¿Está la inteligencia digital de su empresa varada e improductiva? Un sólido “andamio” de información/datos desbloquea eficazmente el flujo de datos y conocimientos en toda la organización.
Las empresas están invirtiendo en proyectos de digitalización para alcanzar importantes objetivos a largo plazo, como se indica en el cuadro 1.1 La transformación digital abre esencialmente el flujo de datos (en varios formatos) y conecta múltiples fuentes con usuarios remotos y presenciales. Con arquitecturas y plataformas avanzadas, los procesos de transferencia de datos e información son más rápidos. En consecuencia, los datos de operaciones y de mercado son activos empresariales y tienen valor. El acceso más rápido a la información es el objetivo final. Muchas empresas deben responder: ¿Existe el andamiaje óptimo (plataforma) para apoyar el flujo de datos y la disponibilidad de la información (AI) en toda la organización?
No todos los datos son iguales
Las industrias de transformación y fabricación han acumulado volúmenes de datos, pero han tenido dificultades para convertirlos en información utilizable. Los proyectos de digitalización están orientados a mejorar la analítica y proporcionar capacidades predictivas. Estos esfuerzos implican el uso de gemelos digitales, IA, aprendizaje automático (ML) y mantenimiento predictivo (PdM). Estos métodos requieren grandes cantidades de recursos de datos de calidad.
Cuadro 1. Objetivos de inversión de los proyectos digitales1
| Seguridad | Cero accidentes |
| Sostenibilidad | Cero Hechos o comunicados significativos |
| Disponibilidad/fiabilidad | Cero tiempos de inactividad/interrupciones de las operaciones |
| Finanzas | Cero pérdida de beneficios |
Cuadro 2. Principales preocupaciones sobre los datos
- Falta o insuficiencia de datos
- Acceso nulo o limitado a las bases de datos
- Datos corruptos
- Datos faltantes/completos
- Formato y etiquetas erróneas (ausentes) entre las fuentes de datos
- Cuestiones de seguridad
La rentabilidad de los programas digitales suele medirse en función de la mejora de la fiabilidad de las operaciones y de los resultados en materia de seguridad y medio ambiente (cuadro 1). El éxito está controlado por la disponibilidad y la cantidad de datos válidos y el flujo de inteligencia en toda la organización. No todos los datos son iguales. La Tabla 2 resume muchas preocupaciones sobre los datos de las plantas y los equipos. Especialmente en el caso de las herramientas avanzadas (IA y ML), estos problemas pueden desbaratar incluso los mejores algoritmos.
¿Dónde están las fuentes de datos?
Las mediciones (datos con sello de tiempo) se han recogido durante muchos años. La figura 1 ilustra una toma de decisiones habitual en las instalaciones de procesamiento. Como se muestra en la figura 2, los datos de producción/operación/equipos suelen fluir en un bucle cerrado, creando así silos de bases de datos e información. Para alcanzar los objetivos de la Tabla 1, los datos necesarios pueden encontrarse en muchas fuentes (historiales) que a menudo no están conectadas.
Los proyectos digitales necesitan IA para poder realizar la analítica de alto nivel (IA, ML, PdM y big-data).2 Las plataformas o arquitecturas de datos son un andamiaje. Permiten recopilar, almacenar, analizar y compartir datos/información con usuarios identificados (locales y remotos). Este marco permite agilizar los servicios de intercambio de información en muchas direcciones, tanto verticales como horizontales. Como se ilustra en la figura 3, las capacidades de datos/información pasan de ser sistemas de bucle cerrado a sistemas de bucle soportado. Ahora, los datos pueden adquirirse desde cualquier lugar.3
Datos en el nivel de uso más bajo
Los dispositivos físicos, como sensores, actuadores de válvulas, arrancadores de motor y otros, estarán disponibles para supervisar y automatizar los equipos de proceso y la maquinaria.4 La transformación digital conecta a los proveedores de datos con las funciones de supervisión y análisis. Esta relación está en constante cambio con nuevos desarrollos, como los sistemas inteligentes. edge computing. Los dispositivos avanzados de edge tienen capacidades analíticas al mismo nivel que los ordenadores.4 Con las capacidades preanalíticas, las acciones críticas pueden iniciarse a nivel de dispositivo, sin necesidad de una acción de data center .
Datos utilizados como capital
La gestión de los datos como activos empresariales requiere evaluar cómo se recogen y comparten los datos y la información. A partir del cuadro 2, cualquier laguna en la gestión de los datos erosiona la confianza en el uso de dicha información en decisiones críticas, como el cambio de producto, el tiempo de inactividad planificado, la sustitución de equipos y los cambios de procesamiento. En el desarrollo de proyectos digitales, la selección de datos y las plataformas son decisiones críticas. Las empresas energéticas han invertido en sistemas de automatización/control desde la década de 1990. La integración y la actualización de los sistemas existentes son vitales a la hora de diseñar la IA para los proyectos de análisis y optimización.
Los proyectos de datos son complejos. Otras cuestiones relacionadas con los datos son:5
- Suficiencia de datos: ¿cuántos datos son necesarios para los proyectos de análisis?
- Confianza en los datos-La calibración y el sesgo de los medidores e instrumentos pueden influir en la precisión y fiabilidad de los datos medidos. En consecuencia, un mal mantenimiento de los dispositivos generadores de datos introduce errores.
- Propagación de datos-¿Cuánto tiempo transcurre entre los cambios del proceso o del equipo antes de que se registre? ¿Qué intervalos se producen entre los sucesos iniciadores y las condiciones de fallo?
- Gobernanza de los datos: debe abordarse la cuestión de la propiedad de los datos. ¿Pueden sobrescribirse o modificarse los datos automatizados? ¿Son seguras las fuentes de datos frente a ataques externos?
Las relaciones de cómo se almacenan, comparten y utilizan los datos siguen evolucionando. Las empresas operadoras y fabricantes han pasado de una posición reactiva a una proactiva. Los datos son la moneda del conocimiento en la que hay que invertir y utilizar. La AI proporciona el andamiaje de conocimientos, contenidos y datos para las organizaciones. Igualmente importante es que la AI apoye la IA y el análisis de big data en toda la organización (Figura 3).3 Puede que los algoritmos de la IA no necesiten IA, pero la aplicación de los resultados sí.2
Literatura Citada
1White, Douglas, “Digital transformation in refining and petrochemical plant operations: Looking back, look forward”, Cumbre AFPM 2020, Cumbre 20-63, 27 de agosto de 2020, emerson.com.
2Earley, Seth, “Streamlining information flows in the digital workplace: The role of artificial and knowledge engineering”, Digital Workforce Experience, 14 de octubre de 2020, https://www.earley.com/.
3 Perino, Joe, “Edge computing en el nuevo ecosistema”, agosto de 2020, https://resource.stratus.com/whitepaper/edge-computing-in-the-new-ot-ecosystem/.
4Eastburn, Josh, “Building Industrial IoT from edge to cloud,” Automation 2020, vol. 4, https://www.automation.com/getmedia/8c645082-44f0-47b6-81db-c7b6f60ac1a4/automation2020_aug_cloud_engineering.pdf.
5KBC, “Digitalization Manifesto”, https://www.kbc.global/uploads/files/whitepapers/KBC%20Digitalization%20Manifesto_US.pdf.
