La irrupción de la Inteligencia Artificial también ha revolucionado la Industria 4.0, afectando a la manera en que percibimos, monitoreamos y diagnosticamos problemas en entornos industriales.
Todo este cambio y en ocasiones incertidumbre, hace que las empresas y los trabajadores industriales se enfrenten a retos como la variabilidad de las condiciones laborales, las limitaciones para transferir grandes volúmenes de datos de forma segura y eficiente o los desafíos de la sostenibilidad
Qué soluciones tecnológicas ofrece el proyecto NEXTMON
El proyecto NEXTMON espera poder contar con soluciones tecnológicas que permitan abordar retos de monitorización ya identificados y no resueltos comercialmente en sectores y mercados diversos. Los objetivos científico-tecnológicos del proyecto NEXTMON se centrarán en las siguientes líneas:
- Hibridación de sistemas de adquisición (DAQ) con tecnologías IIoT.
- Monitorización de la condición de sistemas con regímenes de trabajo variables.
- Reducción del número de fuentes de datos necesarias para la monitorización.
- Integración de información de sensores multimodales 2D, 3D e Hiperespectral.
- Gestión del ciclo de vida de modelos IA para diferentes tipos de información.
- Sistemas federados con inteligencia distribuida.
Objetivos científicos y líneas de actuación
Monitorización de señales 1D en regímenes variables: El seguimiento de orden “Order Tracking” (OT) es una técnica eficaz para analizar señales de vibración no estacionarias, monitorizar y diagnosticar fallos
Separación de fuentes de señal: Diversas técnicas recogidas bajo el paraguas de Blind Source Separation (BBS) permiten la separación de señales en función de su fuente de origen.
Monitorización del estado de salud de dispositivos de energía de las olas para mantenimiento predictivo:
- Análisis de vibraciones: la monitorización de vibraciones permite detectar desviaciones del comportamiento normal de manera temprana, y, por tanto, un mantenimiento oportuno para prevenir fallos inesperados.
- ESA (Electrical Signature Analysis): abarca una variedad de técnicas para monitorizar el estado de máquinas eléctricas mediante el análisis de señales eléctricas, como son la corriente y tensión. MCSA (Motor Current Signature Analysis) es una metodología que implica analizar la frecuencia de la corriente la eléctrica de motores o generadores eléctricos para detectar y diagnosticar fallos o anomalías en el sistema.
Percepción 2D, 3D e hiperespectral en corrientes de reciclado:
- Corregistro de sensores espaciales (HSI, RGB, 3D)
- Reducción de dimensionalidad, optimización de sensor
- Desarrollo de modelos de percepción avanzados, multimodales e implementables en línea
- MLOps: Aprendizaje continuo y técnicas centradas en dato. Gestión del ciclo de vida de modelos IA para diferentes tipos de información.
- Integración de información de sensores multimodales 2D, 3D e Hiperespectral.
Sistemas de gestión de datos: La evolución de las tecnologías de la información y el desarrollo de nuevas herramientas para el almacenamiento la gestión de datos en streaming permite hoy en día realizar una gestión avanzada de los datos recogidos a través de herramientas orientadas a la gestión de datos de series temporales, el almacenamiento distribuido o el procesamiento en streaming. Uso de InfluxDB como time series database y su posterior integración en flujos de análisis.
Sistemas federados: El aprendizaje federado, como una metodología clave dentro de este marco, permite el entrenamiento colaborativo de modelos de inteligencia artificial sin compartir los datos subyacentes, abordando preocupaciones fundamentales de privacidad y seguridad de los datos.
Referencia proyecto: CPP2023-010810
Programa: Proyectos en colaboración público-privada 2023 de la AEI
