Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3 - Omar Aguilar - Inteligencia Artificial Basada en El Empleo de Big Data, Iot y Redes Neuronales PDF
3 - Omar Aguilar - Inteligencia Artificial Basada en El Empleo de Big Data, Iot y Redes Neuronales PDF
1
CAPSULA BIOGRÁFICA • Master in Physical Sciences. Universidad de la Habana, Cuba,1974.
• Ph.D en C. Físicas, Academia de Ciencias de Hungría, 1988
• Dr. en C. Físicas, Univ. de Chile, 2006
• Experto del Organismo Internacional de Energía Atómica (OIEA, Viena, Austria) en las temáticas de análisis
de fluctuaciones paramétricas en procesos industriales y procesamiento de información, 1995-2000
• Director Técnico de la empresa DIAMAN SA que introdujo tecnologías de diagnóstico predictivo para el
mantenimiento en la industria chilena mediante proyecto CORFO., Stgo. de Chile, Chile. 1999-2000
• Instructor de Cursos Virtuales de la American Society of Mechanical Engineer, ASME, 2010- 2020
• CTO PRONOSWORLD, www.pronosworld.com , 2007-2020
• CEO Diaman Consulting Services. Stgo de Chile, Chile. 2005 – 2020. http://diaman-consulting-
services.simplesite.com/
• Senior Adviser in Big Data and Predictive Analytics Applications at CYTRAC Inc. NY, USA, 2014 – 2020
• Consultor Independiente en temas de Mantenimiento Industrial. 2000 – 2020.
• Catedrático de Confiabilidad de Sistemas Dinámicos, USACH. 20006-2020. https://www.dti.usach.cl/omar-
aguilar-martinez
2
RESUMEN
La inteligencia artificial con el aprendizaje automático es un enfoque del uso de conjuntos de datos masivos para entrenar máquinas que
puedan realizar tareas de forma independientes. Esto de forma general, se aplica a todo el ciclo de vida de un activo, desde la identificación
del problema hasta la comunicación del problema y luego la resolución.
La automatización es necesaria para optimizar las tareas repetitivas, como la programación y la reprogramación, la planificación y el
seguimiento de datos. La inteligencia artificial (IA), junto al Big Data (Datos Masivos) y el IoT constituyen una serie de tecnologías que están
en el radar para su implementación en la industria minera mundial.
Se espera que aquellas empresas que pueden calcular y extraer valor de grandes volúmenes de datos tendrán una ventaja clave sobre sus
competidores al poder mejorar la eficiencia y productividad, reducir los costos, y de esta forma tener la posibilidad de identificar nuevas
oportunidades de negocio.
El mantenimiento predictivo en la minería ha sido uno de los principales casos de uso de la IA, ya que la variedad de sensores usados
pueden detectar, por ejemplo, cuándo una pieza o componente en una máquina minera o un vehículo, se están desgastando y necesitan
reemplazo. En estos casos, se puede enviar una alerta en línea a los responsables de esa área, lo que puede ayudar a evitar accidentes
costosos que podrían derivar de la avería de una maquina crítica en el proceso productivo. Con la aplicación de la inteligencia artificial se
desarrollarán nuevas herramientas que cambiarán el papel del trabajador minero a uno más activo que actúa en lugar de solo monitorear,
porque las labores de monitoreo las realizarán cámaras dotadas de tecnologías con computer visión y tecnologías de reconocimientos de
patrones.
3
La inteligencia hasta hace pocas décadas se consideraba como un patrimonio del ser humano. Siendo aquellas actividades
racionales que podría realizar un ser humano.
Actualmente la inteligencia artificial hace posible que las máquinas puedan realizar tareas similares a las humanas.
• Aprendizaje
IA
• Resolución de problemas
4
¿QUÉ CONOCIMIENTOS SON REQUERIDOS PARA LAS APLICACIONES DE IA?
BIG DATA IOT REDES NEURONALES
MINERÍA DE DATOS SENSORES RECONOCIMIENTO DE PATRONES
IoT
Big Data
EMPLEO DE DATOS MASIVOS PLATAFORMAS DE IOT AGENTES INTELIGENTES
BASES DE DATOS CONDICIONAMIENTO DE MODELOS NEURONALES DE 1,2 Y N
SEÑALES CAPAS
Redes
Neuronales OPTIMIZACIÓN PROCESAMIENTO DE SEÑALES PROCESAMIENTO DE LENGUAJE
NATURAL
DESARROLLO DE ANÁLISIS ESPECTRAL MACHINE LEARNING
ALGORITMOS
ANÁLISIS EN DOMINIO DEEP LEARNING
TEMPORAL
IA
5
EVOLUCIÓN DEL IOT
RFID (Identificación de radio frecuencia)
Ubicación de personas y cosas a
utilizado para optimizar las cadenas de
través de direcciones móviles e IP
suministro y reducir las pérdidas en los
envíos.
2000 2020
2010 2030
6
ALAN TURING 1912 – 1954 MAQUINA DE
CONSIDERADO EL PADRE DEL BIG DATA Y DE LA LA IA CIFRADO - ENIGMA APLICACIONES EN LA MINERÍA
7
UN EJEMPLO CLÁSICO DE BIG DATA DEL MUNDO REAL… DATOS REGISTRADOS POR SENSORES DE
TURBINAS DE UN AVIÓN COMERCIAL DURANTE UN AÑO…
viaje en horas
Promedio duración de
25 TB/turbina-hora
# turbinas en 737
TOTAL DE TB
8
¿QUÉ ES INTELIGENCIA ARTIFICIAL?
Según Google..
"La teoría y el desarrollo de sistemas informáticos capaces de realizar tareas que normalmente
requieren inteligencia humana, como percepción visual, reconocimiento de voz, toma de
decisiones y traducción entre idiomas"
9
Las capacidades actuales en términos de potencia computacional según la Ley de Moore y la
Ley de los Rendimientos Acelerados (crecimiento exponencial del progreso tecnológico)
indican que para aproximadamente el 2040, la potencia computacional será igual a la de
todos lo cerebros humanos…
HUMAN BRAIN
OPERACIONES DE PUNTO
MOUSE BRAIN
FLOTANTES POR AÑOS CALCULOS AÑOS LN(AÑOS)
8,00E+01 1900 1.00E-10 -2.30E+01
1920 1.00E-05 -1.15E+01
6,00E+01 1940 1.00E+00 0.00E+00
1960 1024 6.93E+00
-4,00E+01
10
MODELOS NEURONALES
Las redes neuronales se utilizan a menudo para el análisis estadístico y el modelado de datos, en los que
su función se percibe como una alternativa a las técnicas de análisis de clúster o de regresión no lineal
estándar.
Las redes neuronales artificiales se pueden considerar como modelos simplificados de las redes de
neuronas que ocurren naturalmente en el cerebro animal.
Desde el punto de vista biológico, el requisito esencial para una red neuronal es que debe intentar
capturar lo que creemos que son las características esenciales de procesamiento de información de la
red "real" que analizamos.
11
El termino “network” será usado para referir a un sistema de neuronas artificiales. El siguiente diagrama
muestra un network típico.
Input capa 1 Input capa 2 Input capa 3
Entrada Capas de
salidas
Cada nodo es mostrado por un circulo pero los pesos se consideran implícitos en todas las conexiones.
Procedamos entonces a estudiar un algoritmo simple de predicción en la red neuronal artificial.
12
Suponga ahora que en el punto de control del sistema de carga se
desea identificar el tipo de camión con carga.
En evaluaciones periódicas de la condición de trabajo de una flota de camiones mineros se sospecha que
un desgaste excesivo de componentes del vehículo (frenos, tren de impulsión, neumáticos, etc.) se
producen por carga excesiva, fuera de los parámetros nominales de trabajo. También el trabajo con carga
muy por debajo de los parámetros nominales de desempeño hace que el sistema incremente sus costos.
13
El predictor pudiera trabajar con una función lineal ajustable.
Camiones con
carga por Recuerde, las funciones lineales dan líneas rectas cuando traza su
encima del
80%
salida contra la entrada. Un parámetro ajustable puede cambiar
la pendiente de esa línea recta
14
En estas condiciones el sistema escogido puede identificar perfectamente de aquellos camiones
mineros que tiene una carga por debajo de lo normal, de aquellos que tienen una carga por encima de
la operación normal.
De forma que si el sistema de control recibe ahora un camión desconocido, está en la posibilidad de
clasificarlo inmediatamente como un camión con carga por encima del 80% o carga total.
Camión El próximo paso es entrenar a nuestro simple clasificador
desconocido
Línea de lineal.
separación
camión
15
Camión
desconocido Línea de
separación
Camión (Tipo)
Caso Carga Camión Conformidad
1 > 80 % 1 Aceptado
2 < 80 % 3 No aceptado
16
Tracemos estos dos ejemplos de datos de entrenamiento. La visualización de datos a menudo es muy útil
para comprenderlos mejor, sentirlos, lo cual no es fácil de obtener simplemente mirando una lista o tabla
de números
Caso Carga Camión Conformidad
1 > 80 % 1 Aceptado
Camión
desconocido 2 < 80 % (65 %) 3 No aceptado
Supongamos una función lineal que nos permita clasificar el
tipo de problema que tenemos delante. y = Ax + B
17
∆𝑦
Y = AX + B SI B=0 𝑋= Y = AX + B
∆𝑋
Y = AX
E
Cuando realizamos el calculo se conoce que A puede darnos un error.
t = (A + ∆A) X
t – Y = (A + ∆A) X – AX
E = t – Y = (A + ∆A) X – AX, E es el error en que incurrimos y que minimizamos Camión (Tipo)
E = (∆A) X
∆A = E/X
Modificando el factor ∆A = E/X podemos cambiar la pendiente y que la red aprenda a analizar los casos
18
REVISEMOS COMO HAN EVOLUCIONADO LAS TECNOLOGIAS PARA EL MANTENIMIENTO
EN EMPRESAS DE PROCESOS: DESDE M2M AL IOT
INTEGRACION IOT
SISTEMAS •FLUJO INTEGRADO
•INTEGRACION REAL –TIME
INTELIGENTES
•PLATAFORMA DE
•PROCESAMIENTO LOCAL INTEGRACION CON IA
ADMINISTRACION •AUTOMATIZACION
REMOTA Y • USO DE BIG DATA
CONTROLADA •REDES NEURONALES
CONECTADO •MANTENIMIENTO
DESCONECTADO • MONITOREO DEL DESEMPEÑO •ACTUADORES
•PERIODICO
•EN-LINEA
19
TECNOLOGIAS CON MEJOR ROI QUE SE HAN EMPLEADO
1. EXCEL
2. IBM SPSS
3. STATA
4. MINITAB,ETC
20
EJEMPLOS DE APLICACIONES IA CON BIG DATA E IOT
21
NECESIDAD DE APLICAR LA IA AL ENTORNO DE ACCIONES MINERAS
Muchas compañías mineras avanzan hacia ser una empresa inteligente. Pero para materializar ese objetivo
requieren incorporar las tecnologías de IoT, Big Data, Redes Neuronales, junto a la estadística y la IA.
Big Data
Procesamient
o en tiempo
real
Toma de Decisiones
IoT Nube de
Equipos mineros comunicación Estadística y
Predicción
22
¿QUÉ BENEFICIOS INTRODUCE APLICAR LA IA, EL BIG DATA Y EL IOT EN LA GESTIÓN DE
OPERACIONES MINERAS?
La inteligencia artificial o el aprendizaje automático es un enfoque del uso de conjuntos de datos masivos
para entrenar máquinas para realizar tareas de forma semi-supervisada.
• Otros roles
23
CASO DE ANÁLISIS I.
24
SEMANAL AXL A XL
Caso de estudio.
fecha semana equipo MTBF MTTR DISPONIBILIDAD HORAS LECTURA TF Nº de Fallas TR horas tasa_fallo Equipo minero
29-May-2006 1 SCOOP ST 55.00 1.00 98% 0 0 165.00 3 3.00 168 0.01786
05-Jun-2006 2 SCOOP ST 40.88 1.13 97% 246 24 163.50 4 4.50 336 0.01190 Scooptram- ST-1020.
12-Jun-2006 3 SCOOP ST 39.83 2.17 95% 502 46 159.33 4 8.67 504 0.00794
19-Jun-2006 4 SCOOP ST 54.97 1.03 98% 744 69 164.92 3 3.08 672 0.00446
26-Jun-2006 5 SCOOP ST 16.00 2.67 86% 1002 102 144.00 9 24.00 840 0.01071
03-Jul-2006 6 SCOOP ST 17.41 1.26 93% 1240 129 156.67 9 11.33 1,008 0.00893
10-Jul-2006 7 SCOOP ST 82.25 1.75 98% 1470 155 164.50 2 3.50 1,176 0.00170
17-Jul-2006 8 SCOOP ST 18.50 2.50 88% 1830 182 148.00 8 20.00 1,344 0.00595
24-Jul-2006 9 SCOOP ST 21.19 2.81 88% 2240 209 148.33 7 19.67 1,512 0.00463
31-Jul-2006 10 SCOOP ST 20.92 3.08 87% 2510 235 146.42 7 21.58 1,680 0.00417
07-Aug-2006 11 SCOOP ST 16.85 4.15 80% 2800 268 134.83 8 33.17 1,848 0.00433
14-Aug-2006 12 SCOOP ST 11.64 1.28 90% 3122 302 151.33 13 16.67 2,016 0.00645
21-Aug-2006 13 SCOOP ST 40.85 1.15 97% 0 0 163.42 4 4.58 2,184 0.00183
28-Aug-2006 14 SCOOP ST 18.83 2.17 90% 200 25 150.67 8 17.33 2,352 0.00340 Se representan solo
04-Sep-2006 15 SCOOP ST 20.96 3.04 87% 498 39 146.75 7 21.25 2,520 0.00278
11-Sep-2006 16 SCOOP ST 20.77 3.23 87% 729 58 145.42 7 22.58 2,688 0.00260 parte de los datos
18-Sep-2006 17 SCOOP ST 18.59 2.41 89% 999 99 148.75 8 19.25 2,856 0.00280
25-Sep-2006 18 SCOOP ST 19.75 1.25 94% 1100 110 158.00 8 10.00 3,024 0.00265
02-Oct-2006 19 SCOOP ST 19.79 1.21 94% 1200 145 158.33 8 9.67 3,192 0.00251
09-Oct-2006 20 SCOOP ST 14.09 4.57 76% 1700 178 126.83 9 41.17 3,360 0.00268
16-Oct-2006 21 SCOOP ST 21.98 2.02 92% 2000 201 153.83 7 14.17 3,528 0.00198
23-Oct-2006 22 SCOOP ST 15.33 1.48 91% 2360 229 153.25 10 14.75 3,696 0.00271
30-Oct-2006 23 SCOOP ST 14.53 2.27 86% 2789 278 145.33 10 22.67 3,864 0.00259
06-Nov-2006 24 SCOOP ST 30.68 2.92 91% 3000 299 153.42 5 14.58 4,032 0.00124
25
Usando el Excel y con la distribución de Weibull se obtiene el siguiente procesamiento de los datos
100,00
tasa_fallo
R² = 0,8467
0,02000
80,00 0,01800
β = 2.12 0,01600
60,00
MTBF γ = 0 horas 0,01400
40,00 0,01200
MTTR η = 28.03 horas 0,01000
20,00
0,00800
0,00 0,00600
0 10 20 30 40 50 60 0,00400
LN(LN(1/(1-FI))) vs LN(TEF) 0,00200
3 0,00000
2 y = 2.1204x - 7.1005 0 10 20 30 40 50 60
R² = 0.8198
1
0
0 1 2 3 4 5
-1
-2
-3
-4
-5
26
Utilizando el Solver en el Excel para ajustar gamma ≠ 0 con la función rango mediana y
maximizar el valor del coeficiente de correlación R2, se tiene
LN(LN(1/(1-F))) VS LN(MTBF-γ)
LN(LN(1/(1-FI))) vs LN(TEF)
2
3
y = 1.7062x + 0.7921 1
R² = 0.981 2 y = 2.1204x - 7.1005
0 1 R² = 0.8198
-3 -2,5 -2 -1,5 -1 -0,5 0 0,5
-1 0
0 1 2 3 4 5
-2
-1
-2
-3
-3
-4
-4
-5
-5
β = 1.71
γ = - 0.0502 horas β = 2.12
NUEVO RESULTADO
R2= 0.981 γ = 0 horas
R2= 0.8190
27
Aplicando la analitica predictiva usando el entorno de programación “SAS ®
Visual Analytics” https://www.sas.com/en_us/home.html es un software de
Big Data y Analítica Predictiva incorporada en un ambiente de R open source
tenemos….
28
CON SOFTWARE BASADOS EN BIG
DATA Y ANALÍTICA PREDICTIVA
COMO SAS VISUAL ANALYTICS
En el Excel no es posible
realizar un pronostico a largo
plazo salvo contadas
excepciones.
29
Con un software de Big Data y Analítica Predictiva se obtiene un escenario
total de regresión de los datos
30
UN PUNTO ES UNA FUNCIÓN DE TODOS LOS
PARAMETROS QUE INTERVIENEN EN EL PROCESO
31
UN PUNTO ES UN PAR DE COORDENADAS
(X,Y) EN ESTE CASO (T,𝝀)
32
CASO DE ANÁLISIS II. EJEMPLO DE APLICACIÓN EN CAMIÓN DE OBRAS
33
En evaluaciones periódicas de la condición de trabajo de una flota de camiones mineros
se sospecha de un desgaste excesivo de componentes del vehículo (frenos, tren de
impulsión, neumáticos, etc.) por carga excesiva, fuera de parámetros nominales de
trabajo. A continuación los pasos de un procedimiento de aplicación de IA con Big Data,
Redes neuronales y Analítica predictiva .
IA
Base de Datos
Una simple búsqueda en la base IA usa modelo de
de datos, muestra que comparado
reconocimiento
con otros camiones el desgaste de
componentes no es normal neuronal de Acción
patrones y decide preventiva
que hay anomalía
34
CARGA UTIL PRODUCTIVIDAD
75.2 60.9065
75.3 60.9745
75.4 61.0434
Datos que se incorporan al
75.5 61.1131 modelo para el entrenamiento
75.6 61.1838
75.7 61.2554 del agente de ML del IA (*).
75.8 61.3279
75.9 61.4014
76 61.4758 MEDIA 100
76.1 61.5511 DSV 11.97915
76.2 61.6274 M+1DSV 111.9791
76.3 61.7046
M+2DSV 123.9583
76.4 61.7828
76.5 61.8619 M+3DSV 135.9374
76.6 61.9420 M-1SDV 88.02085
76.7 62.0231 M-2SDV 76.0417
76.8 62.1051
M-3SDV 64.06255
76.9 62.1882
REFERENCIA PARA 77 62.2722
77.1 62.3572
LA BASE DE DATOS Se asume que las
SEGURIDAD
77.2 62.4432
CARGA MEDIA
DURACION
77.3 62.5301
77.4 62.6181
cargas se distribuyen
77.5 62.7071 en forma normal
77.6 62.7971
77.7 62.8881
77.8 62.9801
35
CASO DE ANÁLISIS III. APLICACIONES DE MBC EN RODAMIENTOS ESFÉRICOS
36
CASO DE ANÁLISIS III. APLICACIONES DE MBC EN RODAMIENTOS ESFÉRICOS
37
CASO DE ANÁLISIS III. APLICACIONES DE MBC EN RODAMIENTOS ESFÉRICOS
Estimación
Extracción Modelo
sensor TCAD FILTRO Propiedades ML
38
CASO DE ANÁLISIS III. APLICACIONES DE MBC EN RODAMIENTOS ESFÉRICOS
FRECUENCIAS DE INTERÉS
Modelo para cálculos de frecuencia de interés para los rodamientos
• BPFO (Ball Pass Frequency Outer) o frecuencia de deterioro de la
pista exterior. Se corresponde físicamente con el número de bolas o
rodillos que pasan por un punto de la pista exterior cada vez que el
eje realiza un giro completo.
• BPFI (Ball Pass Frequency Inner) o frecuencia de deterioro de la
pista interior. Se corresponde físicamente con el número de bolas o
rodillos que pasan por un punto de la pista interior cada vez que el
eje realiza un giro completo.
• BSF (Ball Spin Frequency) o frecuencia de deterioro de los
elementos rodantes. Se corresponde físicamente con el número de
giros que realiza una bola o rodillo del rodamiento cada vez que el
eje realiza un giro completo.
• FTF (Fundamental Train Frequency) o frecuencia de deterioro de
la jaula. Se corresponde físicamente con el número de giros que
realiza la jaula del rodamiento cada vez que el eje realiza un giro
completo.
39
DIAGRAMA ESQUEMÁTICO DE BLOQUE DE PREDICCIÓN DE CONDICIÓN
MEDICIONES
ME
TDA
AF
AC
SEÑAL MEDIDA ESPECTRO
RED NEURONAL
NOTACIÓN
DATOS DE
ME = Métodos estadísticos ENTRENAMIENTO
TDA = Análisis Dominio Temporal PREDICCIÓN DE LA
AF = Análisis de Frecuencias CONDICIÓN DE
AC = Análisis de Correlación, etc. RODAMIENTOS
40
La aplicación de los algoritmos sobre las características extraídas de los datos experimentales muestran que
la condición de trabajo se controla eficazmente para evaluar la degradación del sistema analizado.
Las características del dominio de la frecuencia (espectro) hacen que el algoritmo sea más preciso que las
características del dominio del tiempo al evaluar la condición del rodamiento.
Para mejorar las capacidades de reconocimiento de un modelo de inteligencia artificial, el conjunto de datos
de fabricación sin procesar debe procesarse de manera adecuada para extraer características significativas
de una gran cantidad de conjuntos de datos.
En resumen, el PdM de los sistemas de máquina herramienta puede reducir el tiempo de inactividad de la
máquina y aumentar el tiempo de vida remanente de las componentes. Esto significará ahorro significativo
al optimizar la tarea de mantenimiento y la gestión de cambios de suministro al tiempo que garantizan la
seguridad de la máquina.
41
OMAR AGUILAR- PHD Physical Sciences, Budapest, Hungary
CEO DIAMAN CONSULTING SERVICES
NEW YORK, NY, USA
EMAIL: diaman.consulting@gmail.com
SKYPE: diaman.consulting
YouTube channel: diamanconsulting
http://diaman-consulting-services.simplesite.com/
linkedin.com/in/omar-aguilar-0115a615
42
43