AEI de Seguridad - Agrupación Empesarial Innovadora para la seguridad de las redes y los sistemas de información

En su fase 2 el proyecto DETECTA aborda el desarrollo e implementación de modelos de detección de anomalías, con importantes mejoras en comparación con la Fase 1.

Una de las claves fundamentales de este progreso ha sido la incorporación de una sensórica más avanzada, integrada directamente en la maquinaria de producción. Esto ha permitido recolectar datos de forma automática a través del autómata y el PLC, brindando una visión más precisa y detallada del estado de la máquina.

El aprendizaje no supervisado ha jugado un papel crucial, ofreciendo la capacidad de identificar desviaciones de la normalidad sin la necesidad de etiquetas previas, acelerando el proceso de análisis de datos e identificación de resultados esperados. Esto resulta especialmente valioso en un entorno donde cada pieza de trabajo es única y no se ajusta a un lote estándar.

El actual enfoque semisupervisado es capaz de captar patrones sutiles y complejos que pueden indicar una anomalía emergente, brindando a los operadores la oportunidad de intervenir de manera proactiva y evitar interrupciones o daños en la producción. Para ello, existe un Módulo de Novedad que identifica nuevos patrones de datos que el sistema de Inteligencia Artificial no ha visto antes, y un Módulo de Anomalías Puntuales y por Patrón que permite diferenciar entre anomalías que son incidentes únicos y aquellos que siguen un patrón específico, probablemente indicativo de problemas más sistémicos.

Los modelos han sido probados en datos procedentes del entorno de producción real, utilizando datos recogidos durante los meses de febrero y marzo, reflejando así el comportamiento auténtico de la fresadora.

Gracias a este enfoque semisupervisado se ha podido hacer un sistema de Inteligencia Artificial donde las anomalías detectadas se basan en la utilización, combinadas con las posiciones o movimientos atípicos Además, destaca la identificación de novedades que podrían indicar patrones emergentes y no necesariamente anomalías, lo que representa un avance significativo en la flexibilidad de la detección de irregularidades.

Esta metodología ha logrado reducir la tasa de falsos positivos al 10%, un logro notable en comparación con la fase anterior, que tenía una tasa del 44%. Sin embargo, actualmente la tasa de falsos negativos es del 20%, lo cual subraya la complejidad de la nueva sensórica y la importancia de acumular más datos históricos para mejorar la inferencia de los modelos supervisados. Lo esperado es que, a medida que se recolecte más información, la precisión de los modelos continúe mejorando de manera sustancial.

Los avances presentados no solo mejoran la capacidad predictiva y la eficiencia operativa, sino que también fortalecen la postura de ciberseguridad al detectar anomalías que podrían ser indicativas de ciberataques potenciales.

El proyecto Detecta F2 está financiado por el Ministerio de Industria y Turismo a través de la línea de ayudas de apoyo a las Agrupaciones Empresariales Innovadoras, en su convocatoria del 2023 en el marco del Plan de Recuperación, Transformación y Resiliencia.