Menos del 3% de las industrias en el Perú realizan un análisis estratégico de sus datos industriales, el resto no lo tienen o no lo usan

Las industrias minera, petrolera, energética, manufacturera, etc., para poder implementar procesos más eficientes energéticamente, ser más productivas, ser más confiables, con menos fallas de equipos o paradas de planta, u otros como el de realizar trazabilidad y ubicación de activos de planta, ubicación de colaboradores y monitoreo de activos ambientales, necesitan usar los datos estratégicamente.
El monitoreo inalámbrico y la analítica automática son dos herramientas complementarias que pueden generar buenos resultados para mejorar las industrias antes mencionadas.

Monitoreo inalámbrico
El monitoreo inalámbrico es el monitoreo menos invasivo, fácil de instalar y escalar (“término referido a incrementar la cantidad de puntos o variables en un corto tiempo”). A nivel industrial se tienen varios tipos de protocolos inalámbricos como el WiFi, WiHART, LTE, Bluetooth, ISA100, LPWAN (Lorawan, Sigfox, 2.4GHz).
Una opción es la tecnología LPWAN, y es la que tiene mayor cobertura para espacios extendidos o lejanos y para medir variables que cambian de valor en periodos de minutos, como la temperatura, presión, caudal, nivel, profundidad, inclinación, pH, ORP, turbidez, conductividad, concentración de gases, humedad, deformaciones, niveles de vibración, etc. Estos dispositivos generalmente utilizan baterías de larga duración y son fáciles de instalar y comisionar. Una de las redes de radio Low Power Wide Area Network (LPWAN) más utilizadas a nivel mundial es la red LoRaWAN, y en el Perú tiene un rango de trabajo de 915 MHz a 928 MHz, de forma similar a otros países de la región. La red utiliza una puerta de enlace física a la capa de red donde se puede conectar a servidores locales o a servidores en nube donde se ejecutan los algoritmos de analítica.

Los transmisores inalámbricos permiten obtener datos donde es complicado ubicar un transmisor cableado, donde se necesite obtener datos de forma rápida, donde no se disponga de puntos de conexión para PLCs o servidores industriales, donde no se tiene energía eléctrica habilitada o donde los equipos a monitorear están en movimiento y donde un sensor cableado no se podría instalar con facilidad como molinos, fajas, tanques, tuberías extensas, pozos subterráneos, áreas clasificadas para atmósferas explosivas, vehículos de carguío, etc.
Estos datos se pueden gestionar eficientemente, ello mediante software y algoritmos automáticos, sin embargo, de forma previa a la analítica, existen sensores inalámbricos como los AIO SENSORS, que en el mismo Esquema monitoreo desde sensor inalámbrico LoRaWAN. dispositivo sensor, pre-procesan, limpian los datos y calculan algoritmos estadísticos; esto es importante ya que se requiere que los datos a analizar sean estadísticamente tratables.

Analítica automática de datos industriales
No solo los datos recibidos mediante protocolos inalámbricos pueden ingresar a los algoritmos de control, también se suman los datos colectados en controladores industriales o servidores de sistemas de adquisición de datos y control supervisado (SCADAs); ellos de forma integral se pueden monitorear activamente 24/7 y se puede disponer de ellos vía servidores en nube o servidores locales y utilizarlos en algoritmos simples de alerta y prevención, algoritmos de cálculos de consumos y volúmenes u otros más avanzados como sistemas predictivos, e incluso acciones de control automático.

Analítica de datos en tiempo real utilizando algoritmos predictivos
Una de las soluciones más demandadas ofrecida por AIO SENSORS es la predicción de fallas en activos industriales, en la cual se utiliza el análisis de datos en tiempo real utilizando algoritmos basados en redes neuronales.
Ello requiere un flujo continuo de datos, debido al volumen de datos a ser analizados como vibración, temperatura, deformación, presión, etc. proveniente de los sensores inalámbricos junto a la data de servidores cableados, entonces se realiza un preprocesamiento adicional. Este paso implica limpiar los datos (eliminar valores nulos y valores anómalos
de acuerdo al rango) luego se transforma los datos a un formato único en el tiempo y se normaliza.
Entonces, se ejecuta un análisis estadístico para elegir las partes importantes del conjunto de datos que son relevantes para el nuevo modelo, y se construye el modelo predictivo dividiendo el conjunto de datos en datos de entrenamiento y datos de prueba. Se procede a entrenar el modelo para que pueda funcionar bien cuando se le presenten datos
desconocidos, el tipo de aprendizaje del modelo es un algoritmo de aprendizaje continuo.
Cabe mencionar que como los datos se actualizan continuamente, el análisis también se tiene que ejecutar de forma continua. Esta parte genera otro grado de dificultad, para ello se genera un código de análisis y recopilación de datos dentro de un bucle que se ejecuta indefinidamente, aquí se utilizan librerías de sincronización.
Luego se evalúa el rendimiento del modelo, el cual cada vez va siendo más eficiente. Una vez generados los datos de salida más eficientes, se transmiten vía API a aplicaciones propias o de terceros, con los cuales el área de mantenimiento, operaciones o administrativas puedan gestionar sus activos de manera adecuada, e incluso que dichas áreas generen sus propios modelos predictivos.
De forma análoga a la solución de predicción de fallas en activos industriales se realizan trabajos con algoritmos predictivos basados en redes neuronales para poder generar procesos más eficientes energéticamente, ser más productivos, con menos paradas de planta, u otros como predecir consumo de combustibles, consumo de insumos químicos, predecir calidad de procesamiento, prevenir contaminación de aire o agua, o prevenir fugas o derrames, soluciones ofrecidas por AIO SENSORS.

Por: Ing. Jherson Marchan – AIO SENSORS
Av. German Schreiber 276, San Isidro, Lima
+51 997 864 655 | ventas.peru@aiosensors.com
www.aiosensors.com