AUTOMATIZACIÓN Y CONTROL DE

PROCESOS INDUSTRIALES 2021

CAPÍTULO 10: TECNOLOGÍAS EMERGENTES

Prof. Aldo Cipriano

aciprian@[Link]
Junio 2021

1
 TECNOLOGÍAS EMERGENTES

Contenido

 Industria 4.0

 Data Science

 Data Driven

 Machine Learning o Aprendizaje Automático

 Deep Learning o Aprendizaje Profundo

 Tendencias

 Investigaciones

2
 INDUSTRIA 4.0
Para Siemens, Industria 4.0 es un concepto que se originó en Alemania
y que se usa normalmente para describir las “fábricas inteligentes”
conectadas, impulsadas por la Inteligencia Artificial y basadas en datos,
y son las precursoras de la 4ª Revolución Industrial.

Esta transición de los procesos de fabricación y tecnologías se basa en

los siguientes principios:

 La conexión generalizada de personas, máquinas y “cosas” en

entornos físicos y virtuales (Internet de las Cosas).
 El aprovechamiento de datos a través de herramientas y sistemas
que muestran su valor para impulsar la eficiencia y flexibilidad de la
producción (Transformación Digital).
 El aumento de la calidad del producto y la mejora de la
comercialización mediante pruebas virtuales de preproducción.
 Los procesos de planificación, producción, fabricación y
mantenimiento son asistidos por Inteligencia Artificial y están
basados en datos.
3
 INDUSTRIA 4.0
Para Deloitte la Industria 4.0 implica la promesa de una nueva revolución que
combina técnicas avanzadas de producción y operaciones con tecnologías
inteligentes que se integrarán en las organizaciones, las personas y los activos.
Esta revolución está marcada por la aparición de nuevas tecnologías como la
robótica, la analítica, la inteligencia artificial, las tecnologías cognitivas, la
nanotecnología e IoT, entre otros. Si las empresas no comprenden los cambios y
oportunidades que trae consigo la Industria 4.0, corren el riesgo de perder cuota
de mercado.

La integración digital de la información desde diferentes fuentes y localizaciones

permite llevar a cabo negocios en un ciclo continuo. A lo largo de este ciclo, el
acceso en tiempo real a la información está impulsado por el continuo y cíclico
flujo de información y acciones entre los mundos físicos y digitales. Este flujo
tiene lugar a través de una serie de pasos iterativos conocido como PDP
(Physical to Digital to Physical):

 Se captura la información del mundo físico y se crea un registro digital de ella.

 La información se comparte y se interpreta utilizando analítica avanzada,
análisis de escenarios e inteligencia artificial para descubrir información
relevante.
 Se aplican algoritmos para traducir las decisiones del mundo digital a datos
efectivos, estimulando acciones y cambios en el mundo físico. 4
 INDUSTRIA 4.0
Para Wikipedia, Industria 4.0 designa una hipotética cuarta mega etapa de la
evolución técnico-económica de la humanidad, cuyo desarrollo estaría
proyectado hacia la tercera década del siglo XXI. La Inteligencia Artificial es el
elemento central de esta transformación, íntimamente relacionado con la
acumulación creciente de grandes cantidades de datos (“big data”), el uso de
algoritmos para procesarlos, y la interconexión masiva de sistemas y dispositivos
digitales.
Esta cuarta etapa correspondería a una nueva manera de organizar los medios
de producción, cuyo objetivo es la puesta en marcha de un gran número de
“fábricas inteligentes” (“smart factories”), dotadas de una mayor adaptabilidad a
las necesidades y a los procesos de producción, y permitiendo una asignación
más eficiente de los recursos, abriendo así la vía a una Revolución Industrial 4.0.
Las bases tecnológicas en que se apoya incluyen: Internet de las cosas,
Sistemas ciberfísicos, Cultura maker (Hágalo usted mismo) y Fábrica 4.0.
Industria 4.0 enfatiza y acentúa la idea de una creciente y adecuada
digitalización y coordinación cooperativa en todas las unidades productivas de la
economía.
5
 INDUSTRIA 4.0
Para Klaus Schwab, autor de La Cuarta Revolución Industrial, “estamos
al borde de una revolución tecnológica que modificará
fundamentalmente la forma en que vivimos, trabajamos y nos
relacionamos”.

6
INDUSTRIA 4.0

7
MINERÍA 4.0

8
 MINERÍA 4.0

Cesco. Centro de Estudios del Cobre y la Minería, [Link]

 Hacia una Minería 4.0: Recomendaciones para impulsar una

industria nacional inteligente.

 Revolución Tecnológica en la Gran Minería de la Región Andina.

Fundación Chile. [Link]

 Roadmap: Digitalización para una Minería 4.0.

9
TENDENCIAS (Mauro Valdés, LatAmIT 2016)

10
TENDENCIAS (Marco Orellana, LatAmIT 2016)

Desafíos de CODELCO

 Rentabilizar los minerales cada vez más complejos

optimizando operaciones e insumos críticos
• Búsqueda contínua de mejoras de productividad
• Gestión contínua de los costos
• Impulsar la operación integrada de la minería
• Maximizar la utilización de activos
• Predictibilidad y anticipación en la gestión de los recursos

 Avanzar en la automatización de los procesos

productivos

 …..
11
TENDENCIAS (Marco Orellana, LatAmIT 2016)

Los Drivers principales para TICAR

 Optimización de operaciones y gestión de activos:

Productividad; Costos; Optimización de operaciones; Optimización
del mantenimiento; Automatización en mina y planta; Gestión de
recursos críticos; Información para gestión predictiva

 Seguridad de personas e instalaciones: Tecnologías robóticas

 Sustentabilidad y medioambiente: Tecnologías predictivas

analíticas-Big data

 …..

 …..
12
TENDENCIAS (Marco Orellana, LatAmIT 2016)
 Respuestas al mundo minero desde las TICAR

 Procesos mineros altamente automatizados e integrados:

Aumento de productividad a través de sistemas de control
avanzado. Sistemas de monitoreo en línea. Sistemas regulatorios y
predictivos-Control Avanzado. Información en tiempo real. Dato
único y trazabilidad.

 Aumento de vida útil de activos mineros a través de una gestión

predictiva de signos vitales

 Monitoreo en línea de variables críticas: Camiones de extracción.

Neumáticos de CAEX. Molinos SAG, unitarios, bolas, barras.
Motores. Perforadoras. LHD.

 Apoyo en certificación de competencias de las personas:

Simuladores para capacitación y entrenamiento…..
13
TENDENCIAS (Sergio García, LatAmIT 2016)

 Convergencia de OT e IT

14
TENDENCIAS (Sergio García, LatAmIT 2016)

 Convergencia de OT e IT

15
TENDENCIAS (Jaime Soto, LatAmIT 2016)

16
 TENDENCIAS (IBM Perspective)

 The 5 benefits IoT is having on the mining industry

 Time saving

 IoT improving safety

 Automation advances for mining

 Predictive maintenance

 Energy and cost benefits

17
 TENDENCIAS (SAP Perspective)

 Internet of Things for Mining and Metals

18
TENDENCIAS (Pedro Oliveira, LatAmIT 2016)

19
TENDENCIAS (Pedro Oliveira, LatAmIT 2016)

20
TENDENCIAS (Mario Azevedo, LatAmIT 2016)

21
TENDENCIAS

22
TENDENCIAS

23
TENDENCIAS

24
TENDENCIAS

25
TENDENCIAS

26
TENDENCIAS

27
TENDENCIAS

28
TENDENCIAS

29
TENDENCIAS

30
TENDENCIAS

31
TENDENCIAS

32
TENDENCIAS

33
TENDENCIAS

34
TENDENCIAS

35
 TENDENCIAS

 IoT en Minería, MaRS Market Intelligence, 2014

36
 TENDENCIAS

 IoT en Minería, MaRS Market Intelligence, 2014

37
 TENDENCIAS

En este contexto,

¿Qué papel desempeñan

Data Science, Machine Learning

y Deep Learning?

38
 TENDENCIAS

 LATAM IT 2017
 Tecnologías de automatización y control en minería: desde MPC a
Big Data y Data Science.

• Control PID √
• Sintonía de controladores PID √
• Sistemas expertos y sistemas difusos √
• Redes neuronales √
• Control inteligente √
• Identificación de sistemas dinámicos √
• Modelación predictiva √
• Sensores virtuales √
• Detección y diagnóstico de fallas y anomalías √
• Model Predictive Control √

39
 TENDENCIAS

 Data Science, Data Mining, Machine Learning, Deep Learning

40
 TENDENCIAS
 Algoritmos

41
 TENDENCIAS

 Data Science en mantenimiento predictivo

42
 TENDENCIAS

 Data Science en mantenimiento predictivo

43
 TENDENCIAS

 Data Science en mantenimiento predictivo

44
 TENDENCIAS

 Data Science en mantenimiento predictivo

45
TENDENCIAS

46
 TENDENCIAS

 Data Driven: MPC estándar y MPC basado en Datos

47
 TENDENCIAS

 Data Driven Controller

48
 MACHINE LEARNING
 Management Solutions

Las técnicas de aprendizaje automático o aprendizaje de máquinas

(Machine Learning) conforman un conjunto de métodos capaces de
detectar automáticamente patrones en los datos.

El concepto de aprendizaje automático se conoce desde los años 40,

debido a los trabajos de Touring, quien descifró la máquina Enigma
durante la segunda guerra mundial.

El aprendizaje automático incluye el uso de los patrones detectados

para realizar predicciones, o para tomar otros tipos de decisiones en
entornos de incertidumbre.

En comparación con las técnicas estadísticas clásicas, Machine

Learning permite mejorar los modelos, no sólo en relación al aumento
del poder predictivo a través de nuevas metodologías y técnicas de
selección de variables, sino también en la mejora de la eficiencia
computacional. 49
MACHINE LEARNING

50
 MACHINE LEARNING
 Machine Learning y los avances en hardware

51
 MACHINE LEARNING
 Aprendizaje Automático como problema de
optimización

 Función objetivo o función de costo en problemas de clasificación

 Función objetivo o función de costo en problemas de regresión

52
 MACHINE LEARNING

 Machine Learning y sus algoritmos

53
 MACHINE LEARNING

 Aprendizaje Automático: Entrenamiento y predicción

54
 MACHINE LEARNING

 Aprendizaje Automático: Aplicaciones

55
 MACHINE LEARNING

 Aprendizaje Automático: Algunos métodos

56
 MACHINE LEARNING

 Aprendizaje Automático: Redes Neuronales Artificiales

57
 MACHINE LEARNING

• Aprendizaje Automático y sus elementos,

[Link]

58
 MACHINE LEARNING

 Machine Learning y sus plataformas

59
 DEEP LEARNING

 Motivación para Aprendizaje Profundo

Una red neuronal de 2 capas efectivas (una de entrada, una escondida

y una de salida) es un aproximador universal de cualquier función
continua definida sobre subconjuntos compactos de Rn, pero la capa
intermedia puede requerir un gran tamaño.

De la misma forma, una función que se puede representar en forma

compacta con una red neuronal de k capas, si se desea representar
con (k-q) capas puede requerir que las capas intermedias sean de gran
tamaño, aumentando exponencialmente la complejidad.

La disponibilidad de CPUs más rápidas, de arquitecturas paralelas y de

computadores GPU (Graphic Processing Unit) facilita la posibilidad de
utilizar redes neuronales con un gran número de capas (Deep
Learning).

60
 DEEP LEARNING

 Motivación para Aprendizaje Profundo

61
 DEEP LEARNING

 Motivación: Tamaño se duplica cada 2,4 años

62
 DEEP LEARNING

 CNN: Convolutional Neural Network

63
 DEEP LEARNING

 Plataformas para Aprendizaje Profundo

64
 DEEP LEARNING

 Plataformas para Aprendizaje Profundo

65
APLICACIONES

66
 APLICACIONES

 Monitorización de signos vitales, SAP

67
 APLICACIONES

 Monitorización de signos vitales, SAP

68
 APLICACIONES

 Mantenimiento predictivo y prescriptivo

69
 APLICACIONES

 Mantenimiento predictivo y prescriptivo

70
APLICACIONES

71
APLICACIONES

72
APLICACIONES

73
APLICACIONES

74
 INVESTIGACIONES

 Random Forest, Smarra et al (2018)

 [Link]/watch?v=lntbRsi8lU8

75
 INVESTIGACIONES

 Random Forest, Aplicación a MPC

76
 INVESTIGACIONES

 Random Forest, Aplicación a MPC

77
 INVESTIGACIONES

 Memoria de Título de Ingeniero Civil Industrial

Mecánico de Paulina Robledo, Agosto 2019

78
 INVESTIGACIONES

 Data Science en Refinería Electrolíticas, Chuquicamata

(59 variables relevantes y 7 lazos de control)

79
 INVESTIGACIONES

 Data Science en Refinería Electrolíticas, Chuquicamata

SERVIDOR VIRTUAL: PLATAFORMA DE ANÁLISIS DE BIG-DATA

Predictor
PYTHON
Preprocesamiento Datos Calibrador de DSS
Y Validación Consolidados Modelos
BD Interna
Clasificador
Alertas
Adquisición de datos
Recomendaciones

Bases de Datos Calibrar

(PI, LIMS, SQL)

Acciones
Correctivas
Sensores (DCS)
DCS

Inspecciones
Radio a
Terreno
Análisis de
Laboratorio

Proceso de Electrorefinación
80
 INVESTIGACIONES

 Desarrollos en DIE-UC

 Díaz Pablo (2018). Model predictive control based on machine

learning techniques for paste tailing production. Tesis para optar al
grado de Magister en Ciencias de la Ingeniería UC.

 Núñez F., Langarica S., Díaz P., Torres M., Salas J.C. (2019) Neural
network-based model predictive control of a paste thickener over an
industrial internet platform. IEEE Trans. on Industrial Informatics, 1-9.
 Proyecto Fondef IT17M10011. Sistema de análisis de Big Data en
refinerías electrolíticas para el mejoramiento de la automatización y
gestión operacional: Caso Chuquicamata.
 Proyecto Anillo ACT 192013. Cyber-physical systems for smart mining:
Industrial electronics 4.0 and data-driven process control.

81
 AUTOMATIZACIÓN Y CONTROL DE
PROCESOS INDUSTRIALES 2021

CAPÍTULO 10: TECNOLOGÍAS EMERGENTES

Prof. Aldo Cipriano

aciprian@[Link]
Junio 2021

82