La Motivación: ¿El Por Qué?

Actualmente, la industria manufacturera y los Edificios Terciarios (Hoteles, Hospitales, Oficinas, Aeropuertos, etc.) se encuentran inmersos en la cuarta revolución industrial, conocida como Industria 4.0 (I4.0). Esto implica la migración hacia espacios que operen y se mantengan inteligentemente; en otras palabras, que funcionen de manera eficaz y eficiente, y que además se optimicen y adapten en tiempo real.

El objetivo es permitir que estos espacios logren el propósito para el que fueron diseñados. A esto le podemos llamar edificios e industrias cognitivas inteligentes 4.0.

En el caso de la industria, están diseñadas específicamente para:
* Gestionar la complejidad.
* Producir bienes de manera más eficiente.
* Ser menos vulnerables a fallos.

Un componente clave para lograrlo es el concepto de Sistemas Ciberfísicos (CPS), que se basa en la fusión del mundo físico con su representación digital. Por lo tanto, la captura del mundo físico mediante sensores IoT y datos de protocolos de campo es fundamental para determinar el estado actual de un proceso (espacios, sistemas interconectados, máquinas, elementos finales de control y su entorno).

De este modo, los datos pueden ser utilizados por métodos de Inteligencia Artificial Generativa y Discriminativa (IA) para una toma de decisiones cognitiva más informada en el ciberespacio y, en consecuencia, para mejores acciones en el espacio físico.

¿Qué se Espera?

Como resultado, se esperan mejoras significativas. Por ejemplo, en el ámbito del mantenimiento, mediante la programación de actividades de servicio basada en pronósticos de fallas y estimaciones de estado, en lugar de intervalos de tiempo fijos o acciones ad hoc activadas por umbrales simples de sensores.

Los sistemas de producción desarrollados para este fin —a menudo denominados Sistemas de Producción Ciberfísicos (CPPS)— son cada vez más complejos debido a:
1. La variedad de sistemas y protocolos de campo (abiertos y cerrados).
2. Datos estructurados y no estructurados.
3. Componentes incorporados y la multitud de interacciones entre ellos.

Es crucial que la entidad que co-opera y co-mantiene entienda el contexto del sistema completo.

A diferencia de la definición manual de la relación entre parámetros, la disponibilidad de datos exhaustivos en la Industria 4.0 ha desplazado el enfoque hacia el Machine Learning (aprendizaje automático). Buscamos aprender la relación entre los patrones de los sensores (entrada) y la progresión de fallos (salida) para estimar el estado actual y predecir el futuro.

Estos enfoques se denominan Mantenimiento Predictivo basado en datos (PredM) y sus beneficios incluyen:
* Menor riesgo de paradas no planificadas.
* Mayor tiempo de actividad de los equipos.
* Reducción de los costes de mantenimiento.

Técnicamente, estos enfoques suelen utilizar arquitecturas en cascada, comenzando con modelos de Deep Learning de tareas discriminativas y pasando luego a modelos de generación con capacidades cognitivas. El objetivo es descubrir conocimiento (ej. indicadores de degradación) oculto en patrones temporales y/o espaciales de alta dimensionalidad.

El Reto en el Espacio Físico

El desarrollo de modelos de ML exitosos (como en visión artificial o NLP) está ligado a la disponibilidad de enormes cantidades de ejemplos de entrenamiento. Sin embargo, en aplicaciones industriales, el éxito suele ser transferible solo de forma limitada debido a las propiedades específicas del dominio.

En particular, para el PredM, el número de ejemplos que representan fallos y averías (FaFs) suele ser muy reducido debido a la alta calidad de las máquinas actuales y a las estrategias de mantenimiento existentes.

La Solución: Integración Híbrida

Para abordar este desafío, se considera la integración y combinación de Agentes IA Locales con conocimiento experto junto con el Aprendizaje Automático (ML) o Deep Learning (DL) basado en datos.

Con este enfoque (approach) logramos:
1. Abordar las dificultades específicas del dominio.
2. Integrar el conocimiento necesario para un mejor diagnóstico y detección temprana.
3. Superar la escasez de ejemplos de entrenamiento defectuosos.

Para ello, utilizamos la metodología del Razonamiento Basado en Casos (RBC), que proporciona el marco para combinar el conocimiento experto usado por Agentes IA y el aprendizaje automático.

¿Y Edgemant?

Aquí es donde aparece Edgemant (Operación y Mantenimiento Cognitivo Local —Edge— para Industria y Edificios).

Edgemant revoluciona el mantenimiento y la operación de ascensores y electroválvulas con Inteligencia Artificial en el Edge. Detecta fallas antes de que ocurran y opera/optimiza tus equipos, procesos y operaciones en tiempo real y de forma local.

¿Cómo funciona?

¿Qué es Edgemant?
Edgemant es una suite de Agentes IA que funcionan en local, sin acceso a internet, que co-operan de manera autónoma y co-mantienen procesos y equipos físicos en industrias y edificios terciarios, basándose en la predicción y detección de anomalías.

¿Listo para el siguiente nivel?

👉 Agenda una Visita o Prueba la demo acá:
https://edgemant.conauti.com/es/