Diplomado en Internet of Things y Machine Learning aplicados en minería

La internet de las cosas (IoT del inglés “Internet of Things) es una red de gran escala formada por billones de dispositivos conectados a Internet, capaces de interactuar sin intervención humana. Su impacto está siendo visible no solo en la vida cotidiana, sino que revolucionando a la industria de raíz. Por otra parte, el desarrollo de la ciencia de datos, de algoritmos y técnicas relacionadas con inteligencia artificial, están impactando de forma relevante la ingeniería y la industria en general.

La industria minera, que se caracteriza por ser una actividad industrial compleja, con una gran variedad de procesos técnicos y de negocios, y que por su escala genera una gran cantidad de datos, no ha estado ajena a estas tendencias. Las empresas del sector están desarrollando esfuerzos cada vez más sistemáticos por incorporar aplicaciones de IoT, ciencia de datos, aprendizaje de máquina, aprendizaje profundo y gemelos digitales. Estas aplicaciones incluyen tanto el análisis desde la perspectiva operacional y de negocios de unidades productivas, como del desarrollo de sistemas y plataformas de control de procesos, basados en modernos sistemas de comunicaciones y modelos derivados de análisis de datos; se abren nuevas oportunidades para el mantenimiento y la gestión de activos físicos, así como la instrumentación, el control y la optimización de procesos.

Este Diplomado entrega una visión global del internet de las cosas y sus alcances en la industria minera. Se explorarán los orígenes, tecnologías, arquitecturas y productos comerciales disponibles, de forma de comprender las distintas etapas de diseño e implementación de un sistema basado en la IoT para entornos industriales. Por otra parte, para poder abordar las oportunidades que abre la ciencia de datos en minería y gestionar su incorporación efectiva en el negocio minero, es necesario que los profesionales tengan un conocimiento más profundo de las técnicas y metodologías involucradas. Además de la escala propia de este tipo de aplicaciones, es necesario distinguir las técnicas de almacenamiento, procesamiento y análisis de grandes cantidades de datos, así como de los canales de aplicación específicos de estas técnicas en los procesos mineros, incluyendo aplicaciones basadas en Machine Learning (ML) y Deep Learning (DL). El programa proporciona los principios fundamentales y las competencias básicas en aplicaciones de almacenamiento, procesamiento y analítica de datos, con un estudio acabado de áreas de aplicación prioritaria en la industria minera, específicamente en gestión de activos físicos, automatización, control y optimización de procesos y en el desarrollo de gemelos digitales. Así mismo, se destacan aplicaciones en modelación geometalúrgica, uso eficiente de recursos y protección personal, y los aportes de IoT y ML en la convergencia tecnológica y la transformación digital. Por último, el Diplomado releva la importancia de los elementos habilitadores en el ámbito estratégico, de las personas y de los procesos.

Se trabaja en una modalidad remota (streaming), con actividades no presenciales y horas de estudio personal. Las clases son tanto de tipo expositivo, como talleres aplicados con metodología hands on. Todas las actividades teóricas y prácticas buscan potenciar las habilidades de capacidad de análisis, toma de decisiones y el trabajo en equipo, a través de participación del estudiante en las sesiones de los diferentes cursos.

Profesionales de la ingeniería eléctrica, electrónica, minera, metalúrgica, química o geología que requieren conocimientos y habilidades básicas en la materia, para profundizar en ellas posteriormente o bien para interactuar activa y adecuadamente con grupos especializados en IoT y/o Machine Learning, Deep Learning o Digital Twins para la generación de aplicaciones en minería.

Profesionales que se desempeñan en el negocio minero y deseen actualizar conocimientos o adquirir competencias, para abordar el desafío de aprovechar técnicas de IoT y análisis de datos, con el objetivo de respaldar la toma de decisiones claves en el negocio minero.

Identificar las potencialidades de los sistemas basados en la internet de las cosas, las técnicas de aprendizaje de máquina, la automatización, el control y los gemelos digitales con foco en la minería inteligente.

Licenciatura en ciencias de la ingeniería o título de ingeniería civil.

Otro grado académico o título profesional universitario en una disciplina afín, que cuente con una base matemática sustantiva y cuyo nivel sea al menos equivalente al necesario para obtener el grado de licenciado.

Se recomienda:
– Experiencia laboral de 2 años en el área de la minería.
– Manejo del idioma inglés, para poder acceder a algunos materiales de clases y bibliografía. En el programa hay un módulo que será impartido parcialmente en este idioma, pero se entregará material de apoyo en español, para que el estudiante tenga la posibilidad de revisarlo.

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 resolver problemas en diversas 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 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 conceptos de confiabilidad de activos y tiempos de vida útil de activos en minería.
– Aplicar metodologías de machine learning para desarrollar estrategias de mantención en minería.
– Evaluar el impacto de las 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 y sus aspectos técnicos; Estado de la implementación; Desarrollos y desafíos futuros, y 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 y sus aspectos técnicos; Estado de la implementación; Desarrollos, desafíos futuros, y 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 y sus aspectos técnicos; Estado de la implementación; Desarrollos, desafíos futuros y discusión.

Al final del curso podrás:
– Identificar conceptos fundamentales de tecnologías de automatización y control en minería.
– Reconocer 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 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 y sus aspectos técnicos; Estado de la implementación; Desarrollos, desafíos futuros y 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 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 y sus aspectos técnicos; Estado de la implementación; Desarrollos, desafíos futuros, y 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.

Gemelos digitales, una mirada desde el desarrollo de Software: Introducción y objetivos; Ecosistema de Tecnologías y herramientas de software; Programación de simulaciones discretas y continuas; Generación, integración y ejecución de modelos; Manejo de datos reales, sensores virtuales y data sintética; Aplicación y caso de uso.

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.