Comprendiendo el mercado de la analítica industrial

A medida que las organizaciones continúan viendo el valor de la analítica industrial, entender la gran cantidad de datos producidos puede ser una tarea difícil. Encontrar el producto adecuado y desarrollar un flujo de trabajo que se ajuste es clave.

F2 1 5f4fef06dbba9

Por Beth Stackpole

La recopilación y el análisis de datos de los activos industriales en el piso de la planta difícilmente se registra como algo de vanguardia. Durante años, los gerentes de planta y sus contrapartes han analizado los datos de las máquinas industriales para recibir alertas sobre problemas de producción, identificar fallas de calidad o como una guía para ajustar los activos con el objetivo de impulsar el rendimiento.

Dado que los activos industriales se digitalizan con sensores y se conectan a través del Internet industrial de las cosas (IIoT), los fabricantes aún desean analizar los datos de las máquinas para crear eficiencias de producción, reducir el tiempo de inactividad, controlar los costos y promover una mejor toma de decisiones. Sin embargo, los indicadores de las metas han cambiado significativamente cuando se trata de escala. En lugar de que un gerente de planta o un trabajador de mantenimiento analice los datos históricos de un activo específico en una hoja de cálculo para realizar un cambio modesto en el futuro, los fabricantes de hoy se esfuerzan por lograr una transformación total. Su objetivo es crear operaciones flexibles e inteligentes en las que las redes de activos y sistemas se puedan automatizar y optimizar de manera integral casi en tiempo real.

El motor para operaciones tan inteligentes en áreas como el mantenimiento predictivo, el control de calidad en tiempo real y las pruebas de escenarios para el análisis de la causa raíz es el análisis avanzado, impulsado por inteligencia artificial (IA) y aprendizaje automático. Si bien la categoría de análisis sigue siendo algo borrosa en el mundo industrial, los casos de uso ya están generando un gran interés y crecimiento. Según IoT Analytics, el mercado de análisis e inteligencia artificial industrial alcanzó los $ 15 mil millones en 2019, y los casos de uso principales fueron el mantenimiento predictivo, citado por casi una cuarta parte de los encuestados (24,3%), seguido de la inspección y garantía de calidad (20,5%), optimización de procesos de manufactura (16,3%) y optimización de la cadena de suministro (8,4%).


Véalo en vivo en PACK EXPO Connects Nov. 9-13: Simplifique las tareas de mantenimiento con servicios conectados, por Honeywell Intelligrated. Obtenga una vista previa de su Showroom aquí.


El aumento en el uso de análisis industriales se basa en el deseo de capitalizar la gran cantidad de datos generados por la planta o los activos industriales basados ​​en el campo, incluidos robots, células de automatización, plataformas petrolíferas y turbinas eólicas. A medida que los fabricantes de todas las industrias aumentan sus esfuerzos de digitalización, IDC Insights estima que la planta típica está generando más de un terabyte de datos al día con expectativas de que el número se multiplique por un factor entre cinco y 10, según la industria, durante los próximos cinco años.

"Eso es lo que impulsa a las empresas a desarrollar o comprar estas herramientas [analíticas]; sin ellas, no hay nada más que ver con los datos", dice Kevin Prouty, vicepresidente de grupo, conocimientos de fabricación y conocimientos de energía en IDC. "Son demasiados datos para que los analice un ingeniero con una hoja de cálculo de Excel".

Con el análisis de datos, las organizaciones industriales pueden capitalizar la oportunidad del IoT, optimizar las operaciones y generar una mayor rentabilidad.Con el análisis de datos, las organizaciones industriales pueden capitalizar la oportunidad del IoT, optimizar las operaciones y generar una mayor rentabilidad.Imagen cortesía de GE Digital.Analítica empresarial versus analítica industrial

La mayoría de los fabricantes están de acuerdo con la noción de que la abundancia de datos se puede aprovechar para lograr un impacto final, ya sea que aumenten las ganancias, la productividad o ambos. El problema es que los datos están dispersos en silos, en diferentes formatos, sin contexto y con gran parte de ellos almacenados como datos de series de tiempo, que no son manejados adecuadamente por la mayoría de las herramientas de análisis empresarial y Big Data diseñadas para datos estructurados y no estructurados. Además, Excel ha sido la herramienta de análisis de elección en este espacio durante décadas, pero es ineficiente y cualquier conocimiento permanece aislado en un solo ingeniero que aborda un problema específico.

También existen diferencias en el enfoque que adoptan los grupos de tecnología de la información empresarial (TI) y tecnología de operaciones (OT) para la recopilación y análisis de datos. La mayoría de los esfuerzos de análisis empresarial implican ingerir datos, normalizarlos y colocarlos en un repositorio o lago de datos centralizado, probablemente en la nube, para que sean accesibles a una variedad de usuarios comerciales para diferentes tipos de análisis. Desde una perspectiva de TO, la recopilación de datos y los esfuerzos de análisis han sido principalmente locales y tácticos. "La gente de OT sabe cómo construir un modelo analítico para una sola máquina en una sola fábrica para un solo problema y lo hacen en Excel o manualmente con una plataforma de código abierto", dice Marcia Walker, directora industrial global para la práctica de fabricación en SAS. "Cuando les preguntas cómo van a tomar eso y aplicarlo a todas las máquinas de una fábrica y a sus fábricas en todo el mundo, nos miran como ciervos a los faros delanteros".


Véalo en vivo en PACK EXPO Connects Nov. 9-13:  Transferencia modular y clasificación para comercio electrónico, por Regal Beloit Corporation. Obtenga una vista previa de su Showroom aquí.


Otra gran brecha entre la analítica industrial y la analítica empresarial general es la comprensión de la naturaleza específica de las máquinas y la capacidad de proporcionar contexto a los datos recopilados en historiadores y sistemas de control de supervisión y adquisición de datos (SCADA). A diferencia del contenido estructurado de los sistemas financieros, los datos de series de tiempo carecen de contexto para comprender cómo el conjunto de datos sin procesar se relaciona con un proceso o condición específicos, por ejemplo, qué factores pueden estar presentes para afectar el funcionamiento de una bomba. Sin el contexto adecuado, es imposible aprovechar al máximo los datos para impulsar el rendimiento operativo, el monitoreo de condiciones o las aplicaciones de mantenimiento predictivo o prescriptivo.

“El contexto es necesario para la resolución de problemas”, dice Bry Dillion, vicepresidente de nube, comunidad y canales de OSIsoft, que comercializa PI System para recopilar y centralizar datos de series de tiempo de diversas fuentes. “Si está transmitiendo datos asociados con una bomba, debe comprender cómo se relaciona el conjunto de datos con el proceso para obtener ese contexto. Si solo optimiza el flujo a través de la bomba y no conoce la calibración o el rendimiento, podría optimizar la bomba hasta el punto en que se rompa. No puede simplemente traer datos sin procesar y esperar que el aprendizaje automático lo resuelva". (Nota del editor: en el momento de la publicación de este artículo, Aveva acababa de anunciar su adquisición pendiente de OSIsoft).

El MIC-720AI de Advantech es un sistema basado en ARM integrado con el sistema en módulo Nvidia Jetson Tegra X2. Según Advantech, es adecuado para la inferencia de inteligencia artificial en el borde y las aplicaciones de aprendizaje profundo.El MIC-720AI de Advantech es un sistema basado en ARM integrado con el sistema en módulo Nvidia Jetson Tegra X2. Según Advantech, es adecuado para la inferencia de inteligencia artificial en el borde y las aplicaciones de aprendizaje profundo.Componentes principales

La analítica industrial puede adoptar una variedad de formas, pero hay componentes y atributos centrales que parecen ser universales en todas las plataformas. Si bien gran parte del trabajo pesado en el análisis empresarial ocurre en la nube, el software de análisis industrial requiere capacidades de procesamiento de borde significativas dada la necesidad de procesar y analizar datos casi en tiempo real y cerca de la fuente para evitar problemas de latencia y seguridad.

“Cuando se habla del espacio industrial, casi siempre se refiere a algo que tiene una combinación de local y nube”, dice Ed Cuoco, vicepresidente de análisis de PTC. "Necesita una solución que sea equilibrada y que pueda enviar datos a la nube para su procesamiento junto con una capacidad perimetral para generar información muy cerca o dentro de la máquina".

Advantech argumenta que el procesamiento de borde habilitado por IA ofrece un mejor rendimiento que el análisis industrial basado en la nube, al tiempo que garantiza un mayor nivel de seguridad. Edge AI Systems de Advantech, impulsados ​​por la plataforma Nvidia Jetson, pueden servir como un reemplazo para las inspecciones de calidad visual tradicionales realizadas por los trabajadores de la planta. En uno de esos escenarios, un sistema de servidor de borde, reforzado con varios modelos de IA, realiza una inspección en tiempo real de los productos horneados en una fábrica de galletas, automatizando el proceso de configuración de los tiempos de horneado y las temperaturas del horno para garantizar una producción de galletas más consistente y de alta calidad.

"Estamos enfocados en el borde en lugar de en la nube para poder proteger los datos y mantenerlos seguros y confidenciales", dice James Yung, gerente de producto de los sistemas de nivel de servidor de Advantech. "Si envía datos a la nube, puede llevar mucho tiempo obtener una respuesta".


 Véalo en vivo en PACK EXPO Connects Nov. 9-13: Cómo usar flejes de plástico manualmente -  Tutorial con un amplio abanico de posibilidades, por PAC Strapping Products, Inc. Obtenga una vista previa de su Showroom aquí.


Dada la heterogeneidad de los datos de la planta, una plataforma de análisis industrial debe tener la capacidad de procesar tipos de información dispares con algún medio de normalizar y contextualizar los datos. Específicamente, los clientes necesitan conocer el contexto en el momento en que los datos se generan desde un dispositivo o una línea de producción; sin embargo, sigue siendo difícil recopilar datos contextuales de OT de alta velocidad de diferentes dispositivos de borde y mucho menos empaquetarlos de una manera estructurada para emparejar con fuentes de datos industriales de terceros o enviarlos en sentido ascendente a aplicaciones de TI para obtener insights de toda la empresa.

Para resolver este problema, los socios de automatización Rockwell Automation y PTC han creado objetos inteligentes, un modelo de datos flexible que descubre y recopila automáticamente datos de OT de alta velocidad con un contexto enriquecido, lo que permite que sean consumidos por aplicaciones de TI ascendentes como la planificación de recursos empresariales y el ciclo de vida del producto. "Los objetos inteligentes desbloquean los datos de OT contextualizados que está recopilando en el borde de una manera rápida y los hacen compatibles con todas las aplicaciones de TI posteriores", explica Gaurav Verma, director de transformación digital de Rockwell Automation. "Las aplicaciones de TI pueden obtener una gran cantidad de información empresarial a nivel empresarial, pero sin objetos inteligentes, no es posible".

Sight Machine también se apoya en gran medida en una capa de modelado para diferenciar su plataforma de análisis de fabricación. El software realiza un proceso de entrada de datos automatizado y continuo, que incluye el empleo de sistemas expertos y clasificadores de aprendizaje automático para preparar y contextualizar los datos de procesos y productos. El resultado final es un gemelo digital de la planta, que mediante el aprendizaje automático y el análisis avanzado, puede revelar anomalías y proporcionar información para ayudar a reducir el tiempo de inactividad. "Aplicamos modelos de datos y ponemos en marcha estructuras comunes para armonizar los datos", dice Jon Sobel, CEO de Sight Machine. "Es la aplicación de la estructura a los datos para poder analizarlos de manera efectiva lo que ha sido tan difícil para las personas".

 Seeq permite el ciclo de vida completo de la analítica avanzada, desde la conexión a datos de series temporales dispares hasta la habilitación de una investigación y un análisis rápidos.Seeq permite el ciclo de vida completo de la analítica avanzada, desde la conexión a datos de series temporales dispares hasta la habilitación de una investigación y un análisis rápidos.Imagen cortesía de Seeq.

Independientemente de sus diferentes enfoques, la mayoría, si no todas, las herramientas y plataformas de análisis industrial incorporan alguna forma de inteligencia artificial y aprendizaje automático para ayudar a descubrir patrones en la avalancha de datos de activos para construir modelos de activos y procesos de piso de producción y para automatizar procesos como parte de operaciones más inteligentes. El modelo de análisis impulsado por IA puede convertirse en un elemento de misión crítica en la línea de producción, creando un gemelo digital que permite, por ejemplo, a una cervecería simular, probar y optimizar sus procesos, así como analizar cientos de miles de parámetros para comprender y predecir las influencias en la calidad de la cerveza, explica Henning Ochsenfeld, director de ciencia de datos e ingeniería de aprendizaje automático en Siemens Digital Industries. "No es nada que un humano pueda hacer", explica. "Es necesario modelar la relación entre los indicadores clave de rendimiento existentes y la enorme cantidad de datos adquiridos en la línea de producción".

Otro elemento de las plataformas de análisis industrial emergentes que está demostrando ser fundamental es una apariencia de capacidad de desarrollador ciudadano que permite a los profesionales de TO, no solo a los científicos de datos y de TI, modelar fácilmente los problemas y visualizar conocimientos. La plataforma de código bajo Mendix de Siemens cumple ese papel en su portafolio de análisis industrial.

A diferencia del enfoque de plataforma, Seeq factura su software de análisis de datos como diseñado específicamente para ayudar a los ingenieros de procesos y expertos en la materia a interactuar y modelar datos de series de tiempo a escala. En lugar de competir con algunas de las grandes plataformas de análisis industrial, Seeq se conecta a los datos almacenados en una variedad de historiadores de procesos y sistemas SCADA, así como plataformas IIoT como PTC ThingWorx y Siemens Mindsphere, según Michael Risse, vicepresidente y CMO de Seeq.

Dada la complejidad de la automatización de fábricas y la diversidad de datos industriales, no habrá un producto de análisis que se ajuste a la factura para todos los casos de uso y todos los escenarios. Más bien, los expertos dicen que las organizaciones deben considerar la estrategia a largo plazo y las preguntas que buscan responder para alinear las herramientas adecuadas para el trabajo. "No trace una línea clara entre los juegos de herramientas; es importante poner todo sobre la mesa y ver cómo funcionan juntos", dice Steve Deskevich, vicepresidente de gestión de productos para energía y la unidad de negocios de petróleo y gas de GE Digital. "No mire la analítica industrial como un proyecto paralelo porque, si lo hace, gastará mucho tiempo y energía en un proyecto de ingeniería genial, pero no necesariamente cambiará el funcionamiento del negocio".

Más en Adquisición de datos