Aire Acondicionado Automatización

Machine learning: aprendizaje automático y aplicaciones HVAC

El IoT es una herramienta poderosa que facilita el procesamiento y análisis de datos obtenidos de cualquier sistema de climatización para entender mucho mejor su comportamiento y, con el desarrollo de la tecnología, generar soluciones inteligentes para que los equipos operen de manera autónoma

Roberto Ramírez y Alberto Félix / Imágenes: cortesía de Emerson

Cada vez es más común encontrar en la vida diaria componentes IoT que permiten tener acceso, a través de la nube, a los registros de información generada por sensores, interruptores, actuadores, transductores, entre otros.

Como explica John Wallace en su artículo Applying machine learning beyond the hype, la posibilidad de conservar estos registros se ha incrementado, apoyada por el aumento en la oferta disponible y la reducción en los precios de almacenamiento. Lo anterior hace viable utilizar esta información para desarrollar algoritmos inteligentes con la finalidad de predecir resultados o comportamientos futuros.

El machine learning, (aprendizaje automático o aprendizaje de máquinas) es una subrama de las Ciencias de la Computación que hace referencia a la habilidad de una computadora de aprender sin necesidad de ser programada, y que se adapta a través de la experiencia. Este proceso se hace a través de algoritmos que, a partir de los registros de entrada que reciben, son capaces de mejorar su desempeño e incrementar su inteligencia con el paso del tiempo.

El término apareció, aproximadamente, en 1959, y su desarrollo se ha acelerado en los últimos años, permitiendo a las empresas actuar de forma proactiva mediante el aprovechamiento de la información predictiva que otorga el algoritmo, pues les brinda la ventaja de afrontar los retos de manera predictiva y no reactiva.

Figura 1. Proceso de aprendizaje automático

Su objetivo se puede resumir en los siguientes tres puntos:

  • Crear algoritmos capaces de identificar y predecir patrones de comportamiento o acciones a partir de la clasificación de registros de entrada.
  • Enfrentar y resolver problemas prácticos a partir de la identificación de patrones y la relación entre los datos de entrada.
  • Identificar o detectar comportamientos irregulares.

De esta rama de aprendizaje automático, se derivan principalmente dos tipos de algoritmos: aprendizaje supervisado y aprendizaje no supervisado; en ambos casos, la salida del algoritmo depende completamente de los registros de entrada utilizados para alimentar el modelo.

Figura 2. Creación de un modelo de aprendizaje automático

Desarrollo de un modelo de aprendizaje automático
El uso de este tipo de aplicaciones se ha incrementado a través de los años. A continuación, se muestran seis pasos que, de acuerdo con Wallace resumen la creación de un modelo:

  1. Tener una idea clara del problema que se intenta predecir o resolver.
  2. Desarrollar una estrategia para la recolección de datos, que se obtienen de información, como temperatura, presión, ciclos de encendido/apagado, etc., y son utilizados en dos grupos: el primero se utiliza para alimentar el algoritmo (datos para entrenamiento), y el segundo se usa para evaluar su desempeño (datos para validación). El objetivo de esta etapa es predecir la acción que ocurrirá para un conjunto de datos recolectados.
  3. Generación de un algoritmo de aprendizaje automático a partir de un modelo matemático capaz de predecir una salida o un comportamiento con base en los datos de entrada. Se recomienda el diseño de diferentes modelos para, posteriormente, poder elegir el que presente el mejor desempeño.
  4. Evaluación de los resultados del sistema para poder definir el desempeño del modelo matemático, considerando qué tan cercana es la predicción del resultado a partir de los datos de entrada. Una vez que se obtienen los resultados deseados, es decir, un algoritmo que anticipe el resultado en todo momento, se utiliza el modelo para avanzar al siguiente paso.
  5. Prueba del algoritmo con los datos del grupo de validación para ver qué tan bien funciona el modelo. Si los datos de validación no coinciden con las expectativas, es posible que se deba seleccionar un modelo matemático diferente y luego confirmarlo con los datos de validación. Es necesario asegurarse de recopilar los tipos de datos correctos antes de volver a ejecutar el proceso.
  6. Inicia el aprendizaje automático a partir del modelo matemático validado para predecir una acción o resultado en función de los datos de entrada. En caso de que los parámetros de entrada cambien o se realice una modificación mayor al sistema, se recomienda actualizar el modelo en función de los nuevos datos.

Figura 3. Aplicación de aprendizaje automático a datos de sistemas de refrigeración

Aplicación para refrigeración
En los sistemas de enfriamiento comercial existen diferentes áreas de oportunidad en las que el machine learning podría ayudar a mejorar su eficiencia. Un ejemplo es el modelo desarrollado por Emerson, que permite informar de manera predictiva la presencia de fugas de refrigerante en un sistema para obtener ahorros en consumo de energía y en carga del gas, así como un apoyo para la disminución en el impacto al medioambiente debido a las fugas.

Este sistema utiliza información en tiempo real, combinando un método directo, a partir de un sistema modular para la detección de fugas que envía información al controlador principal, y un método indirecto, a través de los registros generados por los sensores de temperatura, transductores de presión y sensores de nivel de líquido conectados al controlador de refrigeración. Esta información alimenta un algoritmo avanzado para identificar las fugas de refrigerante de manera predictiva y envía las alertas correspondientes para que la falla pueda ser atendida.

Figura 4. Administración de unidades HVAC con machine learning

Aplicaciones HVAC
Los supermercados, centros comerciales y edificios cuentan con una cantidad calculada de unidades de HVAC para brindar un ambiente confortable a las personas. Se trata de sectores en los que el machine learning puede apoyar a generar ahorros en consumo de energía, a través del control de la demanda, capturando la información generada por los sensores de temperatura de zona, de temperatura de inyección y de ambiente, ciclos de encendido/apagado de los compresores y medición de consumo de energía. Esto para crear un modelo matemático que ayude a predecir el momento en el que una unidad HVAC debe encenderse o apagarse, y coordinar el encendido, con la finalidad de impedir que se realice de manera simultánea, evitando así los picos de demanda de energía no deseados.

Una tecnología en auge
El aprendizaje automático es un proceso iterativo en el que se debe procurar la generación de un algoritmo modular y de fácil experimentación. En este artículo se presentaron 6 pasos recomendados para la creación de un sistema de machine learning con un ejemplo de aplicación en funcionamiento en el que se ven reflejados los beneficios en el corto plazo. Además de ser efectiva, la tecnología tiene un amplio espectro de aplicación como: marketing, entretenimiento, medicina, meteorología, finanzas, entre otros. Aunado al avance en la capacidad de procesamiento y con la llegada de nuevas tecnologías, existen cada vez más y mejores técnicas para aplicar esta solución. El algoritmo que se desarrolle estará determinado por lo que el usuario quiera que la máquina aprenda.
——–

Roberto Ramírez
Ingeniero en Mecatrónica por el IPN y maestro en Automatización por el ITESM. Cuenta con más de 15 años de experiencia en proyectos de automatización industrial, transporte vertical, y control de HVAC y refrigeración. Actualmente es gerente de Retail Solutions en Emerson.

Alberto Félix
Es ingeniero en Mecatrónica por la UNAM. Tiene más de 5 años de experiencia en el desarrollo de aplicaciones para control HVAC y refrigeración. Actualmente es ingeniero de aplicaciones en Emerson.

Comentarios

Deja un comentario

Or

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Scroll to top