Diplomado en Internet of Things y Machine Learning aplicados en minería

Al final del curso podrás:
- Analizar críticamente los alcances e impactos potenciales en la gestión de las empresas mineras de la Minería 4.0.
- Distinguir los alcances y potencialidades de la propagación inalámbrica y de las arquitecturas tipo de la internet de las cosas.
- Determinar alcances y potencialidades de IIoT en el contexto de la industria 4.0, componentes y modelos de referencia de la arquitectura IIoT y estándares de dispositivos comerciales disponibles.
- Reconocer la importancia de los estándares de interoperabilidad, para que los dispositivos y sistemas de diferentes proveedores y fabricantes puedan comunicarse y trabajar juntos de manera eficiente en el entorno IIoT.
- Reconocer las potenciales vulnerabilidades asociadas al entorno IIoT y medidas que garanticen su seguridad y privacidad

Contenidos:
El concepto de industria 4.0
• Introducción a internet de las cosas.
• Internet industrial de las cosas.
• Aprendizaje de máquinas.
• Aprendizaje profundo.
• Gemelos digitales y sistemas ciberfísicos.
• El concepto de Minería 4.0.
• Minería 4.0, mitos y realidades.
• IoT, IIoT, ML, DL, DT, CPS y Minería 4.0.
• Hojas de ruta en la Minería 4.0 y desafíos.

Propagación inalámbrica y redes de comunicaciones
• Pérdida de potencia por distancia, desvanecimiento, presupuesto de enlace.
• LAN. PAN. WAN. LPWAN.
• Redes celulares.
• Modelo de capas.
• Redes P2P.
• Redes Mesh.
• Redes ad-hoc.
• Redes tipo estrella.
• MANET.
• Capa física.
• Capa de enlace, mecanismos de regulación de acceso al medio, control de flujo, control de errores y de incertidumbre del canal.
• Modelo TCP/IP de internet.

Estándares de comunicaciones inalámbricas para IoT
• Normas IEEE 802.11, 802.15, Zigbee, LoRa.

Introducción a IIoT y su impacto en la industria
• Historia de la industria y su evolución a la era de IIoT.
• Impacto de IIoT para la industria.
• Desafíos.
• Casos de uso en diferentes aplicaciones tanto en Chile, como en el extranjero.
• El modelo de referencia IoT de Cisco.
• IIRa (Industrial Internet Reference Architecture).
• Edge Computing.

Estándares de interoperabilidad con sistemas ERP, MES y SCADA
• Sistemas ERP, MES y SCADA.
• Protocolos de comunicación industriales (OPC, OPC -UA).
• Protocolos IIoT (MQTT, COAP).
• Capacidades tiempo - real.
• Modularidad.
• Seguridad y privacidad en IIoT.
• Conexiones inseguras.
• Malware y virus.
• Ingeniería social.
• Framework de Seguridad del IIC (Industrial Internet Consortium).

Al final del curso podrás:
- Identificar potencias y limitaciones del Aprendizaje Automático o Machine Learning (ML) y Aprendizaje Profundo o Deep Learning (DL), para la resolución de problemas en diferentes industrias.
- Utilizar diferentes modelos, aplicando técnicas para su entrenamiento, evaluación, comparación, y refinamiento de desempeño en diferentes industrias.
- Proponer un plan estratégico de desarrollo de tecnología basada en ciencia de datos, alineado con la estrategia corporativa.
- Utilizar modelos de redes neuronales profundas en contextos de visión computacional, detectando objetos e interpretando contenido de imágenes.
- Resolver problemáticas en textos no-estructurados de diferentes tipos y orígenes utilizando modelos de Procesamiento de Lenguaje Natural.

Contenidos:
Introducción, conceptos, gestión de datos
• Metodología de desarrollo de modelos (CRISP-DM, KDD, otros).
• Pre-procesamiento de datos.

Evaluación y selección de modelos
• Workflow de evaluación.
• Hold out, Cross Validation, refinamiento de hiper-parámetros.
• Métricas de evaluación.
• Accuracy, Precision, Recall, RMSE.

Modelos de aprendizaje automático supervisado
• Modelos de regresión numérica.
• Regresión Lineal y no-lineal.
• Modelos de clasificación, capacidades y características, así como ejemplos de aplicación.
• Entre los modelos: árbol de decisión, Random Forest, KNN, Naive Bayes, SVM, redes neuronales.

Modelos de aprendizaje no-supervisados
• K-Means, DBSCAN, HDBSCAN.

Modelos de aprendizaje profundo:
• Introducción y conceptos esenciales: ejemplos de aplicaciones en visión computacional y en procesamiento de lenguaje natural con modelos pre-entrenados (ej: YOLO).
• Análisis y reducción dimensional.
• Principal Component Analysis.
• Características de las redes neuronales y conceptos básicos (álgebra lineal, funciones de mapeo). Diferentes topologías de redes profundas: FFN, convolucional, recurrente.
• Aplicación en contextos de información no-estructurada: procesamiento de video (visión computacional), procesamiento de texto natural (NLP y NLU), Word Embedding, redes neuronales convolucionales, Transformers.
• Modelos no-supervisados profundos: Autoencoders, Generative Adversarial Networks, Restricted Boltzmann Machines.
• Mención y uso práctico de transformers.

Al final del curso podrás:
- Identificar los aspectos centrales asociados a la gestión de activos físicos en minería.
- Identificar los principios de mantenimiento reactivo, predictivo, sintomático en minería.
- Manejar los conceptos de confiabilidad de activos y tiempos de vida útil de activos en minería.
- Aplicar metodologías de machine learning, para el desarrollo de estrategias de mantención en minería.
- Evaluar el impacto de estas estrategias en la cadena de valor de la gestión de activos físicos en minería.

Contenidos:
Fundamentos de la aplicación de Machine Learning en gestión de activos físicos
• Análisis estadístico exploratorio de datos.
• Aprendizaje de máquina en diagnóstico de fallas de activos físicos.
• Aprendizaje de máquina aplicado a confiabilidad y mantenimiento.

Desarrollos de ML para gestión de activos físicos
• Relevancia de las aplicaciones en la cadena del valor de la minería, aspectos económicos, sociales y ambientales.
• Caso base sin Minería 4.0.
• La propuesta de valor de la Minería 4.0.
• Aspectos técnicos de la propuesta de valor.
• Estado de la implementación.
• Desarrollos y desafíos futuros.
• Discusión.

Data Science en mantenimiento. Aplicaciones en Minera Los Pelambres
• Mantenimiento en el contexto de la industria 4.0.
• Aplicaciones de Data Science en mantenimiento.
• Casos de usos seleccionados en Minera Los Pelambres.
• Desafíos y aprendizajes.

Desarrollos en Honeywell para gestión de activos físicos
• Relevancia de las aplicaciones en la cadena del valor de la minería, aspectos económicos, sociales y ambientales.
• Caso base sin Minería 4.0.
• La propuesta de valor de la Minería 4.0.
• Aspectos técnicos de la propuesta de valor.
• Estado de la implementación.
• Desarrollos y desafíos futuros.
• Discusión.

Servicios de tribología basados en IIoT y ML
• Relevancia de los servicios en la cadena del valor de la minería, aspectos económicos, sociales y ambientales.
• Caso base sin Minería 4.0.
• La propuesta de valor de la Minería 4.0.
• Aspectos técnicos de la propuesta de valor.
• Estado de la implementación.
• Desarrollos y desafíos futuros.
• Discusión.

Al final del curso podrás:
- Identificar los conceptos fundamentales de las tecnologías de automatización y control en la minería.
- Reconocer las tendencias modernas en automatización y control y su aplicación en el marco de la Minería 4.0.
- Identificar los fundamentos del control predictivo basado en modelos y control supervisor.
- Aplicar modelos determinados mediante ML/DL en control de procesos industriales de la industria minera

Contenidos:
Fundamentos de control automático
• Dinámica de procesos.
• Variables, sensores y actuadores, realimentación, estabilidad, control discreto y control continuo, controladores PID y sintonía de controladores, variantes del control PID, control multivariable.

Control optimizante
• Conceptos básicos de Model Predictive Control (MPC), modelos para MPC, función objetivo, cálculo de la ley de control.
• Ambientes para el desarrollo de controladores predictivos y control optimizante.
• Productos comerciales.
• Identificación de modelos empleando data driven.

Reinforcement Learning en control y optimización
• Relevancia en la cadena del valor de la minería, aspectos económicos, sociales y ambientales.
• Caso base sin Minería 4.0.
• La propuesta de valor de la Minería 4.0.
• Aspectos técnicos de la propuesta de valor.
• Estado de la implementación.
• Desarrollos y desafíos futuros.
• Discusión.

Convergencia IT-OT en proyectos de automatización
• Desafíos de la segregación IT-OT.
• La OT y las oportunidades en la nube ¿cómo se pueden alcanzar?
• Oportunidades de analítica avanzada en la OT.
• Modelos de soporte para aplicaciones avanzadas en la OT focalizado en la propuesta de valor.
• Desafíos del Data Science en las operaciones mineras.
• Desafíos en comunicar a la operación el valor que aporta la analítica avanzada.
• Desafíos de convertir al operador de consola en operador del negocio.

Desarrollos en Honeywell para control y optimización
• Relevancia de las aplicaciones en la cadena del valor de la minería, aspectos económicos, sociales y ambientales.
• Caso base sin Minería 4.0.
• La propuesta de valor de la Minería 4.0.
• Aspectos técnicos de la propuesta de valor.
• Estado de la implementación.
• Desarrollos y desafíos futuros.
• Discusión.

Al final del curso podrás:
- Identificar los conceptos básicos y las potencialidades de las tecnologías de simulación de sistemas.
- Describir los diferentes componentes de los gemelos digitales, sus ámbitos de aplicación y los beneficios que generan en distintos tipos de tecnologías y procesos.
- Reconocer las plataformas y productos comerciales para el desarrollo de gemelos digitales.
- Aplicar la metodología de gemelos digitales en problemas reales.
- Aplicar técnicas de ciencia de datos en geometalurgia.

Contenidos:
Modelación y simulación de sistemas
• Clasificación de modelos.
• Formulación, identificación y validación de modelos.
• Simulación de sistemas discretos.
• Simulación de sistemas continuos.
• Lenguajes de simulación: diagrama en bloques y orientado a ecuaciones.
• Plataformas de simulación.
• Interacción de componentes continuos y discretos.
• Ejemplos y aplicaciones.

Fundamentos de Digital Twins
• Qué es un DT.
• Historia de los DT.
• Tipos de DT.
• Industry 4.0 KET.
• DT como aglutinador de las KET.
• DT y metaverso.
• Capacidades de los DT.
• Comunicándose con un DT.
• Cómo almacenar un DT.
• Market Challenges en DT.
• DT Capabilities Periodic Table.
• Arquitecturas para-DT.
• DT Support Shell.
• Herramientas para la creación de un DT.
• DT en Supply Chain.
• DT en minería.
• Ejemplos de DT: Inspección remota.
• Manufacturing Plant.
• Training and Data Visualization.
• Astronomic DT.
• Pump Station DT.

Desarrollos de gemelos digitales en Siemens
• Relevancia de las aplicaciones en la cadena del valor de la minería, aspectos económicos, sociales y ambientales.
• Caso base sin Minería 4.0.
• La propuesta de valor de la Minería 4.0.
• Aspectos técnicos de la propuesta de valor.
• Estado de la implementación.
• Desarrollos y desafíos futuros.
• Discusión.

Desarrollos de gemelos digitales en Andritz (módulo desarrollado en idioma inglés)
• Software de simulación IDEAS.
• Aplicaciones en simulación de procesos, Operator Training Simulators, prueba lógica de DCS y APC.
• Desarrollos de gemelos digitales empleando IDEAS.
• Ejercicios prácticos.

Modelación geometalúrgica en Minera Los Pelambres
• Relevancia en la cadena del valor de la minería, aspectos económicos, sociales y ambientales.
• Caso base sin Minería 4.0.
• La propuesta de valor de la Minería 4.0.
• Aspectos técnicos de la propuesta de valor.
• Estado de la implementación.
• Desarrollos y desafíos futuros.
• Discusión.

Al final del curso podrás:
- Identificar el impacto y las potencialidades de proyectos de transformación tecnológica en minería.
- Reconocer los aspectos que habilitan la aplicación de las tecnologías de IIoT y ML/DL en minería.
- Distinguir las estrategias y los mapas tecnológicos que la minería está empleando en sus proyectos de expansión.
- Aplicar soluciones de IIoT y ML a problemáticas industriales de la minería.

Contenidos:
Proyectos de gran impacto para la transformación de una operación minera a Minería 4.0
• El negocio y su cadena de valor.
• Dolores versus oportunidades.
• Trade-off y selección de alternativas.
• Ejecución de los proyectos.
• Programa de gestión del cambio.
• Evaluación de resultados.

Habilitadores para la implementación de un programa de ML en Minería
• Estrategia.
• Personas.
• Procesos.
• Datos.
• Tecnologías.

Aplicaciones de ML/DL en uso eficiente de recursos y protección personal
• Relevancia de las aplicaciones en la cadena del valor de la minería, aspectos económicos, sociales y ambientales.
• Caso base sin Minería 4.0.
• La propuesta de valor de la Minería 4.0.
• Aspectos técnicos de la propuesta de valor.
• Estado de la implementación.
• Desarrollos y desafíos futuros.
• Discusión.

Estrategias, mapas tecnologías y tecnologías en proyectos expansión de Codelco
• Relevancia en la cadena del valor de la minería, aspectos económicos, sociales y ambientales.
• Caso base sin Minería 4.0.
• La propuesta de valor de la Minería 4.0.
• Aspectos técnicos de la propuesta de valor.
• Estado de la implementación.
• Desarrollos y desafíos futuros.
• Discusión.