Herramientas basadas en inteligencia artificial para la evaluación de la condición y la detección de anomalías en maquinaria industrial

Ana Gómez, Rafael Espadas, Ainhoa Zubizarreta, Eneko Carrascal, Urko Leturiondo 17 de abril de 2025

27

18

0

0

13 min. de lectura

Ana Gómez
Investigadora
Ikerlan Technology Research Centre

Rafael Espadas
Investigador
Ikerlan Technology Research Centre

Ainhoa Zubizarreta
Investigadora
Ikerlan Technology Research Centre

Eneko Carrascal
Investigador
Ikerlan Technology Research Centre

Urko Leturiondo
Responsable de equipo
Ikerlan Technology Research Centre

1. INTRODUCCIÓN

La inteligencia artificial (IA) es una de las innovaciones tecnológicas de moda. Al tener la capacidad de emular la inteligencia humana, la IA permite procesar grandes cantidades de datos y ayudar en los procesos de toma de decisiones. La utilidad de la IA tiene múltiples vertientes: automatización y eficiencia de cálculos complejos, análisis predictivo, adaptabilidad y capacidad de aprender de forma continua, personalización de la oferta de productos y servicios, asistentes virtuales, optimizadores polivalentes, etc.

Según Gartner (Gartner, 2023), las organizaciones que pongan en práctica la transparencia, la confianza y la seguridad de la IA verán que sus modelos de IA logran una mejora del 50% en términos de adopción, objetivos comerciales y aceptación de los usuarios para 2026. Se espera que tenga un gran impacto en diferentes industrias, como la salud, las finanzas, la fabricación, la cadena de suministro, la educación, etc. La industria de la maquinaria es uno de los múltiples objetivos potenciales para la expansión de la IA. Cabe destacar que los avances recientes en esta industria están orientados a la mejora de la eficiencia general de los equipos y al mantenimiento predictivo (Matyas et al., 2017). Sin embargo, la falta de datos en ciertos escenarios y la falta de experiencia en dichos dominios, especialmente en las pequeñas y medianas empresas, implica que el éxito de la aplicación de estas tecnologías aún es bajo.

Este artículo presenta dos soluciones que cubren las brechas mencionadas anteriormente: un evaluador de la condición, AIDEAS Condition Evaluator (AI^CE), y un detector de anomalías, AIDEAS Anomaly Detector (AI^AD). La primera solución consta de un conjunto de herramientas que permiten determinar el estado de una máquina, mientras que la segunda permite detectar anomalías. La evaluación de la condición y la detección de anomalías se realizan tanto para la máquina en general, como para cualquiera de los componentes que la conforman. Estas soluciones se aplican durante la fase de uso, cuando la máquina ya ha sido instalada en las instalaciones finales (AIDEAS, 2023). Ambas soluciones cuentan con una interfaz de usuario amigable que permite al personal no experimentado aplicar algoritmos y procesos complejos de una manera sencilla e intuitiva.

Las soluciones AI^CE y AI^AD se desarrollan en el marco de AIDEAS (Cordis 2022), proyecto orientado al desarrollo de 4 Suites compuestas por 15 Soluciones enfocadas a beneficiarse de las tecnologías de IA a lo largo de todo el ciclo de vida de los equipos industriales. Cada suite hace referencia a una etapa del ciclo de vida de los equipos: diseño, fabricación, uso y la combinación de reparación, reutilización y reciclaje.

Figura 1 Ciclo de vida AIDEAS.

En concreto, las soluciones AI^CE y AI^AD pertenecen a la suite de USO, proporcionando a la persona usuaria de equipos industriales mejoras en la instalación y calibración inicial, la producción y la garantía de calidad para trabajar en condiciones óptimas. La suite también incluye otras 3 soluciones que integran técnicas de IA:

• Machine Calibrator, para la calibración rápida de los equipos, tanto durante su instalación, como cuando necesitan una recalibración.
• Adaptive Controller, para la adaptabilidad de la respuesta del equipo en función de las condiciones de trabajo.
• Quality Assurance, para la supervisión de la calidad de los productos manufacturados o de la materia prima de entrada en las máquinas.

2. DESCRIPCIÓN GENERAL DE LAS SOLUCIONES

Ambas soluciones, Condition Evaluator, AI^CE, y Anomaly Detector, AI^AD, se han desarrollado para que sean genéricas (aplicables en cualquier sector), flexibles con el formato de los datos de entrada, fácilmente configurables y sencillas de usar para las personas usuarias.

Figura 2 Detalle de la página principal del AI-CE.

Además, incluyen una serie de funcionalidades comunes:

• Una fase de definición de información sobre la máquina en la que se despliega la solución. Esta funcionalidad permite definir los diferentes componentes de la máquina, las variables de proceso involucradas y la relación entre ellas, es decir, determinar qué variables tienen un efecto directo en qué componentes (véase la Figura 3). Gracias a esta configuración de máquina se pueden obtener los resultados contextualizados, de forma que la persona usuaria conozca los componentes realmente afectados tras el estudio de las variables de proceso. Esta configuración de máquina puede guardarse y cargarse nuevamente, lo que agiliza sus usos posteriores.

Figura 3 Detalle del configurador de máquina.

• Un módulo de datos de entrada que permite a la persona usuaria seleccionar entre diferentes fuentes donde se almacena la información de la máquina. Las fuentes contempladas son: archivos en formato Excel (.xlsx, .xls) o CSV, véase la Figura 4, y una conexión directa a una BBDD externa, concretamente MongoDB. También posibilita la visualización de los datos en formato tabular y gráfico, independientemente de la fuente seleccionada.

Figura 4 Detalle de la interfaz de carga y visualización de datos de diferentes fuentes.

Ambas soluciones cuentan también con una fase de entrenamiento de los algoritmos de IA (en la que los modelos son entrenados con datos históricos y guardados para su uso posterior), y de una fase de inferencia en la que se obtienen resultados a partir de los modelos entrenados y nuevos datos de operación recogidos. Las particularidades de cada una de las soluciones se detallan en los apartados, CONDITION EVALUATOR y ANOMALY DETECTOR.

En general, una persona usuaria sin experiencia sólo utilizaría esta parte final de las soluciones, en la que la configuración ya ha sido definida y el modelo ya ha sido entrenado por personas usuarias más experimentadas, como por ejemplo personas expertas en procesos, instrumentación y control o analistas de datos.

En resumen, ambas soluciones destacan por los siguientes puntos:

• Versatilidad, al ser independiente al sector o al proceso.
• Adaptabilidad a los datos de entrada.
• Sencillez en la configuración, ya que solamente se esperan configuraciones menores por parte de la persona usuaria.
• Capacidad de contextualización de los resultados, al centrarse tanto en la máquina en conjunto como en cada uno de sus elementos individuales. La monitorización del sistema a nivel de componente permite optimizar la planificación de la producción y las actividades de mantenimiento, con el consecuente incremento de productividad.
• Capacidad de evaluar la condición y detección de anomalías en tiempo real y mostrar en la interfaz alarmas o avisos consecuentes, según se especifique. La monitorización del estado de la máquina permite anticiparse a escenarios no deseados, dando lugar a una mejora del rendimiento.
• Posibilidad de ampliación de los algoritmos a aplicar, más allá de los implementados de base en las soluciones.

Respecto a los lenguajes de programación y tecnologías utilizadas, en ambas soluciones son las siguientes:

• El backend o capa lógica ha sido desarrollado en Python, utilizando librerías populares de procesamiento de datos, Pandas, e inteligencia artificial, PyTorch y Scikit-learn, entre otras. Además, proporciona los endpoints de la RESTful API con los que se pueden invocar las diferentes funcionalidades desde el frontend o desde fuera de la aplicación.
• El frontend, capa de presentación o interfaz de usuario ha sido desarrollado en Javascript, utilizando concretamente la biblioteca React y Redux para gestionar su estado. Desde este frontend se envían las diferentes solicitudes HTTP para obtener los diferentes resultados que finalmente son representados.
• El almacenamiento de los archivos de datos de entrada y resultados generados se gestiona a través de MinIO, que es un servidor de almacenamiento en la nube.
• Respecto al despliegue de las herramientas, con sus diferentes servicios asociados, se ha utilizado Docker para crear los diferentes contenedores software. Adicionalmente, se han preparado los Helm-Charts necesarios para desplegar las herramientas en un cluster de Kubernetes.

3. CONDITION EVALUATOR

AI^CE, Condition Evaluator, consiste en una herramienta web user-friendly que permite obtener información precisa sobre el estado de una máquina, o alguno de sus componentes, mediante el establecimiento de una serie de umbrales de operación normal, todo ello mientras está trabajando en condiciones normales en la empresa donde se usa.

El AI^CE se centra en operaciones repetitivas que realiza una máquina, como por ejemplo el posicionamiento de ejes o el precalentamiento del husillo de una herramienta de corte. Dicha repetitividad permite caracterizar el comportamiento de la máquina y obtener un patrón de comportamiento, independientemente del número de acciones diferentes que realice, lo cual permite determinar su estado de funcionamiento, a nivel de máquina o componente, en una serie de condiciones controladas. Cabe destacar que, como la mayoría de las máquinas están gobernadas por una máquina de estados, la identificación de estas operaciones se considera trivial.

El entrenamiento se realiza a partir de series temporales y los datos proceden de la máquina cuando funciona en buenas condiciones, véase Figura 5. A continuación, se identifican las diferentes zonas de funcionamiento: correcto, aviso y peligro. Durante este entrenamiento se permiten varios enfoques, uno puramente estadístico y otro que aplica modelos de IA.

Respecto al enfoque estadístico, se toman todos los ciclos existentes en el dataset de entrenamiento y se establece un patrón modelo a partir de la media punto a punto de estos ciclos identificados. A continuación, se establecen los diferentes umbrales considerando este patrón y la desviación típica de los valores utilizados anteriormente.

Respecto al enfoque basado en IA (Malhotra, 2015), se utilizan Autoencoders multivariable, con CNN1D (Convolutional Neural Network), que aprenden cómo debería comportarse una señal en condiciones normales. Cuando se introducen datos de condiciones normales, la salida del modelo es muy parecida a la entrada, y se usa esa pequeña diferencia para definir los rangos de aceptación. Sin embargo, si los datos son de condiciones anormales o no previstas, el decodificador reconstruye la señal de manera distinta a la esperada, aumentando la diferencia entre la entrada y la salida. Si esta diferencia supera los diferentes rangos definidos, se considera un comportamiento peligroso o incluso erróneo.

Una vez entrenados los modelos, las personas usuarias pueden visualizar las diferentes zonas de funcionamiento identificadas, así como, guardarlos para su uso futuro.

A través de estos modelos entrenados se obtendrán los resultados de aplicar la evaluación de la condición, bien de forma puntual o en determinados intervalos de tiempo a medida que se produzcan las acciones repetitivas mencionadas previamente, véanse Figura 6, Figura 7. De esta forma la persona usuaria podrá cuantificar cuántas muestras caen en las diferentes zonas de comportamiento, así como la evolución de dichas zonas respecto al tiempo, (véase Figura 8). Si se ha definido una configuración de máquina también se identificará cuáles son los componentes críticos, en el caso de que los haya, y la variable de proceso que más influye en su criticidad, véase Figura 9.

Figura 5 AI-CE - Detalle de la parametrización del modelo a entrenar.

Figura 6 AI-CE - Detalle del modelo seleccionado con el que realizar una inferencia.

Figura 7 AI-CE- Detalle de la selección de resultados.

Figura 8 AI-CE - Gráfico con la evolución de los resultados para una determinada variable y operación repetitiva.

Figura 9 AI-CE - Resultados contextualizados dentro de la máquina en la que la solución se ha desplegado.

4. ANOMALY DETECTOR

AI^AD, Anomaly Detector, consiste en una herramienta web que permite detectar anomalías en la máquina o en alguno de sus componentes, mientras está trabajando en condiciones normales en la empresa donde se usa. Las anomalías detectadas no son necesariamente un comportamiento peligroso, sino un comportamiento desviado con respecto a lo que se ha considerado como normalidad en la fase de entrenamiento.

El entrenamiento se realiza a partir de series temporales que proceden de la máquina en funcionamiento, véase Figura 10. Por el momento se han incluido tanto algoritmos de clustering, tales como K-Means, Nearest Neighbors y One Class SVM, como más complejos basados en redes neuronales LSTM, Long Short-Term Memory (Zhang et al., 2022).

Utilizando algoritmos de clustering se identifican los puntos que se desvían significativamente del comportamiento esperado. Para K-Means, las anomalías son puntos lejos de los centroides identificados. Para Nearest Neighbors, las anomalías se corresponden a puntos con pocos vecinos cercanos, se detectan anomalías al medir la densidad local. Para One-Class SVM, se marcan como anomalías los puntos que caen fuera de la frontera identificada al entrenar con datos normales.

Respecto al enfoque de IA, se ha utilizado un modelo LSTM multivariable que aprende el comportamiento normal de una señal prediciendo el siguiente valor basado en las instancias previas. Este modelo, tiene como input la dimensión (ventanaTemporal x nº de variables) y predice el siguiente valor (1 x nº de variables). La diferencia entre la predicción y el valor real, el residuo, indica cuánto se desvía la señal del comportamiento esperado. Para identificar las anomalías, se calcula un umbral de aceptación con los residuos de entrenamiento. En la inferencia, si un valor supera dicho umbral es considerado como anomalía.

Una vez entrenados los modelos, las personas usuarias pueden visualizar las posibles anomalías detectadas (si es que existen), y guardarlos para su uso futuro. Cabe destacar que la lógica de la herramienta se ha desarrollado de tal forma que la lista de algoritmos de detección de anomalías disponibles puede ser fácilmente aumentada.

Finalmente, a través de estos modelos entrenados, véase Figura 11, se obtendrán los sucesivos resultados de aplicar la detección de anomalías, bien de forma puntual o en tiempo real a medida que se van obtenido nuevos datos de funcionamiento. De esta forma, la persona usuaria podrá cuantificar cuántas muestras son clasificadas como anomalía y el ratio de las mismas, véase Figura 12. A su vez, también se permite la visualización de las diferentes señales y sus posibles anomalías con respecto al tiempo, véase Figura 13. De forma análoga al caso expuesto anteriormente, si se ha definido configuración de máquina, también se obtendrán los componentes más afectados por estas anomalías detectadas, en el caso de que los haya, y las variables de proceso involucradas, véase Figura 14.

Figura 10 AI-AD - Detalle de la parametrización de modelos.

Figura 11 AI-AD - Detalle del modelo seleccionado.

Figura 12 AI-AD - informe de los resultados obtenidos.

Figura 13 AI-AD - visualización de los resultados para una variable seleccionada.

Figura 14 AI-AD - Resultados contextualizados dentro de la máquina en la que la solución se ha desplegado.

5. CONCLUSIONES

En este artículo se presentan dos soluciones que se han desarrollado en el contexto del proyecto europeo AIDEAS. Se trata de dos soluciones genéricas, agnósticas del sector de aplicación, fáciles de usar y altamente configurables, que permiten tanto monitorización de la condición, como detección de anomalías, ambas utilizando como base series temporales. La monitorización de la condición o la detección de anomalías se pueden hacer a nivel de máquina completa o para alguno de los componentes. Además, aunque tienen una serie de algoritmos ya implementados, esta lista es fácilmente ampliable en función de necesidades concretas.

Gracias a la aplicación de estas soluciones se pueden conseguir mejoras en el rendimiento de maquinaria, un rendimiento de la productividad, así como la optimización de la planificación de la producción y de las tareas de mantenimiento.

Adicionalmente, estas soluciones se pueden complementar con otro componente de AIDEAS, el Machine Passport, al cual se pueden enviar los resultados de la solución. Se trata del pasaporte digital del equipo y permite centralizar información relevante de cada una de las fases de vida de este. En este caso, permitiría detectar componentes críticos que tuviesen algún fallo, de cara a su posible reutilización o a la mejora en su diseño, que se podría realizar en una siguiente iteración del mismo.

En este punto las soluciones están siendo validadas con éxito en los pilos del proyecto, que son fabricantes de maquinaria en diferentes sectores: máquina herramienta, corte de piedra, moldeo por inyección de plástico o máquinas de inspección visual.

6. REFERENCIAS

AIDEAS, 2023.“AIDEAS D1.1 – Project Vision Guide Document WP1-NEED: Industrial Scenarios and Requirements Analysis”. Último acceso: 21 diciembre 2023 [Online]. Disponible: https://aideas-project.eu.

Cordis, 2022. Cordis, European Commission. “AI Driven industrial Equipment product life cycle boosting Agility, Sustainability and resilience” (AIDEAS project). Accessed: 21 diciembre 2023 [Online]. Disponible: https://cordis.europa.eu/project/id/101057294.

Gartner, 2023. What is artificial intelligence? Último acceso: 21 diciembre 2023 [Online].

Disponible: https://www.gartner.com/en/topics/artificial-intelligence.

Malhotra, P., Vig, L., Shroff, G., & Agarwal, P., 2015. Long short term memory networks for anomaly detection in time series. In European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (Vol. 2015, p. 89).

Matyas, K., Nemeth, T., Kovacs, K., & Glawar, R., 2017. A procedural approach for realizing prescriptive maintenance planning in manufacturing industries. CIRP Annals, 66(1), 461-464.

Zhang, J. E., Wu, D., and Boulet, B., 2022. Time Series Anomaly Detection via Reinforcement Learning-Based Model Selection. 2022 IEEE Canadian Conference on Electrical and Computer Engineering (CCECE). IEEE, Halifax, 193-199.

7. AGRADECIMIENTOS

El proyecto AIDEAS ha recibido financiación del programa de investigación e innovación Horizonte Europa de la Unión Europea, en virtud del acuerdo de subvención n.º 101057294, proyecto AIDEAS (AI Driven industrial Equipment product life cycle boosting Agility, Sustainability and resilience).