Contribuciones de inteligencia artificial aplicada en sistemas industriales

Abstract

La dinámica de la sociedad moderna empuja al sector industrial hacia una creciente necesidad de sistemas cada vez más complejos y autónomos, destinada a liberar a los seres humanos de tareas mecánicas, repetitivas y poco gratificantes. Las tecnologías habilitadoras que harán posible esta revolución están disponibles. Y es un hecho que, la Inteligencia Artificial abre un universo de posibilidades para transformar en valor la ingente cantidad de datos existentes. En este campo de investigación, además de las técnicas ya conocidas y ampliamente utilizadas para entrenar modelos, se puede encontrar en la literatura un sinnúmero de variaciones algorítmicas. Sin embargo, esta apuesta por la Inteligencia Artificial no es todavía tangible dentro del sector industrial. Quizás porque estas potentes técnicas han de aterrizarse a la realidad de problemas concretos en industrias reales. Y sin género de dudas, la Inteligencia Artificial Aplicada es clave para ayudar a transformar el ecosistema industrial actual. Urge centrar los esfuerzos en promover estas tecnologías a través de la creación de nuevas herramientas que ejemplifiquen la aplicación de la tecnología del dato y de la Inteligencia Artificial.Este trabajo de Tesis doctoral está centrado, no en la definición de nuevas aportaciones analíticas, sino en la investigación estratégica de las técnicas de Inteligencia Artificial aplicadas al ámbito industrial. Sencillas y entendibles técnicas, capaces de abstraer a la audiencia de las complejas fórmulas matemáticas y de las oscuras cajas negras, aplicadas a la realidad de 3 casos de investigación científica industrial no-supervisados.Inicialmente, se propone la creación de una herramienta para la correcta y equilibrada asignación de consumidores a Fases en la red de Baja Tensión de la Red Eléctrica. En la resolución del problema se aplican algoritmos deoptimización ávaros (greedy) y algoritmos meta-heurísticos (agnósticos al problema y de propósito general) y se describen métricas provenientes de diferentes dominios para medir la calidad de la solución. El concepto común en dichas métricas es el estudio de la complementariedad entre las v curvas de carga (patrones de consumo) de cada consumidor telegestionado de la Línea eléctrica.Posteriormente, se propone un procedimiento para el Control y Supervisión de procesos industriales, donde ciertas variables críticas del proceso son difícilmente medibles. En la resolución del problema, se aplican algoritmos predictivos para inferir la relación entre las variables conocidas y medibles del proceso, y su relación con las variables críticas. El sistema de inferencia propuesto, a través de la correcta secuenciación de técnicas (técnicas de selección de variables relevantes, técnicas de limpieza de datos probabilísticas, técnicas de eliminación de ruidos y redundancias y técnicas de adecuación dinámica a los cambios de comportamiento del proceso), consigue obtener el valor de las variables críticas en tiempo real.Y finalmente, se propone una metodología para la modelización energética de una planta industrial en términos de tasa de producción y de consumos eléctricos individuales (a nivel de máquina) y consumos eléctricos agregados (a nivel de planta). En la resolución del problema se aplican sencillos algoritmos descriptivos y regresivos que permiten reconocer aquellos patrones de comportamiento que justifican el funcionamiento energético de la planta y que permiten detectar las ineficiencias energéticas que no se corresponden con los patrones identificados y descubrir la causa raíz de tales ineficiencias. Se trata de la resolución de un problema de caracterización energética no-supervisado.Asimismo, con objeto de difundir los resultados obtenidos en los casos de investigación industrial se han realizado diversas tareas de diseminación científica (2 artículos de revista y 3 congresos internacionales) y diseminación tecnológica (2 patentes y 1 registro de software).Como reconocimiento a la innovación y calidad de los resultados y aportaciones obtenidas, estas investigaciones aplicadas también han recibido 2 premios de reconocimiento industrial (Best use of Data Science for Industry 4.0 y Research and development of artificial intelligence applied to industrial plants y el reconocimiento de Innobasque como "Caso industrial de referencia". Todos ellos fruto de las diversas innovaciones en el ámbito industrial relacionadas con los resultados de las investigaciones.