Article facilitat per: IThinkUPC

L’auge de l’Industrial Internet of Things (IIoT), la intel·ligència artificial (IA) i les tecnologies d’edge computing està revolucionant el sector de fabricació de maquinària, conegut per les sigles «OEM». Aquestes tecnologies no només permeten analitzar dades operatives en temps real, sinó que també obren la porta a crear nous models de negoci basats en serveis d’alt valor afegit per als clients.

Aquest article demostra que la combinació de l’IIoT, la IA i l’aprenentatge federat pot portar aquest concepte un pas més enllà. Amb l’aprenentatge federat, els fabricants poden consolidar informació de múltiples màquines ubicades en diferents localitzacions i generar un «coneixement comú». Aquest coneixement habilita solucions més efectives i precises per al manteniment predictiu, la detecció d’anomalies i el diagnòstic primerenc d’errors en la maquinària perquè permet incorporar de forma incremental la informació de múltiples màquines.

Quina és la situació actual de les dades i l’ús de la intel·ligència artificial en els fabricants de maquinària?

Actualment, la digitalització s’ha convertit en un component essencial en el món de la fabricació de maquinària industrial. La majoria dels fabricants d’equips moderns ja han adoptat sistemes de registre i d’adquisició de dades per monitorar una àmplia gamma de variables que afecten el rendiment de les màquines. Aquests paràmetres inclouen, entre d’altres, temperatures, voltatges, corrents i pressions. Aquesta recopilació de dades, a més de permetre als fabricants i als seus clients visualitzar en temps real l’estat i el comportament de la maquinària, també és una eina valuosa per als equips de manteniment a l’hora de dur a terme actuacions preventives i diagnosticar possibles avaries.

Malgrat que s’han produït avenços importants en els mecanismes de recopilació de dades, moltes empreses encara no aprofiten plenament el potencial d’aquesta informació tan valuosa. Tot i que les dades normalment es capturen i s’emmagatzemen, en molt pocs casos s’analitzen amb eines avançades que podrien convertir-les en informacions pràctiques per prendre decisions estratègiques en mètriques clau com el manteniment predictiu de la maquinària, la qualitat del producte final, l’eficiència energètica i el consum de matèries primeres.

Addicionalment, encarar-se a l’anàlisi avançada de dades en el context de la maquinària industrial representa un desafiament tècnic i operatiu considerable. La maquinària en aquest sector és inherentment complexa i acostuma a ser altament configurable i a tenir la capacitat de produir diversos tipus de peces i d’operar amb múltiples configuracions. Aquesta complexitat fa que moltes empreses se sentin aclaparades davant de la perspectiva de modelar el comportament dels seus equips per a cada tipus de producte, peça o configuració operativa que els seus clients puguin necessitar.

Com pot ajudar l’aprenentatge federat a valoritzar les dades de producció?

En aquest context, les tecnologies emergents com la intel·ligència artificial (IA) i l’aprenentatge federat (AF) ofereixen una oportunitat única per transformar aquestes dades en brut en coneixements accionables que puguin generar un valor significatiu als fabricants i als seus clients.

L’aprenentatge federat destaca com a una innovació en l’àmbit del Machine Learning, dissenyat per superar les limitacions inherents a l’anàlisi de dades en entorns industrials complexos. Aquest enfocament permet entrenar models d’IA en un ampli conjunt de màquines distribuïdes centralitzant la informació en un model global, però fent anònimes les dades perquè els clients no perdin la propietat de la seva operativa i les configuracions concretes. Aquest enfocament amplia significativament la capacitat de generalització i de detecció de nous comportaments en les dades; i això resulta especialment rellevant pet als fabricants de maquinària, atès que permet fer models per a una gran diversitat de configuracions i operatives diferents.

Imaginem que volem desenvolupar un sistema de manteniment predictiu entrenant un model d’IA per a un model concret de màquina, per exemple, un braç robòtic que hem instal·lat en diverses línies de producció. Si el model s’entrena amb les dades de l’operativa del braç en una sola fàbrica (amb un nivell específic d’humitat, vibracions, temperatura, etc.), molt sovint fallarà quan rebi dades no vistes d’una situació o una configuració que no es va fer servir durant l’entrenament. No obstant això, si un model s’entrena amb les dades de múltiples instal·lacions en diferents indústries i diverses localitats, hi ha una probabilitat molt alta que aquest comportament s’origini en una altra màquina i que posteriorment es pugui reconèixer. Això fa que aquests models siguin molt més robusts i generalistes que els que s’entrenen màquina a màquina.

En aquest context, tal com es mostra a la figura, l’aprenentatge federat opera com un sistema dual format per un model global i múltiples models locals. Els models locals monitoren individualment cada màquina i, en identificar el nou comportament o patró, el comuniquen al model global. Aquest darrer, a la vegada, compara la nova informació amb la seva base de dades agregada per determinar si el comportament ja s’ha observat en altres màquines. Si és un comportament nou, el model global l’integra a la seva base de coneixement per enfortir la capacitat predictiva del sistema en conjunt i actualitza els models locals de totes les màquines per incorporar aquest comportament.

Aplicar aquestes tecnologies ofereix una sèrie d’avantatges tant per als fabricants de maquinària com per als seus clients. Per als fabricants, l’optimització d’operacions, n’és una de les més destacades, ja que aquests models permeten monitorar en temps real les condicions i el rendiment de les màquines instal·lades a casa de cada client. D’aquesta manera es facilita la planificació d’actuacions o, fins i tot, s’habiliten nous models de partnership com ara el de Maquinària As a Service (MAS) o l’oferiment de serveis tècnics de manteniment predictiu en temps real. Això permet que els tècnics de l’empresa supervisin de primera mà i en remot les condicions de la maquinària planificant les intervencions abans que es comprometi la qualitat i l’estat de la maquinària. A més a més, l’enfocament distribuït d’aquestes solucions permet la personalització i l’escalabilitat del modelatge per a diversos tipus i mides de maquinària, la qual cosa redueix significativament els costos i les barreres d’implementació. Pel que fa a la seguretat de les dades, l’aprenentatge federat ofereix l’avantatge de poder entrenar models d’IA sense centralitzar la informació, cosa que permet mantenir la privacitat de les dades sensibles.

Per als clients, els beneficis són igualment significatius. La reducció de costos operatius és un dels avantatges més evidents, atès que el manteniment predictiu minimitza el temps d’inactivitat i les despeses en reparacions no planificades. A més a més, la supervisió en temps real assegura que els estàndards de qualitat es mantinguin elevats, la qual cosa es tradueix en una millora de la qualitat en el producte final. La tecnologia també permet una major transparència de les operacions amb accés a informes i dashboards en temps real que mostren l’estat i el rendiment de la maquinària. A més a més, aquestes solucions són flexibles i es poden adaptar a les necessitats canviants del client o a les múltiples configuracions de les màquines.

Com s’implementen les solucions d’aprenentatge federat a la indústria?

L’adopció d’estructures avançades de modelatge i anàlisi de dades requereix la implementació de dispositius edge especialitzats. Aquests dispositius són capaços de capturar i processar en temps real la informació de les màquines industrials i d’executar models d’intel·ligència artificial (IA) directament al dispositiu. Com que s’integren amb plataformes al núvol, no només acceleren el flux de dades, sinó que també faciliten l’entrenament distribuït de models federats com els que es descriuen en aquest article.

En el context actual, el mercat ofereix solucions innovadores dissenyades específicament per a aquests desafiaments. N’és un exemple Octaipipe, una plataforma dissenyada per aplicar l’aprenentatge federat en entorns industrials. Aquesta solució no redueix només significativament els costos relacionats amb la implementació i la infraestructura, sinó que també proporcional un ecosistema robust per entrenar i actualitzar els models d’IA. Amb funcionalitats que permeten l’adaptabilitat i l’escalabilitat, Octaipipe assegura que les empreses puguin incorporar noves màquines al sistema amb facilitat. Aquesta mena de solucions ve acompanyada d’un marc de treball integral i eines avançades que garanteixen que les organitzacions puguin implementar aquestes tecnologies emergents amb la màxima confiança, optimitzant resultats i minimitzant riscos associats.

https://www.ithinkupc.com/ca/blog/aprenentatge-federat-el-futur-de-la-va...