El cambio disruptivo no tiene por qué producirse a expensas de los modelos operativos convencionales o existentes. Un ejemplo excelente que pone de relieve la afirmación anterior es la adopción generalizada de la digitalización en la industria manufacturera. La sustitución del papel y los elementos físicos por sus homólogos digitales facilitó el almacenamiento de conjuntos de datos históricos y simplificó el análisis al trabajar junto con los sistemas heredados. Así pues, el aumento de la tasa de adopción de redes neuronales artificiales facilitará la aplicación de los modelos de negocio de la industria 4.0 en la fabricación.
La Industria 4.0 crea diversas oportunidades para que las empresas aprovechen las tecnologías avanzadas para optimizar los procesos operativos. Las tecnologías que mejoran la conectividad digital, apoyan el desarrollo de sistemas ciberfísicos, impulsan la analítica y la automatización son cruciales para la aplicación de la Industria 4.0. Las redes neuronales artificiales o redes neuronales dotan a los sistemas digitales y a las aplicaciones de IA de la capacidad de funcionar de forma inteligente sin intervención humana.
¿Qué son las redes neuronales? Breve descripción
Las redes neuronales son un subconjunto de la IA y son cruciales para la aplicación de algoritmos de aprendizaje profundo. Los algoritmos de redes neuronales reflejan los patrones de comportamiento del cerebro humano. La integración de redes neuronales en programas y sistemas informáticos les confiere la capacidad de reconocer patrones y analizar datos para resolver problemas.
Las redes neuronales son algoritmos utilizados habitualmente en diversas aplicaciones, como los modelos de regresión para predecir valores, el análisis de texto/voz, el reconocimiento/clasificación de imágenes, la detección de anomalías y el reconocimiento de patrones. Una red neuronal consta de un nodo de entrada, nodos ocultos y un nodo de salida. El nodo de entrada recibe los datos; el nodo oculto es donde se realiza el cálculo para predecir el resultado en el nodo de salida.
Introducción a las redes neuronales en la Industria 4.0
La integración de redes neuronales comienza con el análisis de los modelos de negocio de la industria 4.0 y las tecnologías necesarias para implantarlos y, a continuación, determina cómo pueden mejorarse. Estos modelos de negocio incluyen el mantenimiento predictivo, la optimización de plantas o procesos basada en datos, la validación y las pruebas, etc.
Mejora de las aplicaciones de mantenimiento predictivo
Uno de los modelos de negocio de la Industria 4.0 que ha reducido el coste de utilización de los equipos de fabricación es la aplicación de modelos de mantenimiento predictivo para planificar los programas y eliminar los tiempos de inactividad. Las estrategias de mantenimiento predictivo se implementan mediante la captura de datos de utilización de las máquinas y el análisis de estos datos históricos para predecir futuras averías.
Hoy en día existen aplicaciones web y móviles que analizan los datos necesarios para predecir los plazos de mantenimiento. Aunque estas aplicaciones han reducido los fallos de las máquinas en aproximadamente un 70%, todavía se puede conseguir más integrando algoritmos de redes neuronales en las aplicaciones de mantenimiento predictivo. Las redes neuronales pueden mejorar la aplicación del mantenimiento predictivo automatizando el proceso de análisis de datos y mejorando la precisión de las predicciones.
Las RNA mejoran el proceso de predicción al proporcionar información sobre los factores causantes de los fallos, el calendario concreto de fallos previstos y el mejor momento para realizar las inspecciones. Las predicciones que proporcionan las redes neuronales permiten a las empresas implantar sistemas de mantenimiento proactivos que pueden reducir los índices de avería en un 90%.
Mejora de la aplicación de modelos de optimización basados en datos
Los análisis basados en datos mejoran la toma de decisiones en un centro. Por ejemplo, la planificación de la capacidad o la programación de los ciclos de trabajo de los técnicos garantizan que una instalación disponga de los recursos necesarios para ejecutar los trabajos dentro de unos plazos específicos. El software convencional de modelado de simulación puede utilizarse para desarrollar planes optimizados que aprovechen los conjuntos de datos históricos. Pero en situaciones en las que hay que responder a preguntas complejas como «elegir la línea de producción más rápida entre dos líneas afectadas por múltiples factores operativos», se necesitan más recursos informáticos. Algunos ejemplos de factores operativos podrían ser los tiempos de preparación dependientes de la secuencia, la disponibilidad de recursos y el tipo de trabajo que puede afectar al intervalo de fabricación de cada línea.
Aunque puede construirse un modelo de simulación de este complejo proceso. Las horas-hombre necesarias para desarrollar la compleja lógica que capta todos los factores que afectan a ambas líneas de producción son considerables. Las redes neuronales ofrecen una solución más rápida y automatizada para desarrollar las reglas o la lógica que resuelvan el complejo problema de elegir el tramo de fabricación más rápido entre dos líneas de producción. En este caso, una red neuronal sustituye la necesidad de pasar semanas desarrollando una lógica compleja y automatiza el proceso de toma de decisiones basado en datos.
Otros sectores en los que las redes neuronales mejoran los modelos de negocio de optimización basados en datos son el conocimiento de las complejas operaciones de la cadena de suministro y la predicción de los efectos de la demanda sobre los recursos disponibles. En este caso, las redes neuronales pueden integrarse en programas informáticos de planificación de la cadena de suministro, de modelización de simulaciones o de previsión de la demanda para acelerar el proceso analítico.
Validación y pruebas
Aproximadamente el 70 % de los procesos de implantación de IoT DIY fracasan debido al uso de técnicas de validación y pruebas inadecuadas antes de la implantación. Aunque esta estadística se centra en la implantación de IoT, una validación deficiente también afecta a la ejecución de planes de producción u operativos en todo el sector industrial. Por este motivo, la validación y las pruebas son un modelo o concepto empresarial fundamental de la Industria 4.0.
Los modelos de simulación y el Gemelo Digital proporcionan las herramientas de transformación digital que las empresas pueden emplear para validar ideas antes de ponerlas en práctica. Estas soluciones ofrecen representaciones virtuales de sistemas físicos, proporcionando así un entorno seguro para validar las estrategias operativas propuestas. Las redes neuronales proporcionan un medio para mejorar las capacidades de aplicación de las herramientas de transformación digital antes mencionadas y también pueden beneficiarse del entorno simulado que proporcionan las herramientas.
Por ejemplo, las redes neuronales pueden sustituir a la compleja lógica necesaria para desarrollar modelos precisos que produzcan predicciones muy exactas sobre el rendimiento de una estrategia. A la inversa, el modelo de simulación o gemelo digital genera datos de entrenamiento que pueden utilizarse para entrenar la red neuronal y mejorar su capacidad de predicción.
¿Qué impide a las empresas aprovechar las redes neuronales?
Adoptar el uso de redes neuronales para mejorar los modelos de negocio de la industria 4.0 mejora los planes, aumenta la productividad y prolonga la vida útil de los equipos operativos, lo que garantiza la rentabilidad. A pesar de estos beneficios, las empresas del sector industrial siguen siendo cautelosas a la hora de morder más de lo que pueden masticar. Entre las razones de esta cautela a la hora de adoptar las redes neuronales se incluyen;
- Falta de talento y formación adecuados
- Confusión sobre cómo elegir una solución entre una plétora de soluciones digitales
- Pensamiento a corto plazo para proteger el statu quo
Los motivos de cautela esbozados son todos válidos, ya que diversas soluciones de transformación digital que requieren un nivel variable de conocimientos para su gestión compiten constantemente por la atención de los ejecutivos de alto nivel. A diferencia de otras soluciones, en las que se requieren esfuerzos considerables para una implantación satisfactoria, las redes neuronales pueden integrarse con facilidad.
Soluciones como el software de simulación Simio y de modelado de gemelos digitales integran el uso de redes neuronales feedforward y los usuarios pueden aprovecharlo sin necesidad de tener experiencia en codificación. Los usuarios finales también pueden aprovechar Simio para desarrollar datos de entrenamiento sintéticos con los que entrenar sus algoritmos de redes neuronales. Por último, ONNX proporciona a los usuarios un formato de archivo de código abierto para transferir algoritmos entre diversas aplicaciones con facilidad.
Las organizaciones pueden sacar partido de las redes neuronales aprovechando la tecnología adecuada que respalde su uso y le permita alcanzar sus objetivos operativos. Al invertir en estas soluciones tecnológicas, los líderes pueden prepararse para los retos operativos del mañana mientras gestionan los desafíos de hoy.