aPOYO LOGÍSTICO 4.0 char lo existente para hacer un sistema escalable capaz de predecir patrones de comportamiento (ligado a malfuncionamientos, modos de fallo, etc.), utilizando parte de la estructura y los datos recolectados hasta el momento. Para diseñar un nuevo sistema escalable, basado en las técnicas de aprendizaje automático que proporciona la IA, y que se actualice de acuerdo con los avances tecnológicos, se identifican cuatro fases: — fase 0: análisis del ciclo de vida del dato. — fase 1: visualización de datos (paneles de control inteligentes/dashboards). — fase 2: analítica en tierra, procesos de IA desarrollada/entrenada en cEsADAR. — fase 3: analítica a bordo, cálculo de disponibilidad de equipos embarcados en tiempo real. La primera fase se refiere a conocer la bondad de los datos; para ello es necesario evaluar el estado de los sensores, la validez de sus medidas y el proceso que se realiza desde la toma del dato a bordo hasta su envío y registro en las bb. DD. que se generen en tierra. una vez tengamos el dato válido y estructurado, en una segunda fase se podrá comenzar a visualizar en paneles de control (basados en Business Intelligence), parámetros de control obtenidos a partir de las variables registradas a bordo que puedan ser de interés para distintos actores del apoyo logístico: desde la JAL hasta el servicio de máquinas de un buque. El objetivo de estos paneles de control primarios es avanzar hacia el consumo de los datos generados a bordo de una forma intuitiva, ayudando a la toma de decisiones. La tercera fase supone el desarrollo de los procesos y algoritmos necesarios para poder calcular disponibilidades de equipos en un tiempo dado o la probabilidad a un modo de fallo concreto. Para ello son imprescindibles los datos recolectados hasta la fecha, tanto de operación (sIcP y sMbc) como de mantenimiento (Gestión del Apoyo Logístico Integrado de la Armada, GALIA). Distintos actores, como General Electric o Abb, ligados a la producción y mantenimiento de equipos navales, comienzan a ofrecer sus primeras soluciones para predecir comportamientos de sus equipos teniendo la mirada fija en el horizonte del aprendizaje automático. Esta fase es de capital importancia para el desarrollo del sistema. Además de datos fiables, no solo se debe contar con el conocimiento típico de un científico de datos, sino que es igualmente necesario el de operación y mantenimiento del equipo (personal de la Armada, registros de GALIA, etcétera). una vez entrenados y validados los algoritmos de la fase anterior, un paso adelante hacia un buque hiperconectado y que haga una gestión eficaz de los datos que genere, vendría con la cuarta fase: embarcar los modelos de predicción generados en tierra. Esto supondría un avance sustancial en la 2018 339
REVISTA-GENERAL-MARINA-AGOSTO-SEPTIEMBRE-2018
To see the actual publication please follow the link above