En la era de la IA industrial y los gráficos de conocimiento, no pase por alto la jerarquía de activos

¿Y si no tenemos una jerarquía de activos unificada en todas las aplicaciones?

Esta pregunta es un estado común para la mayoría de las organizaciones industriales en su viaje hacia la digitalización. A menudo no se realizan inversiones a nivel de planta, puesto que los operarios y los ingenieros de procesos ya dominan la convención de nomenclatura única de las etiquetas de sus procesos. Replicar la estructura en el sistema ERP no es factible, ya que está demasiado anticuada o no es lo suficientemente granular. Sin embargo, para aumentar la eficiencia operativa, una organización debe unificar los datos de OT, TI e ingeniería para que puedan entenderse fácilmente tanto a nivel de sitio como de empresa. Una jerarquía de activos proporciona un punto de partida para unificar los datos industriales en un gráfico de conocimiento y ampliar los casos de uso de la IA industrial.

¿Qué es una jerarquía de activos?

El 70% de las organizaciones industriales tienen dificultades para utilizar los datos operativos para el ^análisis1. Mientras que las soluciones puntuales existentes ofrecen un análisis y un impacto específicos, el panorama desestructurado de los datos de OT ha impedido que este impacto se amplíe a otros sitios o casos de uso. El propósito de una jerarquía de activos es normalizar y estructurar los datos operativos, eliminando la necesidad de entender las convenciones de nomenclatura únicas de los sistemas en silos y simplificando el uso de los datos de OT para el análisis a escala.

Una jerarquía de activos proporciona una estructura lógica en forma de árbol que representa los activos físicos de una organización industrial. Contiene relaciones padre-hijo entre unidades y sistemas, sistemas y equipos, y componentes y sus piezas. Estas relaciones pueden representar una única unidad o línea de producción y abarcar desde la empresa hasta las piezas individuales.

Los usuarios pueden profundizar hacia arriba o hacia abajo en la jerarquía para obtener el nivel adecuado de visibilidad. Un ingeniero de procesos puede estar interesado en un análisis a nivel de unidad, mientras que un ingeniero de fiabilidad puede estar interesado en un componente específico de un equipo. Una jerarquía de activos proporciona una base para que muchos usuarios industriales accedan a la misma información en tiempo real en un contexto comprensible para todos. Las normas ISA95 e ISO 14224 describen esta estructura con más detalle y deben adoptarse y adaptarse a las necesidades específicas de cada organización. La jerarquía de activos sienta las bases para combinar los datos de OT con los de TI e ingeniería en un gráfico de conocimiento industrial.

¿Cómo crea valor un gráfico de conocimiento industrial?

Tradicionalmente, las jerarquías de activos se han dirigido principalmente a casos de uso de fiabilidad. Cuando se ofrecen como una extensión de los historiales existentes, proporcionan una visión estructurada de los datos de series temporales, de modo que las organizaciones industriales pueden pasar del mantenimiento preventivo al predictivo con modelos analíticos basados en la física y puntuaciones de estado. Aunque valioso, este caso de uso es una visión limitada del impacto potencial de una jerarquía de activos.

Para ampliar el alcance de los casos de uso que puede abordar una jerarquía de activos, un gráfico de conocimiento industrial puede extenderse más allá de las series temporales en el historiador e incorporar datos de plataformas IoT y dispositivos de borde, CMMS, ERP, dibujos y diagramas de ingeniería como P&ID, y más. Estas fuentes de datos adicionales deben ser accesibles a través de un enfoque componible para que los nuevos casos de uso impulsen la integración de estas fuentes. Con un grafo de conocimiento industrial, las organizaciones han sido capaces de desbloquear los siguientes casos de uso:

• Colaboración industrial - Solucione los problemas de los procesos o realice un análisis de la causa raíz unificando la vista de la información de los activos, las series temporales, los P&ID y los modelos predictivos en un espacio de trabajo de colaboración en vivo. Con puntuaciones de estado y análisis predictivos fácilmente accesibles a través del gráfico de conocimiento, los equipos pueden encontrar rápidamente la información necesaria para el análisis.
• Convergencia OT / IT - Con los datos unificados de OT, IT e ingeniería, las API abiertas y robustas pueden extraer los datos relevantes y las relaciones entre los datos. El gráfico de conocimiento normaliza los datos industriales y permite integrarlos con los datos de ERP, financieros y de la cadena de suministro en un lago de datos o "lakehouse" existente. Una visión en tiempo real de las operaciones aumenta la visibilidad, proporciona comprensión a los usuarios empresariales y permite respuestas más ágiles a la cambiante demanda de productos.
• Análisis de rendimiento: genere KPI procesables combinando la jerarquía de activos con datos de series temporales, IIoT y CMMS mediante cálculos industriales listos para usar para métricas como OEE, eficiencia energética y de procesos, balance de masa y energía, tiempo medio entre fallos, tiempo medio de reparación, etc.
• Análisis predictivo impulsado por IA: combine una relación jerárquica de activos, un análisis de modos de fallo y efectos (FMEA) de los equipos y un estudio MLOps con modelos industriales preconstruidos para identificar posibles fallos de los equipos que antes eran indetectables con las técnicas de supervisión tradicionales.
• Optimización de procesos - Utilice modelos de IA para ajustar los parámetros de control de procesos con el fin de maximizar el rendimiento o la eficiencia energética. Consulte rápidamente el gráfico de conocimiento industrial para descubrir una visión normalizada de las variables de proceso necesarias para optimizar sistemas como trenes de laminación, hornos, molinos, procesos de destilación, etc.
• Copilotos industriales: la combinación de LLM industriales con un grafo de conocimiento permite a los copilotos de IA generativa creados específicamente simplificar la generación de conocimientos con información específica del emplazamiento o de la empresa. El uso conjunto de IA predictiva y generativa desbloquea la IA composicional, aplicando la IA adecuada al caso de uso adecuado.

¿Por qué los gráficos de conocimiento industrial no están más extendidos en la fabricación actual?

Los gráficos de conocimiento no son nuevos. Existen desde hace más de 15 años y ya se utilizan con frecuencia para ayudar a los servicios financieros, el comercio minorista, la sanidad y otros sectores a mejorar sus operaciones comerciales. Con la proliferación de la IA generativa, la importancia de los grafos de conocimiento no ha hecho más que acelerarse, ya que se consideran principalmente la forma más eficaz, en combinación con la generación aumentada de recuperación (RAG), de aplicar de forma segura la IA generativa a los datos específicos de la empresa. Teniendo en cuenta todo el impulso y el potencial de los grafos de conocimiento para casos de uso industrial, la adopción dentro de las operaciones industriales sigue siendo sorprendentemente baja. He aquí algunos de los retos más comunes a los que se enfrentan las organizaciones de fabricación y energía a la hora de crear grafos de conocimiento industrial:

• Los datos operativos están desordenados y desestructurados - A diferencia de los otros negocios mencionados anteriormente, los datos operativos rara vez están en tablas y filas. Muchos sistemas disponen de un subconjunto de los datos operativos necesarios para un grafo de conocimiento completo, y son insuficientes para resolver los casos de uso identificados. Además, la mayoría de las tecnologías de grafos de conocimiento existentes carecen de conectividad con fuentes y protocolos industriales. Sin embargo, una jerarquía de activos dinámica e independiente de los historiales puede estructurar los datos operativos y sentar las bases de un grafo de conocimiento industrial.
• Muchas soluciones de jerarquía de activos crean nuevos silos - Para que una jerarquía de activos proporcione estructura a los datos operativos, debe ser exhaustiva e independiente del proveedor. Por ejemplo, la jerarquía de activos que utiliza un historiador existente sólo puede acceder a los datos de ese historiador. Esto crea desafíos desde el punto de vista de la arquitectura, como la forma de incorporar datos de múltiples historiadores o soluciones IoT existentes.
• Las jerarquías de activos existentes son rígidas - Las operaciones son dinámicas. Los centros añaden nuevos equipos, sustituyen los antiguos y añaden nuevas fuentes de supervisión (imágenes y vídeo) y dispositivos. Para mantener actualizado el panorama de datos de OT, el mantenimiento de la jerarquía de activos y el gráfico de conocimientos debe ser sencillo y poder ser asumido a nivel de centro.
• La estructuración de los datos de OT es manual: asignar miles de etiquetas a sus activos asociados con convenciones de nomenclatura únicas lleva mucho tiempo, es manual y requiere conocimientos especializados a nivel de sitio. Además, cada tipo de equipo debe definirse con los canales previstos para cada etiqueta. La definición de los activos y la asignación de las etiquetas es sólo para los datos de series temporales; aún es necesario realizar más asignaciones para los registros de GMAO, las órdenes de producción, los P&ID, etc. La automatización y las plantillas de equipos específicos de la industria son un requisito para que esto sea posible a gran escala.
• Los enfoques anteriores carecen de composibilidad - El caso empresarial tiene prioridad. Intentar estructurar décadas de equipos y sistemas heredados en un único gráfico de conocimiento industrial unificado parece desalentador. Las organizaciones industriales deben poder empezar con unidades o líneas de producción individuales y crecer al ritmo que la empresa pueda absorber. Esto requiere un enfoque componible en el que puedan añadirse nuevas fuentes de datos cuando se identifiquen nuevos casos de uso, y la estructura existente pueda modificarse fácilmente.

¿Qué se necesita para construir un grafo de conocimiento industrial?

Al más alto nivel, muchos de los requisitos para un grafo de conocimiento industrial son estándar dentro de los productos de operaciones de datos industriales, como IRIS Foundry. Una jerarquía de activos dinámica e independiente de los historiales ofrece una vía directa para estructurar los datos OT y crea la base para un grafo de conocimiento industrial. La jerarquía de activos puede rellenar automáticamente el grafo de conocimiento con datos y relaciones definidos dentro de la jerarquía. A continuación, pueden modelarse nuevas fuentes de datos y relaciones según lo requiera el caso empresarial. Para crear una jerarquía dinámica de activos y el subsiguiente grafo de conocimiento, se requiere lo siguiente:

• Conectividad de fuentes y protocolos industriales - Para construir una jerarquía de activos, un historiador es solo un aspecto de los datos operativos. También se debe poder acceder a información adicional procedente de soluciones IoT, dispositivos periféricos, sistemas de fiabilidad, etc. Para construir un gráfico de conocimiento industrial, se requerirá información de fuentes de TI e ingeniería como ERP, CMMS, hojas de cálculo fuera de línea, dibujos y documentos de ingeniería, lagos de datos existentes y más. SymphonyAI aborda este desafío de accesibilidad con conectores pre-construidos a más de 100 fuentes industriales y protocolos como OPC UA y DA, Modbus, MQTT, Azure IoT Hub, InfluxDB, Kafka, OSI PI, IP.21, y un conector ODBC para desarrollar rápidamente nuevas integraciones.

• Plantillas predefinidas de activos y procesos - Para estructurar los datos de OT a escala, los equipos y procesos deben definirse con perfiles que representen lógicamente el activo físico. Por ejemplo, los intercambiadores de calor tienen mediciones previstas de la temperatura y la presión de entrada y salida, así como modos de fallo comunes, como indicaciones de suciedad, fugas internas o incrustaciones. Definir manualmente los perfiles de los activos digitales y los modos de fallo puede llevar semanas o meses. Para reducir este esfuerzo, SymphonyAI cuenta con más de 90 plantillas predefinidas para equipos industriales comunes y sus modos de falla. Algunos ejemplos incluyen varios tipos de intercambiadores de calor, compresores, turbinas, cajas de engranajes y más. Estas plantillas pueden modificarse y replicarse para normalizar los equipos en todos los procesos.

• Asignación de etiquetas y creación de jerarquías mediante IA: una vez que se dispone de datos accesibles y perfiles de equipos definidos, es necesario asignar las etiquetas de activos pertinentes a sus activos asociados y establecer las relaciones entre ellos. Mapear manualmente miles de etiquetas a cientos de activos y luego estructurar las relaciones entre estos activos no es escalable. SymphonyAI acelera el mapeo a través de la contextualización impulsada por IA mediante la identificación de patrones entre convenciones de nomenclatura únicas y sus activos asociados. Además, las relaciones entre los activos se pueden extraer a través de la ingesta de P&ID, identificando los activos y sus relaciones a partir de estos dibujos. La combinación de estos dos procesos automatiza la creación de la jerarquía y la asignación de datos OT a sus activos.

• Composibilidad y modificación de las relaciones establecidas - Para tener éxito, los objetivos empresariales deben permanecer en primer plano. Un caso de uso concreto puede requerir sólo un subconjunto de datos industriales. Por ejemplo, para aumentar el rendimiento de una unidad o línea de producción específica, la jerarquía inicial y el subsiguiente gráfico de conocimiento pueden contener sólo una fracción de la información disponible. La ampliación de esta estructura debe ser manejable por el personal in situ. Para ello, SymphonyAI proporciona una interfaz integrada de arrastrar y soltar, de modo que los expertos en la materia con los permisos adecuados puedan modificar las relaciones existentes y ampliar la jerarquía a nuevas unidades o líneas de producción con el tiempo.

• Canalizaciones de contextualización: la asignación de los datos iniciales a los activos correspondientes es un proceso que se realiza una sola vez. Con un enfoque componible, pueden añadirse nuevos datos a lo largo del tiempo. Sin tuberías de contextualización, el proceso de mapeo debe repetirse cada vez que se agregan nuevos datos de fuentes existentes, por lo que mantener el grafo de conocimiento industrial se vuelve inmanejable a escala. SymphonyAI utiliza canalizaciones de contextualización para convertir los mapeos iniciales en conjuntos de reglas identificadas. Estos conjuntos de reglas mapean automáticamente los nuevos datos a su activo correspondiente. Una vez que los datos de la primera unidad se asignan a sus activos correspondientes, la ampliación a una segunda unidad puede reutilizar las mismas reglas y completarse en una fracción del tiempo.

• Población automatizada del grafo de conocimiento industrial - Con una jerarquía dinámica de activos, los perfiles y relaciones de los equipos pueden transponerse a los nodos y aristas del grafo de conocimiento industrial. A continuación, se pueden asignar otras fuentes informáticas y de ingeniería al grafo de conocimiento para enriquecerlo aún más. Las relaciones entre activos representan una de las muchas formas de estructurar los datos, y puede ser necesario establecer nuevas relaciones para resolver casos de uso orientados a procesos o a la producción. Como ejemplo, el grafo de conocimiento industrial de SymphonyAI amplía las relaciones entre activos para incluir representaciones de transferencia de masa y energía, desbloqueando casos de uso de producción y eficiencia energética.

• Exploración generativa de datos de IA: a medida que crece el grafo de conocimiento industrial, la búsqueda y el filtrado estándar resultan útiles, pero limitados en cuanto a los datos que pueden mostrar. La búsqueda por un activo o una descripción específicos puede no arrojar todos los resultados que busca el usuario. Para mejorar la exploración del grafo de conocimiento, SymphonyAI combina vistas basadas en roles con un copiloto de IA generativa incorporado para que los usuarios puedan realizar búsquedas en lenguaje natural. En lugar de buscar por el nombre de un activo específico, busque "lista de todas las alertas de bombas en mi área" y encuentre rápidamente información procesable dentro del grafo de conocimiento industrial en continua evolución.

Exploración generativa de datos de IA: a medida que crece el grafo de conocimiento industrial, la búsqueda y el filtrado estándar resultan útiles, pero limitados en cuanto a los datos que pueden mostrar. La búsqueda por un activo o una descripción específicos puede no arrojar todos los resultados que busca el usuario. Para mejorar la exploración del grafo de conocimiento, SymphonyAI combina vistas basadas en roles con un copiloto de IA generativa incorporado para que los usuarios puedan realizar búsquedas en lenguaje natural. En lugar de buscar por el nombre de un activo específico, busque "lista de todas las alertas de bombas en mi área" y encuentre rápidamente información procesable dentro del grafo de conocimiento industrial en continua evolución.

Para saber más y ver este proceso en acción, vea la demostración:

Fuentes:
1. https://www.idc.com/getdoc.jsp?containerId=US48669522