Industrial Automation

Desde el año 2001, teníamos un factor más con que lidiar en PDVSA. Debíamos manejar nuestro exigente trabajo técnico con el álgido entorno político que se gestaba, nunca antes visto al interior de la industria. No estábamos preparados para ello, creo que ni los altos niveles gerenciales, y no había porqué. Éramos un ente técnico con la misión de producir. La política, no esa parte del portafolio.    Esta visión no la compartían los nuevos actores y autoridades nacionales, lo que daría  mas  tarde origen al Eclipse de la Industria Petrolera Venezolana.   La fusión de las tres grandes operadoras  Maraven ,  Lagoven  y  Corpoven  me pareció un éxito. El “choque de culturas corporativas” resultó en una extraordinaria oportunidad para el amalgamiento de ideas, mejoramiento de procesos, intercambio de experiencias, compartir la visión del negocio y, sobre todo, para hacer nuevos colegas y amigos con otra cultura empresa...

by Pedro Perdomo A Virtual Sensor Implementation using digital twin models . You need data to train a virtual sensor. This was the main problem to surpass in this project.  So , how do you pretend training  a neural sensor without data collected? We started this project with no data in advanced. Starting to collect data and wait for extreme conditions to occur, ie. operating the column and the plant  over limit conditions was not a good idea for operators. We needed to collect data, good amount of data, but with variety.  We tried to produce this by operating at limits , but it is not always possible. In each condition you have to wait for stabilization and in the other hand, you need to collect samples to the lab. These are real issues once you try it out.  We had a digital model  of the column in a popular simulation software.  This digital model was recently certified by comparing with real data in a very good range of operat...

by Pedro Perdomo El hombre ha evolucionado de ser puramente reactivo, basado en su propia percepción principalmente de supervivencia, al Cyber Robot basado en el análisis de datos y la visión del futuro. La evolución de las herramientas de Machine Learning nos brinda esta nueva oportunidad. De una manera muy simple, el aprendizaje automático incluye métodos para predecir situaciones, basados en datos y patrones que ya han ocurrido antes. Hoy en día, los algoritmos más sofisticados de "aprendizaje profundo" con redes neuronales aún no son perfectos y cometen errores. La evolución permite que la sociedad explore la diversidad y la complejidad casi ilimitadas de los fenómenos científicos, pero incluso las técnicas computacionales sofisticadas como el aprendizaje automático y la inteligencia artificial no pueden proporcionar los ajustes abiertos asociados con la evolución. Así como los humanos no han sido capaces de alcanzar el 100% de precisión, espero que ...

The third model in the picture fit better the predictor variable. It models the training data so well !   But it is not the best one ! Putting it into production will produce big prediction errors over new data. “Overfitting is a modeling error that occurs when a function is too closely fit to a limited set of data points. Overfitting the model generally takes the form of making an overly complex model to explain idiosyncrasies in the data under study “ (1)   . Machine Learning is not to compete with a formal math function. It is not a good idea to compare with formal math equations. Machine learning algorithms describe the world in some different way, not fully comprehensible, but for sure most of the time even more accurate than math models developed by scientist.

by Pedro Perdomo 20 years ago, we implemented a virtual sensor using neural networks with no more than a couple of hidden layers. When I trained my first two-layer neural network to predict the content of methane in the bottom of a  deethanizer  column, I realized that more than one layer did not improve my virtual sensor results. Why no limit today in the internal or hidden layers? Why deep learning?   First, computing power has been increasing, so training neural networks with many layers is now feasible. Second, why so many layers if  not  a  big amount  of data available . And third, if you just add layers, you will run into some issues, the neural networks will take a long time to train, some of the layers will become all zero and worst, no better results.  Researchers have developed “tricks” and techniques to get deep neural networks to work. Neural networks with many hidden layers have enabled dramatic improvements in hard p...

¿Cómo puede una Red Neuronal ayudar en la prospección? Un enfoque común es identificar al siguiente comprador mediante la minería de datos de Internet. Lo que mencionas en las redes sociales, lo que buscas, lo que te gusta, a lo que le haces retuit, un producto o servicio, son datos primordiales que tienes que capturar y procesar. Sin embargo, las personas que ya están   buscando activamente en línea no son los mejores compradores potenciales   o prospectos. Aunque los humanos no siguen una lógica bien definida, tenemos algunos patrones repetidos. A menudo compramos las mismas cosas, nos comportamos de una manera similar y seguimos intuiciones similares. Por lo tanto, si podemos aprender el patrón del comprador,  ¡podemos ser capaces de identificar al siguiente comprador también! Cuando nos fijamos en los algoritmos de ML, las redes neuronales son uno de los algoritmos más utilizados hoy en día. Una de las principales razones de su uso es porque puede c...

Datos, redes, almacenamiento, algoritmos, “machine learning”, IT/OT, conforman el “team” de la década. El desarrollo y la integración de estos elementos abrirá nuestro conocimiento a eventos que siempre han estado ahí, pero que no los veíamos. El aumento en la capacidad de procesamiento, transferencia y almacenamiento de datos es indetenible.   La capacidad de almacenamiento de datos no parece ser un problema. El ”Cloud”   y el ”BigData”   parecen no tener límites. La capacidad de comunicación va como un “skyrocked” . Las redes 5G, el espacio satelital y el canal cuántico, vienen con capacidades impresionantes. El poder de procesamiento no parece ser un problema y parece que los ”cúbits” pronto reemplazarán al tradicional ”bit” bajo la umbrela de nuevos desarrollos en computación cuántica . Lo más deseado será data disruptiva, sensores innovadores que complementen nuestros sentidos humanoides. Con toda esta plataforma en línea y con perspectivas de crecimient...