Inicio › IA industrial
Vertical · IA industrialInteligencia artificial industrial: modelos que aguantan datos de campo
Un modelo entrenado en laboratorio y uno que funciona en una instalación real se parecen poco. Anukys desarrolla modelos de aprendizaje automático sobre datos de sensores con ruido, huecos y sensores que mienten, y los integra en arquitecturas auditables donde la predicción se guarda junto al dato real.
Cifras propias medidas en el proyecto de investigación iPREDICE Fase III. Cuando citamos literatura externa lo indicamos expresamente.
Reglas o aprendizaje automático: los dos
Las reglas solas no anticipan: solo reaccionan cuando el umbral ya se ha cruzado. Un modelo solo no es explicable ni auditable, y nadie actúa sobre una alarma que no entiende. La combinación de umbrales definidos con el conocimiento del operador y un modelo que predice el futuro es lo que genera confianza suficiente para que alguien tome una decisión. En infraestructura crítica, esa confianza es el producto.
El control avanzado se monta sobre tu PID, no lo sustituye
Tu planta ya tiene control por retroalimentación. El APC es una capa superior que decide qué consignas dar a esos lazos en cada momento, según el modelo del proceso, sus restricciones y el objetivo económico. Y sobre la misma infraestructura de datos se apoyan la detección de anomalías y el mantenimiento predictivo.
Lo que separa un piloto de un sistema en producción
| Decisión de ingeniería | Por qué importa |
|---|---|
| Ventanas temporales ajustadas | Probamos 3, 6, 12 y 24 horas de memoria: con 3 y 6 se pierde precisión más allá de un día; con 24 aparece sobreajuste del patrón diario; 12 dio el mejor equilibrio. |
| Regresores futuros independientes | Meter como entrada lo que ya se sabe del futuro (previsión meteorológica, ciclos astronómicos) permite estirar el horizonte sin que el error se realimente. |
| Escalado controlado | Cuando conviven variables de rangos muy distintos, sin escalado el modelo queda dominado por la de mayor magnitud y el resultado parece bueno pero está sesgado. |
| Un modelo por activo | Aplicar el mismo criterio a instalaciones que se comportan distinto genera falsas alarmas en unas y ceguera en otras. |
| Predicción almacenada junto al dato | Es lo que permite auditar el modelo meses después y justificar la inversión ante quien la aprobó. |
| Degradación publicada | Decimos cuánto baja la precisión al alargar el horizonte en lugar de enseñar solo el mejor número. |
Precisión por horizonte de predicción · mejor punto
Publicamos la degradación porque es lo que hace creíble el 89 %: más allá de 24 horas el modelo se alimenta de sus propias predicciones y el error se propaga.
El método es el mismo; cambia el proceso
Lo que preguntan antes de empezar
¿La IA sustituye al control que ya tengo en planta?
No: se monta encima. Los lazos PID siguen manteniendo cada variable en su consigna; el control avanzado decide qué consignas dar en cada momento según el modelo del proceso, sus restricciones y el objetivo económico.
¿Cuántos datos históricos hacen falta para empezar?
Depende del proceso y de su estacionalidad, pero la regla práctica es que el histórico cubra los ciclos que se quieren predecir. En el proyecto iPREDICE trabajamos con ventanas temporales de 12 horas tras probar 3, 6, 12 y 24.
¿Cómo sé que el modelo sigue acertando dentro de seis meses?
Guardando la predicción junto al dato real. Separamos el almacenamiento en dato crudo, dato procesado y predicción, de modo que en cualquier momento se puede comparar lo que el sistema dijo que iba a pasar con lo que pasó.
¿Cada cuánto hay que reentrenar?
Un modelo entrenado con el histórico de un verano deja de servir en invierno. El sistema selecciona dinámicamente el modelo mejor evaluado en cada momento, y la recomendación es automatizar el reentrenamiento con los datos nuevos de campo.
¿Qué pasa con los datos ruidosos o los sensores que fallan?
La capa de control de calidad detecta sensores estancados, huecos y valores imposibles antes de que lleguen al modelo. En la validación se introdujeron deliberadamente esos escenarios y el sistema mantuvo el rendimiento.
Cuéntanos qué proceso quieres predecir
Analizamos los datos que ya tienes, su calidad real y el objetivo, y te decimos con franqueza qué es predecible en tu caso y qué no.
Hablar con un ingeniero o llámanos: +34 657 274 067