#
#

Detección de anomalías en flujos de producción mediante datos

La digitalización de procesos de negocio, más allá de automatizar la operativa y arrojar información de valor para la toma de decisiones, genera datos que pueden ser reutilizados por mecanismos avanzados de inteligencia que aportan un salto cualitativo en la optimización de flujos. Entre ellos, la detección de anomalías.

Dentro del proyecto de digitalización llevado a cabo en uno de nuestros principales clientes, uno de los bloques abordados fue el control de presencia por proximidad e IoT y el registro en tiempo real de entradas y salidas de útiles, piezas y herramientas sobre distintas regiones virtuales de la planta de producción.

Dichos datos, una vez procesados, nos permiten localizar de forma aproximada cada elemento en tiempo real y, más allá, trazar de manera precisa qué caminos siguen dentro del flujo de producción.

En definitiva, la información aportada por los datos recogidos facilitan una foto en tiempo real del estado de la producción desde el punto de vista físico. No obstante, se planteó un reto mayor: ¿podemos utilizar esos datos para saber si algo va mal? La respuesta es sí.

¿Objetivo? Implementar un modelo IA que, alimentado por los datos recogidos de manera continua relativos a posicionamiento y entradas y salidas, alerte en tiempo real de que algo puede estar yendo mal. La mayoría de sistemas de análisis se limitan a comparar desviaciones respecto a un plan preestablecido. Sin embargo, queremos una solución capaz de descubrir patrones ocultos.

Qué datos quiero: patrones a partir de series temporales. Lo primero que nos preguntamos, obviamente, es qué datos específicos debíamos utilizar. Esta elección condiciona la calidad del modelo, pues éste se construye en torno a ellos. Cada vez que se produce la entrada o la salida de una entidad sobre una región concreta, el sistema almacena un registro a tal efecto en tiempo real, obteniendo de este modo series temporales de eventos que pueden ser explotadas para la extracción de modelos o patrones de comportamiento. La solución pasa, por tanto, por implementar un modelo capaz de detectar anomalías en dichos patrones.

Para la construcción del modelo, se utilizó el algoritmo K-means, implementado a su vez a través de la librería scikit-learn integrada en el proyecto. El modelo resultante es un clúster entrenado con tres centroides, de modo que todos los puntos (eventos de entrada o salida en el escenario práctico) que sean clasificados por el modelo dentro de un clúster que contenga menos del 20% de los puntos (eventos) totales, podrían considerarse como una anomalía.

Muy bien pero, ¿cómo se integra en el sistema de control de la producción? El uso del modelo de detección de anomalías por parte de terceros se materializa a través de la implementación de sus servicios sobre el API REST del sistema, sirviendo sus resultados en tiempo real a cada petición que se desee realizar. Cabe destacar por último que la acción manual del usuario final puede resultar decisiva para el entrenamiento y la mejora constante del modelo en relación con la clasificación de anomalías.

Un paso más en la mejora de procesos a través del uso de datos.

La solución aportada, más allá de suponer un elemento funcional que suma en la mejora de procesos, propone mecanismos novedosos y diferenciadores que abren una nueva vía de progreso: el uso de datos. Cabe destacar que la acción manual del usuario final puede resultar decisiva para el entrenamiento y la mejora constante del modelo en relación con la clasificación de anomalías.

Más allá de la automatización no supervisada que propone, se considera de interés aportar interfaces que permitan a un usuario declarar de forma manual algún evento o suceso como anómalo, ayudando de este modo a la categorización llevada a cabo y, por tanto, a la mejora continua del sistema.

  • IA aplicada al proceso de producción de forma sencilla, accesible y eficiente.
  • Reutilización de datos generados por sistemas terceros que redundan en mejoras.
  • Descubrimiento de cuellos de botella ocultos, no visibles o difícilmente detectables.
#
M

Dentro del proyecto de digitalización llevado a cabo en uno de nuestros principales clientes, uno de los bloques abordados fue el control de presencia por proximidad e IoT y el registro en tiempo real de entradas y salidas de útiles, piezas y herramientas sobre distintas regiones virtuales de la planta de producción.

Dichos datos, una vez procesados, nos permiten localizar de forma aproximada cada elemento en tiempo real y, más allá, trazar de manera precisa qué caminos siguen dentro del flujo de producción.

En definitiva, la información aportada por los datos recogidos facilitan una foto en tiempo real del estado de la producción desde el punto de vista físico. No obstante, se planteó un reto mayor: ¿podemos utilizar esos datos para saber si algo va mal? La respuesta es sí.

¿Objetivo? Implementar un modelo IA que, alimentado por los datos recogidos de manera continua relativos a posicionamiento y entradas y salidas, alerte en tiempo real de que algo puede estar yendo mal. La mayoría de sistemas de análisis se limitan a comparar desviaciones respecto a un plan preestablecido. Sin embargo, queremos una solución capaz de descubrir patrones ocultos.

Qué datos quiero: patrones a partir de series temporales. Lo primero que nos preguntamos, obviamente, es qué datos específicos debíamos utilizar. Esta elección condiciona la calidad del modelo, pues éste se construye en torno a ellos. Cada vez que se produce la entrada o la salida de una entidad sobre una región concreta, el sistema almacena un registro a tal efecto en tiempo real, obteniendo de este modo series temporales de eventos que pueden ser explotadas para la extracción de modelos o patrones de comportamiento. La solución pasa, por tanto, por implementar un modelo capaz de detectar anomalías en dichos patrones.

Para la construcción del modelo, se utilizó el algoritmo K-means, implementado a su vez a través de la librería scikit-learn integrada en el proyecto. El modelo resultante es un clúster entrenado con tres centroides, de modo que todos los puntos (eventos de entrada o salida en el escenario práctico) que sean clasificados por el modelo dentro de un clúster que contenga menos del 20% de los puntos (eventos) totales, podrían considerarse como una anomalía.

Muy bien pero, ¿cómo se integra en el sistema de control de la producción? El uso del modelo de detección de anomalías por parte de terceros se materializa a través de la implementación de sus servicios sobre el API REST del sistema, sirviendo sus resultados en tiempo real a cada petición que se desee realizar. Cabe destacar por último que la acción manual del usuario final puede resultar decisiva para el entrenamiento y la mejora constante del modelo en relación con la clasificación de anomalías.

Un paso más en la mejora de procesos a través del uso de datos.

La solución aportada, más allá de suponer un elemento funcional que suma en la mejora de procesos, propone mecanismos novedosos y diferenciadores que abren una nueva vía de progreso: el uso de datos. Cabe destacar que la acción manual del usuario final puede resultar decisiva para el entrenamiento y la mejora constante del modelo en relación con la clasificación de anomalías.

Más allá de la automatización no supervisada que propone, se considera de interés aportar interfaces que permitan a un usuario declarar de forma manual algún evento o suceso como anómalo, ayudando de este modo a la categorización llevada a cabo y, por tanto, a la mejora continua del sistema.

  • IA aplicada al proceso de producción de forma sencilla, accesible y eficiente.
  • Reutilización de datos generados por sistemas terceros que redundan en mejoras.
  • Descubrimiento de cuellos de botella ocultos, no visibles o difícilmente detectables.