El Internet de las Cosas en general, y el Industrial (IIoT) en particular, son percibidos desde diferentes puntos de vista por cada uno de los actores implicados. Por un lado, para los vendedores es una tendencia de vanguardia a gran escala que afecta tanto a sus clientes actuales y potenciales, como a su estrategia de marketing.

Para el sector industrial sigue siendo una amalgama de conceptos técnicos, opiniones -a veces contradictorias- y soluciones de gran potencial cuya manera de instaurar no está clara aún.

Por otro lado, para los desarrolladores es un momento clave para sacar a la luz una seria de herramientas y tecnologías que resuelvan el paradigma (I)IoT, y que probablemente ya venían usando bajo otro nombre.

En el desarrollo de un proyecto IIoT se pasa de unas especificaciones iniciales a una implantación de la solución propuesta, y uno de los principales puntos a tratar es cómo los datos generados por los dispositivos de muestreo fluirán a través del sistema.

Es imprescindible que al hablar de datos, los intentemos visualizar durante todo su vida útil, la cual podemos dividir en tres etapas:

1. La primera etapa es la digitalización del dato, que tiene lugar en los dispositivos de muestreo a pie de fábrica, y que continuación, se envía a través de Internet.
2. La segunda etapa concierne a cómo el sistema central recopila, almacena y organiza esos datos.
3. La tercera etapa comprende al uso que se le dará a esos datos, aquí distinguiremos entre el uso inmediato y/o histórico, que corresponde a la bien conocida telemetría usada para la monitorización de activos, y el posible uso a futuro que se pueda hacer de los datos, que es lo que conformará los ya denominados Big Data y su socio el Machine Learning.

A tenor de esto, la vida útil del dato debemos pensarla más allá de la clásica telemetría, ya que el Big Data es la puerta a la Industria 4.0 y una vez tengamos un volumen de datos significativo, estaremos en disposición de reestudiarnos y en consecuencia reinventarnos desde el punto de vista que más nos interese: productividad, optimización de costes, mantenimiento predictivo, aprovechamiento de tiempos de parada…

Llegados a este punto, y en virtud de poder abordar la fase del binomio Big Data-Machine Learning, será de vital importancia la plena disponibilidad de los datos que con tanto trabajo y presupuesto hemos sacado de fábrica.

Como cliente final, en la definición de la fase de almacenamiento, los datos deben alojarse en servdidores propios, ya sean externos (cloud) o internos, permitiendo una integración de datos vertical y horizontal con todos los sistemas de información de la empresa: MES, ERP, GMAO, IIoT Dashboard…, ya que de lo contrario se corre el peligro de que el dato que pensamos que es nuestro, al final ni sea tan nuestro ni tan disponible como presuponemos.  

A veces nos han preguntado, ¿cuál es el impacto de las tecnologías cloud en la propiedad de los datos?, y la verdad no es ni fácil ni conciso contestar a esto dado el ‘vacío legal’ existente al respecto, y a  los intereses creados por algunos fabricantes, por lo que siempre respondemos,

“tu dato debe ser tuyo, así como la responsabilidad de hacerlo acabar en tus servidores”.

En pocas palabras, en la fase de diseño de un sistema orientado a Industria 4.0 es primordial dejar todo bien atado, para a futuro poder conseguir nuestros objetivos de valor añadido. Concretamente, debemos prestar especial atención a la materia prima: nuestros datos.

Por último, os dejo algunas de las preguntas que nos planteamos a la hora de diseñar un sistema IIoT:

• ¿Cómo se van a extraer los datos de interés del origen?
• ¿Cuál va a ser el destino de los datos?
• ¿Qué papel jugará el análisis de los datos en el futuro?
• ¿Dónde residirán los datos?
• ¿Se van a realizar medidas en tiempo real, periódicas o en lotes?
• ¿Cómo se van a enviar los datos de interés al destino?
• ¿Cuántos dispositivos deben conformar la arquitectura de red?
• ¿Los datos se pre procesarán en origen o todo en destino?

 

Etiquetas : Industria 4.0Big DataInternet de las CosasMachine Learning