¿La inteligencia digital de su empresa está abandonada y es improductiva? Un «andamiaje» sólido de información y datos desbloquea de manera eficiente el flujo de datos y conocimientos en toda la organización.
Las empresas están invirtiendo en proyectos de digitalización para lograr los principales objetivos a largo plazo, como se indica en la Tabla 1.1 La transformación digital básicamente abre el flujo de datos (en varios formatos) y conecta múltiples fuentes con usuarios remotos e in situ. Con arquitecturas y plataformas avanzadas, los procesos de transferencia de datos e información son más rápidos. En consecuencia, las operaciones y los datos de mercado son activos empresariales y tienen valor. El acceso más rápido a la información es el final del juego. Muchas empresas deben responder: ¿Existe el andamiaje (plataforma) óptimo para respaldar el flujo de datos y la disponibilidad de la información (IA) en toda la organización?
No todos los datos son iguales
Las industrias de procesamiento y fabricación han acumulado volúmenes de datos, pero han tenido dificultades para convertirlos en información utilizable. Los proyectos de digitalización están orientados a mejorar el análisis 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.
Tabla 1. Objetivos de inversión para proyectos digitales1
Tabla 2. Principales preocupaciones sobre los datos
- Falta o insuficiencia de datos
- Acceso limitado o nulo a las bases de datos
- Datos corruptos
- Datos faltantes o incompletos
- Formato y etiquetas incorrectos (faltan) entre las fuentes de datos
- Problemas de seguridad
El ROI de los programas digitales a menudo se mide en función de la mejora de la confiabilidad de las operaciones y la mejora del desempeño ambiental y de seguridad (Tabla 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 la planta y el equipo. Especialmente en el caso de las herramientas avanzadas (IA y ML), estos problemas pueden hacer descarrilar incluso los mejores algoritmos.
¿Dónde están las fuentes de datos?
Las mediciones (datos con fecha y hora) se han recopilado durante muchos años. La figura 1 ilustra una toma de decisiones común para las instalaciones de procesamiento. Como se muestra en la figura 2, los datos de producción/operación/equipo a menudo fluyen en un circuito cerrado, creando así silos de bases de datos e información. Para lograr los objetivos de la Tabla 1, los datos requeridos pueden estar ubicados en muchas fuentes (historiadores) que a menudo no están conectadas.
Los proyectos digitales necesitan IA para realizar análisis de nivel superior (IA, ML, PdM y big data).2 Las plataformas o arquitecturas de datos son andamios. Permiten recopilar, almacenar, analizar y compartir datos/información con usuarios identificados (locales y remotos). Este marco permite servicios de intercambio de información más rápidos en muchas direcciones: verticales y horizontales. Como se ilustra en la figura 3, las capacidades de datos e información cambian de sistemas de bucle cerrado a sistemas de bucle compatible. Ahora, los datos se pueden adquirir desde cualquier lugar.3
Datos con el nivel de uso más bajo
Los dispositivos físicos, como sensores, actuadores de válvulas, arrancadores de motores y más, estarán disponibles para monitorear y automatizar los equipos y la maquinaria de proceso.4 La transformación digital conecta a los proveedores de datos con las funciones de supervisión y análisis. Esta relación cambia constantemente con los nuevos desarrollos, incluida la computación periférica inteligente. Los dispositivos periféricos avanzados tienen capacidades de análisis al mismo nivel que las PC.4 Con las capacidades de análisis previo, las acciones críticas se pueden iniciar a nivel del dispositivo, sin necesidad de que el centro de datos actúe.
Datos utilizados como capital
La administración de datos como activos empresariales requiere evaluar cómo se recopilan y comparten los datos y la información. Según la tabla 2, cualquier brecha en la administración de datos erosiona la confianza en el uso de dicha información en decisiones críticas, como el cambio de producto, el tiempo de inactividad planificado, el reemplazo de equipos y los cambios de procesamiento. En el desarrollo de proyectos digitales, la selección de datos y las plataformas son decisiones críticas. Las compañías de energía han invertido en sistemas de automatización/control desde la década de 1990. La integración y la actualización de los sistemas existentes son vitales en el diseño de la IA para los proyectos de análisis y optimización.
¡Los proyectos de datos son complejos! Otros problemas relacionados con los datos incluyen:5
- Suficiencia de datos: ¿cuántos datos se necesitan 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 confiabilidad de los datos medidos. En consecuencia, un mantenimiento deficiente de los dispositivos generadores de datos introduce errores.
- Propagación de datos: ¿cuánto tiempo pasa entre los cambios de proceso o equipo antes de que se registren? ¿Qué brechas se producen entre el inicio de los eventos y las condiciones fallidas?
- Gobernanza de datos: se debe abordar la propiedad de los datos. ¿Se pueden sobrescribir o cambiar los datos automatizados? ¿Las fuentes de datos están a salvo de los ataques externos?
Las relaciones de cómo se almacenan, comparten y utilizan los datos siguen evolucionando. Las empresas operativas y de fabricación han pasado de posiciones reactivas a posiciones proactivas. Los datos son la moneda del conocimiento que se debe invertir y utilizar. La IA proporciona el andamiaje de conocimiento, contenido y datos para las organizaciones. Igualmente importante, la IA apoya la IA y el análisis de macrodatos en toda la organización (Figura 3).3 Es posible que los algoritmos de la IA no necesiten la IA, pero la aplicación de los resultados sí.2
Literatura citada
1White, Douglas, «La transformación digital en las operaciones de las plantas petroquímicas y de refinación: mirando hacia atrás, mirando hacia adelante», Cumbre AFPM 2020, cumbre 20-63, 27 de agosto de 2020, emerson.com.
2Earley, Seth, «Racionalización de los flujos de información en el lugar de trabajo digital: el papel de la ingeniería artificial y del conocimiento», Digital Workforce Experience, 14 de octubre de 2020, https://www.earley.com/.
3 Perino, Joe, «La computación periférica en el nuevo ecosistema», agosto de 2020, https://resource.stratus.com/whitepaper/edge-computing-in-the-new-ot-ecosystem/.
4Eastburn, Josh, «Construir el IoT industrial del borde a la nube», Automation 2020, vol. 4, https://www.automation.com/getmedia/8c645082-44f0-47b6-81db-c7b6f60ac1a4/automation2020_aug_cloud_engineering.pdf.
5KBC, «Manifiesto de digitalización», https://www.kbc.global/uploads/files/whitepapers/KBC%20Digitalization%20Manifesto_US.pdf.
