Sensores virtuales: la combinación de un conocimiento profundo de los procesos industriales y una comprensión cabal de las herramientas modernas de inteligencia artificial

Para ejecutar las operaciones de forma exitosa, es crucial monitorear los principales indicadores clave de desempeño (KPI, por sus siglas en inglés). Sin embargo, muchos KPI no son medibles en forma directa debido a la naturaleza del proceso. Disponer de sensores virtuales para inferir los KPI esenciales ofrece la información correcta para lograr una eficacia óptima. Los sensores virtuales se utilizan en la industria desde hace muchos años, pero sus funciones principales varían; veamos los aspectos básicos.

¿Qué es un sensor virtual?

Un sensor virtual es un elemento que estima, a través de inferencias, cuándo un sensor físico es poco confiable o no está disponible. El sensor virtual se utiliza para el respaldo de las decisiones de los operadores, el mantenimiento y el control. La otra función de un sensor virtual es reemplazar o respaldar un analizador costoso que necesita una calibración con mayor frecuencia, con lo cual se reducen los costos. Los sensores virtuales, como otros analizadores en línea, necesitan calibración frecuente. Sin embargo, a diferencia de la mayoría de los sensores físicos, la calibración puede hacerse en forma remota y las operaciones no requieren un proveedor de tecnología en terreno para calibrar el instrumento y realizar tareas de mantenimiento. Esto permite ahorrar tiempo y dinero, algo muy importante para las operaciones remotas. Mientras que los sensores virtuales convencionales se basaban, principalmente, en modelos lineales y físicos, las técnicas modernas de aprendizaje automático nos brindan la oportunidad de mejorar los sensores virtuales de uso frecuente y dan lugar a nuevos tipos de sensores virtuales que no podrían desarrollarse con métodos convencionales.

Desarrollar un sensor virtual avanzado requiere una combinación de un conocimiento profundo de los procesos, los retos y las oportunidades junto con una comprensión cabal de las herramientas modernas de inteligencia artificial. Para brindar este conjunto de habilidades, se necesita un equipo integrado de ingenieros de proceso, expertos en control y científicos de datos.

La implementación de un sensor virtual avanzado no es una solución libre de riesgos. El confiar únicamente en herramientas basadas en datos para desarrollar un sensor virtual provoca retos inesperados si los datos no cubren todas las condiciones operativas. Además, en la mayoría de los casos, no se cuenta con una base de datos perfecta con el tamaño y la granularidad adecuados. Por lo tanto, es crucial que participen expertos en la materia (SME, por sus siglas en inglés) para ayudar a los científicos de datos en todas las etapas del desarrollo: desde definir el problema y encontrar o crear una base de datos útil, hasta desarrollar el modelo, realizar pruebas e implementar la solución.

¿Cómo se produce esta colaboración? Esta es una descripción paso a paso.

1. Comienza con la definición del problema. Los científicos de datos y los SME necesitan acordar un lenguaje para definir el proyecto de forma que sea comprensible para todas las partes interesadas. Los científicos de datos deben entender por qué se necesita un sensor virtual y cómo un usuario puede aplicarlo para inferir un KPI. Por otra parte, los SME deben entender la metodología para desarrollar un sensor virtual a fin de brindar los datos correctos. Una vez que ambas partes se ponen de acuerdo, deben dividir el proyecto en alcances y definir una medida del éxito. La medida del éxito es una función de la exactitud y la confiabilidad del sensor virtual.

2. A continuación, se pasa a la preparación de datos y a la comprensión de la relación entre las variables, la demora, el sesgo, los errores de medición, etc. Es necesario conocer la relación entre las variables para no confundir a los científicos de datos y seleccionar las herramientas de modelado correctas en el siguiente paso.

3. Esto nos lleva al siguiente paso: el modelado. Según el enfoque que se seleccione para el modelado, los SME trabajarán con diferentes datos. Por ejemplo, al desarrollar sensores virtuales basados en un conocimiento profundo, los SME pueden ayudar a definir diferentes sesgos basados en un conocimiento inductivo (un conjunto de suposiciones para predecir los resultados). Sin embargo, la contribución principal puede estar en el modelado híbrido, que se trata del modelo físico combinado con modelos de aprendizaje automático. Los SME pueden desarrollar el modelo físico o liderar al equipo para que utilice los modelos físicos adecuados. Existen diversos tipos de modelado híbrido. Estos modelos pueden clasificarse en las siguientes categorías:

· Suplementarios: uno puede corregir al otro.

· Integrados: un modelo puede integrarse en el otro.

· Alternativos: uno se usa como alternativa al otro.

· Complementarios: la solución puede ser una combinación entre ambos.

· Resultado integrado: el resultado de un modelo puede ser la información utilizada por el otro.

· Imitación estructural: un modelo puede diseñarse a partir del otro.

4. Los científicos de datos tienen métricas estadísticas para validar el desempeño del modelo. No obstante, los SME deben confirmar la selección de las métricas correctas. Además, los SME pueden validar los resultados de los modelos de aprendizaje automático o híbridos con otras herramientas y métricas, por ejemplo, la simulación. En esta etapa, el equipo debe decidir si el desempeño del modelo cumplió con los requisitos en términos de exactitud y confiabilidad. Luego, pueden elegir continuar e implementar la solución, o volver atrás y mejorar el modelo.

5. El próximo paso es implementar la solución y requiere un gran esfuerzo y la participación de otras partes interesadas. En esta etapa hay muchos factores a considerar: la accesibilidad, la compatibilidad y la seguridad de los datos, la arquitectura del sistema, la ubicación de la solución, la experiencia del usuario, la elaboración de informes y los procedimientos de respuesta definidos.

6. La última etapa es la calibración y el soporte: como con otros sensores, la calibración de los sensores virtuales debe hacerse mediante métodos de autocalibración o por parte de los SME. Un sensor virtual avanzado depende, en gran medida, de los datos. Por lo tanto, en algunos casos, se debe reconstruir el modelo, sobre todo cuando el proceso cambia significativamente y los datos históricos no representan las condiciones del momento.

Con el espíritu de innovar en todo lo que hacemos, la industria debería aprovechar los sensores virtuales avanzados para superar la poca visibilidad de los principales KPI y usarlos como una herramienta para respaldar la toma de decisiones.