Cómo utilizar el aprendizaje automático para optimizar su producción -

¿Cómo puede utilizarse el aprendizaje automático para optimizar la producción?

Optimización de la producción - ¿Cómo puede utilizar el aprendizaje automático para optimizar su producción?

Las instalaciones de producción totalmente autónomas estarán disponibles en un futuro no muy lejano. Pero incluso hoy, el aprendizaje automático puede marcar una gran diferencia en la optimización de la producción. En este artículo analizaré un ejemplo concreto de uso del aprendizaje automático y la analítica para resolver un problema complejo en un contexto real.

¿Qué es la optimización de la producción?

La optimización de productos es un problema común en muchos sectores. En nuestro contexto, la optimización es cualquier acto, proceso o metodología que hace que algo -como un diseño, un sistema o una decisión- sea tan bueno, funcional o eficiente como sea posible.

Ejemplos de este tipo de optimización son los procesos de decisión sobre el coste mínimo, la calidad óptima, el rendimiento y el consumo de energía.

Para concretarlo, me centraré en un caso en el que trabajamos con una empresa mundial de petróleo y gas. Actualmente, el sector se centra en la digitalización y el análisis. Este enfoque se ve alimentado por las enormes cantidades de datos que se acumulan a partir de miles de sensores cada día; incluso en una sola instalación de producción.

Hasta hace poco, el uso de estos datos era limitado debido a la:

-Límites de competencia .

-Falta de tecnología y conductos de datos.

En el contexto de la industria del petróleo y el gas, la optimización de la producción es esencialmente "control de la producción": se minimiza, maximiza u orienta la producción de petróleo, gas y quizás agua. El objetivo puede ser maximizar la producción de petróleo y minimizar la de agua. O puede que el objetivo sea mantener la producción de petróleo y la proporción de gasóleo en los valores especificados para mantener las condiciones deseadas en los tanques.

¿Hasta qué punto es complicada la optimización de la producción?

La producción de petróleo y gas es un proceso complejo en el que hay que tomar muchas decisiones para alcanzar objetivos a corto, medio y largo plazo; desde la planificación y la gestión de activos hasta pequeñas medidas correctoras.

Las decisiones a corto plazo deben tomarse en cuestión de horas y suelen caracterizarse como optimización diaria de la producción. Por lo general, tratan de maximizar los índices de petróleo y gas, optimizando los distintos parámetros que controlan el proceso de producción.

Hoy en día, en la mayoría de los casos, la optimización diaria de la producción corre a cargo de los operadores que controlan la instalación de producción en alta mar. Esta optimización es una tarea muy compleja en la que un gran número de parámetros controlables afectan a la producción de un modo u otro. Hay que ajustar unos 100 parámetros de control diferentes para encontrar la mejor combinación de todas las variables.

En nuestro ejemplo, sólo dos parámetros controlables afectan a la tasa de producción: la "variable 1" y la "variable 2". El problema de optimización consiste en encontrar la combinación óptima de estos parámetros para maximizar la tasa de producción. Resolver este problema de optimización bidimensional no es tan complicado, pero imaginemos que este problema se amplía a 100 dimensiones.

Ahora es otra historia. Esto es esencialmente lo que intentan hacer los operarios cuando optimizan la producción. Hoy en día, la calidad de esta operación depende en gran medida de la experiencia previa de los operarios y de su comprensión del proceso que controlan.

Los algoritmos de aprendizaje automático pueden acumular conjuntos de datos ilimitados

Aquí es donde un enfoque de aprendizaje automático (ML) resulta realmente interesante. La optimización realizada por los operarios se basa en gran medida en su propia experiencia, que se acumula con el tiempo a medida que se familiarizan con el control de la planta de proceso.

Esta capacidad de aprender de la experiencia previa es exactamente lo que resulta tan intrigante del aprendizaje automático. Analizando grandes cantidades de datos históricos procedentes de los sensores de la plataforma, los algoritmos pueden aprender a entender las complejas relaciones entre los distintos parámetros y su efecto en la producción.

El hecho de que los algoritmos aprendan de la experiencia es, en principio, similar a la forma en que los operarios aprenden a controlar el proceso. Sin embargo, a diferencia de un operario humano, los algoritmos de aprendizaje automático no tienen ningún problema para analizar conjuntos de datos históricos completos de cientos de sensores durante varios años. Pueden acumular una experiencia ilimitada en comparación con un cerebro humano.

Cómo funciona un algoritmo de optimización de la producción

Disponer de un algoritmo de aprendizaje automático que pueda predecir la tasa de producción en función de los parámetros de control que se ajusten es una herramienta extremadamente valiosa. El modelo de predicción basado en el aprendizaje automático nos proporciona una curva de tasa de producción con sus picos y valles que representan la producción alta y baja.

A continuación, el algoritmo de optimización multidimensional se desplaza por este paisaje en busca del pico más alto que represente la mayor tasa de producción posible.

Al desplazarse por la curva de la tasa de producción, el algoritmo puede dar recomendaciones sobre la mejor manera de alcanzar este pico; es decir, qué variables de control ajustar y cuánto ajustarlas. Por tanto, una optimización de la producción basada en el aprendizaje automático consta de tres componentes principales:

1. Algoritmo de predicción:

Su primer paso importante es asegurarse de que dispone de un algoritmo de aprendizaje automático (ML) que pueda predecir con éxito las tasas de producción correctas dados los parámetros de todas las variables controlables por el operario.

2. Optimización multidimensional:

Puede utilizar el algoritmo de predicción como base para un algoritmo de optimización, que explora qué variables de control ajustar para maximizar el rendimiento.

3. Salida utilizable:

Como resultado del algoritmo de optimización, obtendrá recomendaciones sobre las variables de control que debe ajustar y la mejora potencial de la tasa de producción derivada de estos ajustes.

Un algoritmo de optimización basado en el aprendizaje automático puede funcionar con datos en tiempo real procedentes de las instalaciones de producción y ofrecer recomendaciones a los operarios cuando detecta posibilidades de mejora de la producción.

Este algoritmo de optimización basado en el aprendizaje automático puede utilizarse como herramienta de asistencia a los operarios que controlan el proceso, ayudándoles a tomar decisiones más informadas para maximizar la producción.

El funcionamiento totalmente autónomo de las instalaciones de producción aún está en el futuro. Hasta entonces, las herramientas de apoyo basadas en el aprendizaje automático pueden tener un impacto sustancial en la forma en que se lleva a cabo la optimización de la producción.

En el futuro, creo que el aprendizaje automático se utilizará de muchas más formas de las que podemos imaginar hoy. Qué impacto cree que tendrá en los distintos sectores?

Autor: NAJI Faouzi

¿Necesita la opinión de un experto?

Siga nuestras innovaciones en las redes sociales

Publicamos con frecuencia en las redes sociales (Linkedin, Twitter y Medio) nuestras innovaciones y las nuevas funciones de nuestras soluciones de gestión industrial.

También estaremos encantados de compartir con usted las últimas tendencias en gestión industrial 4.0 a través de contenidos de alta calidad que podrá compartir con otras personas.