PRODUCTOS AUTOMATIZACION DE PROCESOS
PRODUCTOS AUTOMATIZACION DE PROCESOS
Optimización de proceso basado en Inteligencia Artificial
ECN Automation como líder en proceso de automatización con experiencia en distintos sectores tales como Minería, Alimentos y Bebidas, Químicos, Farmacéuticos, Manufactura entre muchos más, puede ayudarte a mejorar el Control de Procesos de tu planta aplicando Inteligencia Artificial (AI).
¿Qué es el Machine Learning (ML)?
El machine Learning o aprendizaje automático es un método de creación de Inteligencia Artificial, el cual se especializa en técnicas estadísticas para la programación de algoritmos mediante los cuales “las máquinas aprenden” a realizar tareas, que van desde la predicción de una falla de una máquina o la predicción de variables que no pueden medirse mediante instrumentación convencional, hasta el reconocimiento de objetos dentro de imágenes y la comprensión del lenguaje humano.
Clasificación de los algoritmos de ML por su paradigma de aprendizaje
Se les llama algoritmos de aprendizaje "No supervisados" cuando se entrena el algoritmo solo con las variables de entrada, pero sus salidas y resultados no han sido categorizados y es responsabilidad del algoritmo realizar esta categorización. Por otro lado, se les llama algoritmos de aprendizaje Supervisados cuando se les configura para su entrenamiento tanto sus variables de entrada (llamadas variables explicativas) como sus variables de salida (variables experimentales).
Clasificación de los algoritmos de ML por el tipo de variable a predecir
Cuando la variable a predecir es una categoría (un color, un tamaño, un tipo de animal o cosa), se debe aplicar un algoritmo de clasificación y cuando la variable a predecir es un número, se aplica un algoritmo de regresión.
Algoritmos de Regresión
Algoritmos de Clasificación
Selección del algoritmo de ML más óptimo para cada aplicación
Se debe aplicar una metodología para seleccionar el algoritmo en función del problema y de los datos. La selección dependerá de la cantidad y calidad de datos, la cantidad de variables, etc.
Cómo implementamos Machine Learning para optimizar los procesos
ECN Automation puede implementar aplicativos de ML para optimizar los procesos bajo estas dos arquitecturas:
1. Módulo Edge de ML.
Para la implementación de aplicativos que son ejecutados en un sistema embebido en una electrónica compacta, la cual se puede integrar directamente DCS.
2. Servidores Edge de ML.
Para la implementación de aplicativos en servidores de planta los cuales utilizan servidores OPC para conectarse al DCS o directamente a sistemas de historización como PI System, Historian, etc.
Aplicaciones de ML integradas al control de procesos
El Módulo Edge de Machine Learning (ML), le permite acelerar la implementación de sus primeros proyectos de inteligencia artificial, ya que se integra a la fuente de datos (DCS) sin hacer uso de la infraestructura de IT de su planta y con ello no estar sujeto a las restricciones de ciberseguridad que implican ejecutar sus aplicaciones de ML en la nube o en su infraestructura local de Edge Computing.
Este módulo de machine learning se conecta de forma directa al sistema de control de planta (DCS) mediante una red industrial, utilizando un gateway que funciona como una barrera física entre DCS y el módulo Edge de machine learning como se muestra en esta arquitectura:
Arquitectura de integración de módulo de Machine Learning.
Servidor Local de ML – El administrador de Módulos de ML para una arquitectura distribuida
El servidor local de ML es utilizado para el desarrollo de aplicaciones de analítica avanzada que utiliza tus datos históricos, estas aplicaciones tienen el enfoque de mejorar la gestión operación y mantenimiento de la planta y por otro lado estos aplicativos de ML son integrados de forma directa al Control de Procesos de la planta.
Arquitectura de integración de módulo de ML a un servidor local para configuración y actualización de modelos.
Aplicaciones de ML en la minería
Detección de Estado Operativo de Molino SAG basado en Redes Neuronales.
Perfil de planta, usando analítica descriptiva de la recuperación y grado de concentrado para los diferentes tamaños de partícula.
Predicción del Jb/Jc de un Molino SAG utilizando el modelo de optimización de C-Morrell.
Predicción del tamaño de partícula en el Overflow de ciclones basado en Redes Neuronales.
Redes Neuronales
Es un modelo simplificado que emula el modo en que el cerebro humano procesa la información: Funciona simultaneando un número elevado de unidades de procesamiento interconectadas que parecen versiones abstractas de neuronas.
Ejemplos Prácticos:
Beneficios:
