Mirando hacia atrás en la historia de la automatización, no es difícil ver cómo la mayoría de los avances son extensiones de las tecnologías existentes. Esto se puede ver en todos los niveles de automatización, desde la evolución de los relés en controladores lógicos programables hasta la empresa, donde los sistemas ERP (planificación de recursos empresariales) integrales se desarrollaron a partir de expansiones del software de planificación de requisitos de materiales (MRP) a lo largo del curso de varios años.
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 compañía de Rockwell Automation), hizo una presentación sobre sistemas autónomos que ayudó a explicar cómo 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).
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 científico de datos para derivar un modelo que pueda aprender en lugar de ser programado", dijo Reynolds. Hizo hincapié en que, para desarrollar un modelo eficaz para las operaciones autónomas, es necesario que el ingeniero defina los principios básicos y que el científico de datos cierre las brechas para garantizar que el modelo funcione según los estándares. "Este es un modelo híbrido", dijo.
Control autonómico
Rockwell Automation se centra en esta área porque considera los problemas de autonomía como problemas de control.
“El control de retroalimentación fue una de las primeras aplicaciones de control predictivo”, dijo Reynolds. “Amplía el control de la retroalimentación y proporciona indicaciones tempranas de un estado que aún está por llegar para que se pueda abordar de manera proactiva. El control predictivo de modelos (MPC) es una versión moderna del control de retroalimentación, 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 podríamos con PID ".
Reynolds señaló que Rockwell Automation adquirió Pavilion Technologies en 2007 por su tecnología 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.
Al explicar las conexiones entre PID y operaciones autónomas 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 función de las múltiples entradas y salidas del sistema. Yendo más allá, el aprendizaje por refuerzo crea una función 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 simbólicas profundas para explicar cómo funciona un modelo de control de IA. Reynolds dijo que Rockwell Automation usa esto en su FactoryTalk Analytics LogixAI. Según Rockwell Automation, FactoryTalk Analytics LogixAI aplica análisis dentro de la aplicación del controlador para lograr la mejora del proceso. Es un módulo adicional para controladores ControlLogix que transmite datos del controlador a través del backplane para construir modelos predictivos.
