18 Oct CASO DE ÉXITO 2: Tyris.AI, especialistas en la optimización de procesos productivos gracias a la analítica predictiva de datos
Tyris AI. Sus soluciones se centran tanto en la predicción de fallos y deterioros como en la optimización de procesos productivos y sistemas industriales a través de la analítica avanzada y predictiva de datos. Una apuesta que ha sido reconocida con prestigiosos premios en el ámbito de la innovación. Realiza la exposición Manuel Suárez, CEO de Tyris AI, especialista en tecnologías de transformación digital en industria con diez años de experiencia en sectores como la automoción, el agua, el metal o la alimentación. Profesor de master de transformación digital e industria 4.0 y ha implantado sistemas de optimización industrial en Ford, Seat o Michelín.
“Empresa enfocada en los procesos de machine learning y analítica predictiva para la optimización de procesos y enfocados exclusivamente en industria. Ahora somos 30 personas y contamos con 7 doctores en IA, machine learning y estadística. Hemos recibido varios premios, el último de ellos, el premio innovación 2018 que nos dio la constructora Sacyr y el Ministerio de Ciencia e Innovación por el sistema de ‘machine learning’ para predecir el deterioro en los pavimentos de la red de carreteras nacional. Actualmente estamos trabajando en múltiples sectores industriales. Somos transversales. Estamos en automoción, metal, construcción, alimentación”
Así presenta el CEO de Tyris AI, Manuel Suárez, su empresa. A partir de ahí, centra la exposición en una sucinta explicación de la metodología general que utilizan en la empresa para cerrar su exposición con dos casos concretos en los que ha trabajado Tyris.
“La IA en industria son procesos inteligentes que se ejecutan de manera autónoma o semiautónoma llegando a soluciones concretas para situaciones actuales o futuras.
En cuanto a las tecnologías que incluye la IA en industria, dividir: tecnologías y aplicaciones concretas.
Existen tres tecnologías: el machine learning; los sistemas de big data y la visión artificial y, a partir de ahí, numerosas aplicaciones: análisis predictivo y eficiencia energética; del big data, optimización dela producción y sistemas del reconomicmiento del lenguaje natural de los operarios; visión artificial, control de calidad, robótica guiada, etc.
Nuestras áreas de especialización donde nos hemos centrado son estas cuatro:
- IA-machine learning con sistemas predictivos para calidad, mantenimiento, corrección automática de procesos.
- Cuando empezamos a armar toda la división de analítica predictiva, nos centramos en la optimización de los procesos industriales y en la especialización para los mismos. No queríamos ser una empresa que se dedica únicamente a hacer algorítmica y dar la caja negra y que ya se apañen los responsables de línea. Nos hemos armado muy bien en conocer cuáles son los protocolos de comunicación industriales para comunicar con todas las fuentes de información para saber cómo integrarlo, cómo historizar todos estos bloques de datos y, al fin y al cabo, cómo tratarlos y cómo responder después en las líneas de producción.
- Nos hemos especializado en sistemas de comunicaciones industriales y, en algunos casos, cuando la comunicación debe de ser distribuida, tenemos que levantar arquitectura de redes IoT.
- Sistemas de historización adaptados para trabajar en series temporales con analítica predictiva. Muchas veces, cuando se despliegan los sistemas de analítica predictiva en industria, hay ocasiones en las cuales cuando se accede a los autómatas de gobierno al control numérico propio de la máquina, comprobamos que sus valores ya son suficientes para levantar los modelos de análisis predictivos correspondientes. Pero en otros casos es necesario instalar sensores adicionales en las líneas de producción o en las máquinas que nos ayuden a tomar unas medidas adicionales e incorporarlas también. En este caso, trabajamos con partners especialistas en la integración de estos sensores (como Nutai) y ellos se encargar de realizar la integración.
Con la inteligencia artificial se está trabajando en cuatro ramas diferentes: sistemas de analítica de datos, la llamada minería de datos; sistemas de control por lenguaje natural; planificación y control de la producción y robótica-visión.
Centrándonos en la analítica de datos, enfocada en sistemas de series temporales y analítica predictiva. Si tuviésemos que dividir las aplicaciones serían:
- Sistemas de análisis predictivo con machine learning. Enfocados directamente a la calidad del proceso. Es decir, cuándo el proceso va a funcionar por debajo de los estándares de calidad requeridos o cuando el proceso va a dar algún fallo de producción. No es lo mismo que la máquina esté produciendo y tenga una avería que que la máquina esté produciendo y no tenga ninguna avería, pero provoque determinados fallos en la calidad del os productos fabricados.
- Sistemas de predicción en la calidad del proceso.
- Sistemas de eficiencia energética con machine learning. Garantizamos el output pero minimizamos el consumo energético en el proceso.
- Sistemas de planificación y control de la producción. Aquí como sabéis hay grandes compañías que han desarrollado sistemas de planificación de la producción a nivel comercial, como Siemens. Sin embargo, nosotros estamos tan pegados al proceso productivo de la compañía que nos han solicitado desarrollar también sistemas de planificación de la producción con una capa de IA porque, tras probar los sistemas de esta índole, consideran que no son suficientemente flexibles o adaptables al tipo de proceso productivo que tienen.
- Sistemas de optimización de la calidad de suministro.
- Sistemas de simulación de procesos. Digital twin. Son los que permiten representar de manera virtual y mediante analítica de datos un proceso en concreto. En muchas ocasiones se le está atribuyendo esta etiqueta a cuadros de mando que representan la información en tiempo real pero eso no es digital twin. Los sistemas de simulación de procesos son los que se representa un conjunto de datos y tratándolos en conjunto, te permite representar un comportamiento global de una instalación en concreto. Y de esa forma tienes el gemelo digital para introducirle modificaciones y ver cómo se comporta en un futuro”.
Manuel Suárez explicó después los motivos de aplicar el machine learning en la industria y no son otros que el objetivo de corregir comportamientos negativos para la empresa como procesos ineficientes, alta tasa de producción de productos no válidos, elevados gastos de mantenimiento, desperdicios de materia prima o bajas velocidades de producción.
Para implantar un sistema de machine learning, existen cuatro fases de desarrollo, según señaló el CEO de Tyris AI: fase de integración del dato; fase de análisis inicial exploratorio de los datos; fase de entrenamiento y fase de implantación. Respecto la fase dos, esta adquiere especial importancia porque es la que mayor porcentaje del tiempo total del proyecto conlleva.
El proceso es el siguiente, como explica Manuel Suárez:
“Una vez que tenemos los conectores de integración desplegados y funcionando estos comunican con los módulos de historización que produce una historización de configuración de series temporales y realiza el preprocesado y limpieza de todos los datos. Hay una serie de técnicas de normalización de discriminación que son necesarias antes de poner a disposición todo el módulo de datos. Una vez estos dos módulos ya podemos levantar por arriba los módulos de analítica predictiva en función del sistema que vayamos a diseñar. Después levantamos cuadros de mando optimizados que nos muestran en tiempo real las tendencias de estos modelos del output pero también la información del tiempo real que estamos integrando de las fuentes de datos. A nivel adicional también integramos un módulo de alarmas que conecta con los modelos predictivos y que permite avisar a los responsables de línea mediante correos electrónicos y le dice el rendimiento que está sacando el modelo predictivo, la probabilidad que hay para que se produzca un fallo con una previsión de días que ya se había delimitado anteriormente. En muchos casos también con indicaciones para evitarlo”.
Caso práctico: SEAT, Máquinas de Mecanizado y Rectificadoras
En Tyris AI tenemos una amplia experiencia en la aplicación de los sistemas de optimización con IA aplicados a procesos de mecanizado y control por CNC. Dentro de estaciones máquina-herramienta, es habitual disponer del acceso a gran cantidad de datos relativos a variables eléctricas, mecánicas y de posicionamiento axial que son generados automáticamente por el CNC durante la operación de mecanizado. La experiencia en este campo nos indica que con muy alta probabilidad existen correlaciones entre un determinado estado actual de los componentes o de su comportamiento previo, con la aparición de fallos o las desviaciones en la calidad final de rectificado.
Actualmente nos encontramos trabajando con varios clientes en este aspecto, uno de ellos SEAT en la factoría de Barcelona donde trabajamos en sistemas de análisis predictivo aplicando Machine Learning para la optimización de la producción de estaciones de Rectificado de engranajes. El sistema está directamente orientado a evitar las averías y paradas no controladas como fallos mecánicos de electro-husillos, desajustes de cabezal o fallos en motor de diamantado. Nos encontramos accediendo directamente a CNC de la máquina para la extracción de los datos de proceso, que a su vez cruzamos con el resto de información disponible en la planta.
Caso práctico: Michelín – Producción de Neumáticos
Los entornos de producción de neumáticos tienen procesos en ocasiones muy personalizados como es el caso de una gran marca como Michelín, de la que somos proveedores homologados. Son estaciones de producción complejas donde se trabaja en fases con varios materiales, principalmente Caucho, Acero, Tejidos y sustancias químicas. En este caso, la metodología y el proceso productivo está homologada directamente por Michelín, como un estándar de la compañía.
En nuestro trabajo con ellos, estamos integrando información de proceso de varias estaciones de producción, principalmente para máquinas de tensionado y corte, donde accedemos a distintos dispositivos de control, entre ellos una plataforma de integración de dato industrial de la compañía. El sistema se enfoca en la reducción de los tiempos de mantenimiento y de máquina fuera de servicio, un aspecto que, aunque parezcan tiempos insignificantes para algunos, sólo una mínima reducción de estos, implica una gran mejora en la producción. A demás de esto, la presencia de la plataforma de integración de Michelín nos permite poder desplegar módulos independientes de optimización y Machine Learning sobre ella, posibilitando un control centralizado.
Subvencionado por: