemente parecía insondable en los albores de la era digital una década atrás. En ese momento, su importancia no se había perdido en los mercados empresariales e industriales, que reconocían los beneficios y las posibilidades de ventaja competitiva a través del aprovechamiento del Big Data.

Ahora, a finales de la segunda década del siglo XXI, el desarrollo del Internet de las cosas (IoT) ofrece una solución para aprovechar la masa aparentemente amorfa del Big Data. Un artículo escrito por el Consejo de Estrategia Tecnológica en 2013 incluía una definición completa de IoT: “un estado donde las cosas (por ejemplo, objetos, entornos, vehículos y ropa) tendrán más y más información asociada con ellos y pueden tener la capacidad de detectar , comunicarse, conectarse y producir nueva información convirtiéndose en una parte integral de Internet.” La investigación prevé un Todopoderoso Internet de las Cosas con objetos físicos perfectamente integrados en una red de información.

Los defensores de la IoT prevén un entorno que abarca todo y es autónomo, un entorno compuesto únicamente por máquinas que se comunican bajo todas las circunstancias y condiciones. Se espera que las tecnologías convergentes de diferentes tipos de objetos físicos permitan una mayor comprensión de los procesos y la resolución de problemas. Para estos defensores, la supervisión de la máquina alcanza su cumplimiento con el concepto de Industria 4.0, el protocolo de la industria en el que todas las fuentes de datos de IoT se comunican con sensores inteligentes y realizan con precisión diagnósticos y remedios cuando es necesario. Algunos prevén que el desarrollo de la Industria 4.0 vaya más allá de la autosuficiencia. Lo ven como avanzado hasta el punto de que las máquinas pueden aprender y aplicar nuevos datos, lo que explica por qué consideran el concepto revolucionario.

¿Qué sucede con el analista de datos en este escenario? La posición sería relegada a la obsolescencia asumiendo que todas las máquinas hacen lo que los defensores afirman que finalmente harán, especialmente cuando se trata de diagnósticos. Si esta predicción de un futuro supervisado por máquina realmente se materializa, ¿qué podría salir mal?

La respuesta: bastante, por lo que sonar la canción de la muerte para la supervisión humana de las máquinas por los analistas de datos es prematuro en el mejor de los casos y miope en el peor. Pregunte a cualquier gerente o supervisor de la instalación cuyas operaciones hayan sido obstaculizadas o detenidas debido a problemas aparentemente inexplicables del motor u otros problemas tecnológicos. Esperar que estas cuestiones desaparezcan en la utopía prevista con la Industria 4.0 es basar la toma de decisiones operativas en lo que debe considerarse como una suposición falsa.

FUENTES DE DATOS Y CONFIABILIDAD DEL MOTOR

Para comprender las ramificaciones de estas predicciones de un futuro de máquinas no supervisadas, comience con una visión general completa de la evolución analítica de TI y su factor más básico: el análisis descriptivo. Dado que este es el nivel más bajo, el análisis descriptivo solo puede indicar a los operadores del sistema que algo ha ocurrido: información que, en la mayoría de los casos, debería ser evidente. El siguiente paso, el análisis de diagnóstico, responde a la primera pregunta que probablemente hacen los operadores cuando aparece un problema: ¿por qué? Lo que viene después no es tan claro. Es donde el análisis y los remedios no están tan bien definidos, especialmente si todas estas máquinas conectadas se basan únicamente para respuestas sin ninguna interacción humana.

Si se cree que los defensores de la supervisión autónoma de la máquina, IoT y la Industria 4.0 serán las únicas fuentes necesarias para el siguiente paso en la revolución analítica: el análisis predictivo. El Big Data, en términos del mercado industrial, impulsa el análisis predictivo (la previsión de lo que es probable que suceda), lo que permite a los operadores y gerentes de las instalaciones tomar mejores decisiones que impactan la confiabilidad de la planta de manera positiva y rentable. El análisis predictivo son los recursos para priorizar los activos para su revisión y evaluar posibles problemas, pero ¿son lo suficientemente adecuados si se generan solo por fuentes de datos proporcionadas por máquinas? No realmente, especialmente en la industria de motores donde los directores y operadores trabajan todos los días para lograr el objetivo de cero averías motoras.

A pesar de sus capacidades, el análisis predictivo es insuficiente para un entorno de aprendizaje automático completamente no supervisado y es probable que siga siendo una respuesta incompleta independientemente de la expansión de IoT e Industria 4.0. Los cambios en el proceso, los cambios en el entorno, los cambios en la distribución de energía, los cambios en los sensores e incluso los cambios del operador a lo largo de la vida útil del motor requerirán cambios en la toma de decisiones. Estos cambios son inevitables durante la vida útil del motor.

El siguiente paso es el análisis prescriptivo. Una mirada más cercana a este nivel revela una justificación adicional para el análisis humano concurrente con la supervisión de la máquina. Con análitica prescriptiva, el analista toma los datos obtenidos de análisis predictivos y diseña acciones y procesos para lograr cuatro resultados deseados: mayor confiabilidad, rendimiento óptimo más duradero, mejorar la vida útil de la máquina o motor y mejorar la confiabilidad de la planta.

ANÁLISIS HÍBRIDO

La solución óptima para garantizar la confiabilidad de los motores y las instalaciones donde operan requiere la supervisión de analistas de datos cualificados capacitados para examinar, reconocer y recomendar acciones que las máquinas por sí mismas son incapaces de generar. Por lo tanto, el término análisis híbrido se utiliza para describir una combinación de aprendizaje automático supervisado y no supervisado. El análisis híbrido maximiza ambos sin depender únicamente de uno u otro. Ambos requieren Big Data para su fundación y análisis. Sin embargo, el punto se puede argumentar convincentemente que es la contribución del analista la que ofrece la mejor opción para desarrollar cambios en los procesos en beneficio de la instalación y sus activos. Las conclusiones del analista se basan, por supuesto, en los datos procedentes de los motores u otras máquinas.

En este contexto, considere el aprendizaje supervisado, que se compone de los siguientes elementos:

  • Datos que comparan tendencias locales. El objetivo es garantizar que los datos sean relevantes en todos los casos.
  • Comparación de operaciones locales con operaciones regionales similares. Como es el caso con la evaluación de tendencias, las comparaciones con las operaciones locales están diseñadas para garantizar que la información se aplique estrechamente a ambos sin que los datos irrelevantes sesgueen los hallazgos y resultados.
  • Tiempo/Aplicación . Las aplicaciones varían, al igual que el tiempo que un motor específico funciona a su velocidad nominal.
  • Características/Trazado . Las características del motor tienden a variar dependiendo del tipo, así como de la fuente de alimentación para el motor bajo análisis.
  • Asistencia de terceros. No hay análisis híbridos sin el supervisor de la máquina, el analista de datos. Este analista experto puede ser un empleado, contratista o proveedor, como el Soporte Técnico de PdMA.
  • La Nube . Una base de datos basada en la nube puede proporcionar un fácil acceso a los datos de un analista de datos en cualquier parte del mundo sin necesidad de entrar en la red corporativa o firewall. Este fácil acceso puede producir informes que se pueden aplicar a análisis predictivos y prescriptivos.
  • El panel . Un Panel de Condiciones del Sitio (dashboard) es vital para determinar el estado de los motores colocados en precaución o condición severa en la determinación de la condición de confiabilidad eléctrica de un sitio. El panel es una vista macro de la confiabilidad de la planta desde la perspectiva de la administración que debe considerarse un recurso en el proceso de toma de decisiones. Identifica activos como motores que se han probado pero que no se les ha asignado una condición: información que debe ponerse a disposición del analista de datos.

PAPEL DEL ANALISTA DE DATOS

En un entorno de análisis híbrido, el rol del analista de datos no cambia de lo tradicional: para mejorar la función de la máquina y el aprendizaje eventual a través de la supervisión. A pesar de algunas predicciones de los futuristas de aprendizaje automático ilimitado haciendo la evaluación humana e intervención ocasional innecesaria, el analista sigue siendo la clave para la expansión de la capacidad de la máquina y, especialmente, su confiabilidad. Los procesos están sujetos a cambios incrementales. A medida que se producen estos cambios, la confiabilidad y precisión de los datos que produce la máquina se ven afectadas sin importar cuán avanzada sea la industria tecnológica 4.0. Los cambios en los procesos subrayan la necesidad de un aprendizaje supervisado. El analista establece pautas para que las máquinas aprendan de una manera más controlada, una forma de guía que dirige la máquina lejos de los datos que son defectuosos o erróneos.

Cuando se producen problemas o emergencias, la supervisión acelera la eliminación de la máquina de datos irrelevantes para despejar un camino para encontrar una causa y generar soluciones analíticas prescritas. La salida de la máquina en este escenario es más eficiente. También lo es el analista que no perderá el tiempo o el presupuesto de la planta al tener que profundizar en datos excesivos y extraños.

Nada de esto debe ser visto como un último suspiro para justificar el uso de analistas de datos, ya sea en instalaciones o a través de la nube. El hecho es que los motores y otras máquinas todavía requieren supervisión. La ocurrencia más común es la alarma molesta que no se toma en serio porque una máquina no supervisada no puede detectar la causa a pesar de la sofisticación del IoT en conjunto con la industria 4.0. Un ejemplo ocurrió en la costa este en la industria de servicios públicos, en el que se determinó que una alarma eléctrica detectada por un software de análisis de aprendizaje automático no supervisado era una alarma molesta causada por un sensor fallido. La alarma fue ignorada debido a la excesiva dependencia del software de análisis, que no se comparó cruzadamente la alarma molesta con el conocimiento común de la aplicación del motor y otros puntos de datos impulsados por sensores como el análisis de vibraciones. El proceso de análisis pasó por alto una fase abierta en la fuente de alimentación eléctrica .

El motor había sido ligeramente cargado por lo que la temperatura no era alarmante a pesar del flujo de corriente elevado en las dos fases que todavía conlleva corriente. Si la planta hubiera cargado completamente el motor, la situación podría haberse deteriorado rápidamente hasta convertirse en una emergencia. Afortunadamente para la instalación, un analista que pasaba con conocimiento de la aplicación fue capaz de reconocer un patrón entre puntos de datos no relacionados y señalar que había razones para creer que esto no era una alarma molesta. En ese momento, la planta estaba planeando un paro y el motor no se habría reiniciado, extendiendo la interrupción. El incidente debe considerarse un ejemplo clásico de cómo y por qué la intervención de un analista de datos puede ahorrar costos sustanciales de reparación y reemplazo de una empresa.

PREVENGA PROBLEMAS, EVITE RIESGOS

Los ejecutivos y gerentes que creen que Big Data sin analistas de datos es capaz de prevenir problemas futuros y resolver problemas a medida que se producen están poniendo en riesgo su empresa y sus activos. La dependencia excesiva de las máquinas en un entorno de interpretación de datos no supervisado puede tener un impacto perjudicial en la confiabilidad de la planta y en los resultados siempre presentes.

Ese es el punto de la analítica híbrida, permitiendo a las máquinas triturar los datos, que luego se aprovechan mediante la supervisión de un analista de datos cuyas habilidades y experiencia tecnológica se suman significativamente al aprendizaje automático. Hay demasiado en juego como para arriesgar el rendimiento, la eficiencia y los ingresos por datos producidos por la máquina.

Los gerentes de las instalaciones están llegando a esta realización en un número creciente. El aprendizaje automático supervisado es esencial para mantener la confiabilidad del motor y de la planta.

 

subscríbase
Notificar
guest

This site uses Akismet to reduce spam. Learn how your comment data is processed.

0 Comments
Inline Feedbacks
View all comments

SOBRE EL AUTOR

Noah Bethel
Noah Bethel Vicepresidente-Desarrollo de Productos, PdMA

Noah tiene más de veinticinco años de experiencia en operación y mantenimiento de sistemas eléctricos en el área industrial, comercial y configuraciones militares que van desde submarinos nucleares hasta parques de diversiones de clase mundial. Su experiencia incluye alto y bajo voltaje, AC y DC, generadores de energía, distribución de energía, motores y controladores de motores. Noah está actualmente a cargo de desarrollo de productos para tecnologías nuevas y existentes de PdM en la corporación PdMA .

Noah es graduado de la Universidad de Nueva York y de la Escuela Naval de Energía Nuclear y Unidad de Entrenamiento. Él está certificado profesionalmente en mantenimiento centrado en confiabilidad, con experiencia en el campo de análisis de circuito de motores, análisis de corriente, análisis de potencia, termografía, análisis de vibración, análisis de aceite y pruebas de ultrasonido.