Detecta se ha basado en la inteligencia artificial, el gemelo digital y los entornos black box para crear un entorno de trabajo que puede predecir incidentes tanto f\u00edsicos como ciberataques.<\/p>\n
La Industria 4.0 ha acelerado la digitalizaci\u00f3n de operaciones productivas, fomentando un incremento notable de productividad para atender la econom\u00eda descentralizada de la era post covid. Este cambio de paradigma hacia sistemas hiper-conectados, ha puesto a prueba la funci\u00f3n de mantenimiento y la sostenibilidad de los procesos de fabricaci\u00f3n con los nuevos riesgos, no s\u00f3lo de aprovisionamientos de activos, de fiabilidad y mantenibilidad de muy variadas tecnolog\u00edas de proceso, sino tambi\u00e9n de riesgos de ciberseguridad asociados a la convergencia de las Tecnolog\u00edas de la Informaci\u00f3n y las Tecnolog\u00edas Operacionales (IT\/OT).<\/p>\n
En respuesta a este nuevo paradigma, el consorcio de Detecta, formado por dos clusters (AEI Ciberseguridad y FACYL), dos centros tecnol\u00f3gicos (Cidaut y Funditec) y una empresa industrial (Industrias Maxi) se ha marcado como objetivo la generaci\u00f3n de conocimiento predictivo para cubrir la necesidad de caracterizar los procesos industriales de car\u00e1cter heterog\u00e9neo, incluyendo la maquinaria involucrada, de manera que se permita una detecci\u00f3n de anomal\u00edas t\u00e9cnicas de forma temprana que permita no limitar la productividad en la planta industrial, disponer permanentemente de la informaci\u00f3n y conseguir una discriminaci\u00f3n de anomal\u00edas entre eventos puramente t\u00e9cnicos y eventos relacionados con ciberincidentes.<\/p>\n
Para llevar a cabo el proyecto era necesario poder establecer un entorno de laboratorio, fijado en una m\u00e1quina de mecanizado real, en este caso en Industrias Maxi. Durante la investigaci\u00f3n se eligieron tres indicadores considerados representativos del proceso: la temperatura, la corriente y la aceleraci\u00f3n y se cre\u00f3 una caracterizaci\u00f3n del proceso basado tanto en los trabajos de los operadores de la m\u00e1quina, como en las labores de mantenimiento, y en la asistencia remota que se puede requerir.<\/p>\n
A partir de esa caracterizaci\u00f3n se comenzaron a registrar datos que dieron lugar a un hist\u00f3rico en el que, aplicando algoritmos de Inteligencia Artificial, se pueden identificar patrones y empezar a predecir posibles anomal\u00edas de comportamiento y sus causas. Se trata de una metodolog\u00eda dividida en dos partes: por un lado, el tratamiento de los datos (procesado, tratado, clasificado, etc.), y por otro el desarrollo del propio modelo de Inteligencia Artificial que, a partir de esa parte clasificada, se entrena y valida, contando con las observaciones del experto de Industrias Maxi, indicando por ejemplo sin el proceso ha sido normal o ha intervenido alg\u00fan condicionante.<\/p>\n
Todo este proceso se ha realizado en un breve tiempo: durante 88 d\u00edas se han tomado alrededor de 7 millones de registros, quedando despu\u00e9s del procesado en 1 mill\u00f3n de registros, siendo estos los utilizados para el entrenamiento y la validaci\u00f3n de los modelos.
\nLos resultados obtenidos coinciden con los valores que se asemejan mucho a los que estableci\u00f3 como criterio l\u00edmite el experto, lo que indica que el modelo est\u00e1 utilizando correctamente las variables y establece buenos umbrales, por lo tanto, es confiable.<\/p>\n
Al finalizar el proyecto se ha obtenido una plataforma a trav\u00e9s de la que se alerta al experto de que ha habido una incidencia, y el operario debe intervenir para revisarla y actuar se la manera oportuna. Actualmente el sistema contin\u00faa su proceso de aprendizaje y detecta algunas \u201cfalsas alertas\u201d, que, en palabras de Jos\u00e9 F\u00e9lix Ovejero, responsable de fabricaci\u00f3n e IT en Industrias Maxi, \u201cestamos hablando de unos sistemas que son tremendamente caros y que deben tener una alta disponibilidad; prefiero recibir alguna falsa alerta antes de pasar desapercibido un fallo real. Se trata de ir entrenando al sistema para que aprenda a disgregar lo que es bueno y lo que no lo es\u201d.<\/p>\n
Conclusiones<\/strong><\/p>\n Con el enfoque llevado a cabo durante el proyecto se ha obtenido un dataset de registros de una m\u00e1quina supervisados por operadores y por expertos del proceso; se han identificado anomal\u00edas correspondientes a programas de mecanizado, se ha tenido la posibilidad de tener ese hist\u00f3rico, analizarlo, buscar patrones y empezar a predecir posibles anomal\u00edas de comportamiento, en un tiempo inferior a cuatro meses.<\/p>\n De cara a futuro, esta investigaci\u00f3n supone que una empresa que lleve un registro habitual de datos puede obtener una caracterizaci\u00f3n de un proceso que aporte resultados con una fiabilidad muy interesante desde el punto de vista de un aprendizaje supervisado por el operador; lo cual es importante para las peque\u00f1as empresas porque no necesita de una gran inversi\u00f3n ni de gran tiempo de puesta en marcha, unas de las barreras m\u00e1s habituales para la puesta en marcha de este tipo de procesos.<\/p>\n