Machine Learning para los END, más allá de un sistema experto

Hace algunos años que se intentan introducir los avances de la inteligencia artificial en casi todos los sectores técnicos. Con los ensayos no destructivos (END) no podía ser de otra manera. En estas inspecciones se analiza la integridad de componentes o materiales, mediante la interpretación de diferentes señales o imágenes. 

De esta forma, un experto en un determinado ensayo (por ejemplo, ultrasonidos o las corrientes inducidas) es capaz de discriminar entre indicaciones sin importancia y verdaderos defectos que deben ser reportados y estudiados. Todas estas técnicas, están fuertemente procedimentadas, reguladas y siempre requieren de un riguroso entrenamiento que capacite a una persona a realizar este trabajo. 

Con la inteligencia artificial y más concretamente el área del aprendizaje automático (Machine Learning), se pretende que los algoritmos aprendan de los datos sin un conocimiento a priori sobre el asunto o las relaciones entre sus variables, con el objetivo de que sean capaces de adquirir un “conocimiento” superior o al menos equivalente al de un experto. 

En Tecnatom, desde hace años, incorporamos a nuestro software herramientas de IA aplicadas a varios campos de los END. Un ejemplo claro consiste en la evaluación por corrientes inducidas de los tubos de los generadores de vapor de las centrales nucleares, unos componentes críticos en la operación de las mismas. Otro ejemplo adicional consiste en la incorporación de IA en la evaluación de los CSCAN de los registros de ultrasonidos.

¿Pueden los algoritmos de Machine Learning apoyar a los ensayos no destructivos?

La respuesta es: rotundamente sí.

De hecho, desde los comienzos de la inteligencia artificial, se inició un camino paralelo donde progresivamente se iban utilizando diferentes herramientas para mejorar los procesos de evaluación haciendo uso de sistemas de análisis automáticos basados en modelos matemáticos y sistemas expertos. 

Actualmente y, gracias al poder de computación actual, la mayoría de las líneas de desarrollo trabajan en algoritmos que aprenden de forma autónoma (supervisada o no) a solucionar una tarea, realizar clasificaciones o identificar patrones. Y precisamente esto es lo que se necesita en los análisis de componentes por medio de un END.

¿Cuáles son las mayores retos a la hora de ponerlos en práctica?

Uno de los primeros pasos con el que se debe lidiar a la hora de enfrentarse a un END con Machine Learning, es el disponer del conjunto de datos adecuado. 

Por una parte, es necesaria una cantidad importante de datos que sirvan de ejemplo para que los algoritmos aprendan. Este número tendrá una fuerte dependencia de la complejidad  de la tarea a resolver. Pero seguramente para solucionar aquellas tareas que no necesitan un gran conjunto de datos, no es necesario un algoritmo de Machine Learning, sino simplemente un sistema experto, robusto y con reglas definidas. 

Además, dentro de esos datos tiene que existir un número suficiente de muestras con aquellas casuísticas que queremos que aprenda a discriminar y en general se suele disponer de muy pocas indicaciones reales. Y también es necesario que los datos sean “comparables” por lo que deben estar de una forma u otra normalizados para que las variables irrelevantes no influyan en los resultados. 

La promesa de la Inteligencia Artificial ¿Qué beneficios aportara?

Fundamentalmente: consistencia, fiabilidad y rapidez. Y con todo ello, la evidente y perseguida reducción de costes. 

  • La consistencia y fiabilidad, debe ser demostrada con sus correspondientes pruebas de validación y cualificación, pero una vez conseguidos los ratios buscados, estos permanecen constantes en el tiempo, ya que no existen factores humanos y, por tanto, el índice de error se mantiene estable. 
  • La reducción de tiempo es otro parámetro que, en cualquier actividad industrial, es fundamental ya que repercute directamente en reducción de costes y mejora los servicios, proporcionado resultados de una forma mucho más directa. 

¿En qué punto estamos?

En primer lugar y, con la cantidad de algoritmos y redes disponibles, una opción es dividir las tareas de evaluación e implementar herramientas concretas y parciales, en lugar de intentar dar soluciones globales. 

También, es necesario hacer un planteamiento a medio/largo plazo, planteando los objetivos y orientando las inspecciones, desde la toma de datos hasta los procedimientos de evaluación a disponer de base de datos consistentes y útiles para entrenar a futuras herramientas SW. 

De esta forma, las ventajas son tan claras que se debe trabajar en su implantación. De una forma u otra, en el sector ya hay implantadas soluciones mixtas donde los expertos trabajan apoyándose en algoritmos que les ayudan a mejorar la calidad de sus procesos y a reducir los tiempos, dejándoles más tiempo para dedicarse a prestar atención a estudiar aquellas indicaciones que realmente guardan importancia. 

Si quieres saber más sobre la historia de IA y su aplicación en los END pincha en este enlace

Autor: Alfonso Laín

Dejar respuesta

Please enter your comment!
Please enter your name here