El Centro Tecnológico CIDAUT participa en el consorcio Detecta, formado por por dos clusters (AEI Ciberseguridad y FACYL), dos Centros Tecnológicos (CIDAUT y Funditec) y una empresa industrial (Industrias Maxi), cuyo principal objetivo es la generación de conocimiento predictivo para cubrir la necesidad de caracterizar los procesos industriales de carácter heterogéneo, incluyendo la maquinaria involucrada.
Bajo esta premisa, se pretende por tanto que se permita una detección de anomalías técnicas de forma temprana que permita no limitar la productividad en la planta industrial, disponer permanentemente de la información y conseguir una discriminación de anomalías entre eventos puramente técnicos y eventos relacionados con ciberincidentes.
En esta línea, la Industria 4.0 ha acelerado la digitalización de operaciones productivas, fomentando un incremento notable de productividad para atender la economía descentralizada de la era post covid. Este cambio de paradigma hacia sistemas hiper-conectados, ha puesto a prueba la función de mantenimiento y la sostenibilidad de los procesos de fabricación con los nuevos riesgos, no sólo de aprovisionamientos de activos, de fiabilidad y mantenibilidad de muy variadas tecnologías de proceso, sino también de riesgos de ciberseguridad asociados a la convergencia de las Tecnologías de la Información y las Tecnologías Operacionales (IT/OT).
Para llevar a cabo el proyecto era necesario poder establecer un entorno de laboratorio, fijado en una máquina de mecanizado real, en este caso en Industrias Maxi. Durante la investigación se eligieron tres indicadores considerados representativos del proceso: la temperatura, la corriente y la aceleración y se creó una caracterización del proceso basado tanto en los trabajos de los operadores de la máquina, como en las labores de mantenimiento, y en la asistencia remota que se puede requerir.
A partir de esa caracterización se comenzaron a registrar datos que dieron lugar a un histórico en el que, aplicando algoritmos de Inteligencia Artificial, se pueden identificar patrones y empezar a predecir posibles anomalías de comportamiento y sus causas. Se trata de una metodología 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 algún condicionante.
Todo este proceso se ha realizado en un breve tiempo: durante 88 días se han tomado alrededor de 7 millones de registros, quedando después del procesado en 1 millón de registros, siendo estos los utilizados para el entrenamiento y la validación de los modelos.
Los resultados obtenidos coinciden con los valores que se asemejan mucho a los que estableció como criterio límite el experto, lo que indica que el modelo está utilizando correctamente las variables y establece buenos umbrales, por lo tanto, es confiable.
Al finalizar el proyecto se ha obtenido una plataforma a través 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 continúa su proceso de aprendizaje y detecta algunas “falsas alertas”, que, en palabras de José Félix Ovejero, responsable de fabricación e IT en Industrias Maxi, “estamos 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”.
Conclusiones
Con el enfoque llevado a cabo durante el proyecto se ha obtenido un dataset de registros de una máquina supervisados por operadores y por expertos del proceso; se han identificado anomalías correspondientes a programas de mecanizado, se ha tenido la posibilidad de tener ese histórico, analizarlo, buscar patrones y empezar a predecir posibles anomalías de comportamiento, en un tiempo inferior a cuatro meses.
De cara a futuro, esta investigación supone que una empresa que lleve un registro habitual de datos puede obtener una caracterización 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 pequeñas empresas porque no necesita de una gran inversión ni de gran tiempo de puesta en marcha, unas de las barreras más habituales para la puesta en marcha de este tipo de procesos.
