¬°Hub de contenido!
Acceso a contenido educativo gratis.

El camino del Proporcional-Integral-Derivativo a la autonomía

El concepto de operaciones autónomas en la manufactura no se basa en tecnologías completamente nuevas. De hecho, puede verse como parte del desarrollo continuo de los sistemas de retroalimentación de circuito cerrado.

Getty Images 1309291836 618d493c7f34b

Mirando hacia atr√°s en la historia de la automatizaci√≥n, no es dif√≠cil ver c√≥mo la mayor√≠a de los avances son extensiones de las tecnolog√≠as existentes. Esto se puede ver en todos los niveles de automatizaci√≥n, desde la evoluci√≥n de los rel√©s en controladores l√≥gicos programables hasta la empresa, donde los sistemas ERP (planificaci√≥n de recursos empresariales) integrales se desarrollaron a partir de expansiones del software de planificaci√≥n de requisitos de materiales (MRP) a lo largo del curso de varios a√Īos.

Sin embargo, cuando observan los sistemas autónomos, el avance puede parecer tan vasto que no siempre es tan fácil ver el punto de origen en los sistemas de fabricación tradicionales. Esta brecha puede hacer que los usuarios finales desconfíen de las tecnologías autónomas; pero cuando rastrea la ruta de desarrollo de los sistemas autónomos, puede hacer que estas nuevas tecnologías sean menos intimidantes.

Conectando los puntos

En Rockwell Automation Fair 2021, Jordan Reynolds, director global de ciencia de datos en Kalypso (una compa√Ī√≠a de Rockwell Automation), hizo una presentaci√≥n sobre sistemas aut√≥nomos que ayud√≥ a explicar c√≥mo estos sistemas neuronales avanzados, tal como se aplican en la industria, pueden verse como extensiones de los sistemas de control de bucle cerrado PID (proporcional-integral-derivativo) con los que todos estamos familiarizados.

Jordan Reynolds, director global de ciencia de datos en Kalypso (una empresa de Rockwell Automation).Jordan Reynolds, director global de ciencia de datos en Kalypso (una empresa de Rockwell Automation).Al ilustrar la evolución del control PID a los sistemas autónomos, Reynolds explicó que el primer paso es comenzar con un sistema físico (una planta completa o una línea de producción) y crear un modelo o gemelo digital de este sistema que muestre cómo ese sistema responde a los cambios a las entradas o parámetros operativos, así como a las perturbaciones.

Este modelo, que prepara el escenario para la autonomía, se crea a través de un modelo híbrido. Reynolds dijo que el modelado híbrido se desarrolla a través de dos procesos: primero, hay información de un ingeniero seguida de información de un científico de datos que comprende la IA (inteligencia artificial).

"Hay un delta entre lo que sabe un ingeniero y lo que hace un cient√≠fico de datos para derivar un modelo que pueda aprender en lugar de ser programado", dijo Reynolds. Hizo hincapi√© en que, para desarrollar un modelo eficaz para las operaciones aut√≥nomas, es necesario que el ingeniero defina los principios b√°sicos y que el cient√≠fico de datos cierre las brechas para garantizar que el modelo funcione seg√ļn los est√°ndares. "Este es un modelo h√≠brido", dijo.

Control autonómico

Rockwell Automation se centra en esta área porque considera los problemas de autonomía como problemas de control.

‚ÄúEl control de retroalimentaci√≥n fue una de las primeras aplicaciones de control predictivo‚ÄĚ, dijo Reynolds. ‚ÄúAmpl√≠a el control de la retroalimentaci√≥n y proporciona indicaciones tempranas de un estado que a√ļn est√° por llegar para que se pueda abordar de manera proactiva. El control predictivo de modelos (MPC) es una versi√≥n moderna del control de retroalimentaci√≥n, en la que se utilizan modelos multivariables para caracterizar el rendimiento de un sistema. Usamos esos modelos para controlar un sistema mejor de lo que podr√≠amos con PID ".

Reynolds se√Īal√≥ que Rockwell Automation adquiri√≥ Pavilion Technologies en 2007 por su tecnolog√≠a MPC.

"MPC es bueno con sistemas altamente predictivos que no cambian tanto", dijo Reynolds. “Pero se queda corto cuando las recetas o los parámetros cambian. El MPC debe actualizarse porque no se adapta por sí solo. Ahí es donde entra en juego el control adaptativo. En el control adaptativo, el modelo no tiene que ser perfecto porque puede ajustarse a los cambios".

La presentación de Reynolds incluyó una diapositiva que explica el aprendizaje por refuerzo dentro de una construcción de producción industrial.La presentación de Reynolds incluyó una diapositiva que explica el aprendizaje por refuerzo dentro de una construcción de producción industrial.El aprendizaje por refuerzo es un concepto más nuevo que amplía el control adaptativo y es un método emergente de IA que se ha desarrollado junto con las capacidades proporcionadas por los recursos de computación en la nube y una mayor conectividad entre los sistemas de la planta.

Al explicar las conexiones entre PID y operaciones aut√≥nomas con Reinforcement Learning, Reynolds dijo que PID se usa para garantizar que el sistema cumpla con los puntos de ajuste, mientras que MPC determina los puntos de ajuste en funci√≥n de las m√ļltiples entradas y salidas del sistema. Yendo m√°s all√°, el aprendizaje por refuerzo crea una funci√≥n ejecutiva que puede crear estrategias.

Reynolds proporcionó un ejemplo de carreras de autos para ayudar a ilustrar este concepto. MPC mantiene el auto en el carril, dijo, mientras que Reinforcement Learning ayuda a elaborar estrategias sobre cómo ganar la carrera, por ejemplo, cuándo cambiar neumáticos, cuándo tomar el carril interior, etc.

Las redes neuronales de aprendizaje profundo, como las que se utilizan en el aprendizaje por refuerzo, es de donde proviene la mayor parte de la innovación a medida que la industria avanza hacia un mayor uso de sistemas autónomos. El problema es que, aunque las redes neuronales son muy precisas, no son muy transparentes ni explicables. "Un ingeniero no puede obtener fácilmente una respuesta sobre por qué las decisiones las toma la red neuronal", dijo Reynolds.

Es por eso que Rockwell Automation se centra en regresiones simb√≥licas profundas para explicar c√≥mo funciona un modelo de control de IA. Reynolds dijo que Rockwell Automation usa esto en su FactoryTalk Analytics LogixAI. Seg√ļn Rockwell Automation, FactoryTalk Analytics LogixAI aplica an√°lisis dentro de la aplicaci√≥n del controlador para lograr la mejora del proceso. Es un m√≥dulo adicional para controladores ControlLogix que transmite datos del controlador a trav√©s del backplane para construir modelos predictivos.