Diplomado en Internet of things y machine learning aplicados en minería

Docente(s): Juan Salas Morales y Mario Torres

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 2

Horas totales: 36 | Horas directas: 24 | Horas indirectas: 12

Descripción del curso 

El curso introduce a los estudiantes en los conceptos de Minería 4.0 y en los fundamentos de propagación inalámbrica, redes de comunicaciones, estándares de comunicaciones inalámbricas para internet de las cosas, internet de las cosas para entornos industriales y estándares de interoperabilidad, necesarios para una adecuada comprensión de las aplicaciones. El curso se basa en clases expositivas, presentaciones de ejemplos reales, una evaluación individual de conocimientos y un trabajo práctico grupal.

Resultados de aprendizaje:

1. Analizar críticamente los alcances e impactos potenciales en la gestión de las empresas mineras de la Minería 4.0.
2. Distinguir los alcances y potencialidades de la propagación inalámbrica y de las arquitecturas tipo de la Internet de las Cosas.
3. 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.
4. 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. 
5. 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).  

Estrategias metodológicas:

El curso se desarrollará mediante clases expositivas y trabajos prácticos. Para complementar su aprendizaje, el alumno deberá participar activamente en clases, revisar material complementario y desarrollar proyectos aplicados. Se trabajará en una modalidad remota (streaming), a través de plataforma Zoom + Moodle.

Estrategias evaluativas:

Control individual de conocimientos mediante preguntas en plataforma (50%)

Trabajo grupal aplicado, máximo 4 integrantes (50%)

Docente(s): Rodrigo Sandoval

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 2

Horas totales: 36 | Horas directas: 24 | Horas indirectas: 12

Descripción del curso 

En este curso se explicarán los conceptos, modelos y herramientas más conocidas de la ciencia de datos con una perspectiva práctica y de potencial aplicación, cubriendo desde las aplicaciones más conocidas del aprendizaje automático, hasta el uso de modernos modelos de aprendizaje profundo, para resolver algunas de las problemáticas industriales más relevantes en la actualidad. La metodología docente consiste en clases expositivas en las que se complementan los conceptos y la teoría con ejemplos reales y actividades individuales y grupales en las que los participantes desarrollarán ejemplos de las materias tratadas en clases, utilizando R, Python R-Project y Google Colaboratory Notebooks.

Resultados de aprendizaje:

1. 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.
2. Utilizar diferentes modelos, aplicando técnicas para su entrenamiento, evaluación, comparación, y refinamiento de desempeño en diferentes industrias.
3. Proponer un plan estratégico de desarrollo de tecnología basada en ciencia de datos, alineado con la estrategia corporativa.
4. Utilizar modelos de redes neuronales profundas en contextos de Visión Computacional, detectando objetos e interpretando contenido de imágenes.
5. 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

Estrategias metodológicas

El curso se desarrollará mediante clases expositivas y trabajos prácticos. Para complementar su aprendizaje, el alumno deberá participar activamente en clases, revisar material complementario y desarrollar proyectos aplicados. Se trabajará en una modalidad remota (streaming), a través de plataforma Zoom + Moodle.

Estrategias evaluativas

• Control individual de conocimientos mediante preguntas en plataforma (50%)
• Trabajo grupal aplicado, máximo 4 integrantes, (50%)

Docente(s): Carlos Turina, Eduardo Carvajal, Nicolás Tagle y Fernando Romero

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 2

Horas totales: 36 | Horas directas: 24 | Horas indirectas: 12

Descripción del curso 

El curso se inicia con una revisión de los conceptos fundamentales de la gestión de activos físicos, para a continuación presentar diferentes aplicaciones que combinan elementos de internet de las cosas y aprendizaje de máquinas, en las cuales, entre otros aspectos, se analizan su relevancia para la minería, se expone el caso base, se detallan aspectos técnicos y se plantean desarrollos y desafíos futuros. Cada aplicación es expuesta por un profesional con experiencia en el tema, y culmina con una discusión con los participantes en el curso.

Resultados de aprendizaje:

1. Identificar los aspectos centrales asociados a la gestión de activos físicos en minería.
2. Identificar los principios de mantenimiento reactivo, predictivo, sintomático en minería.
3. Manejar los conceptos de confiabilidad de activos y tiempos de vida útil de activos en minería.
4. Aplicar metodologías de machine learning, para el desarrollo de estrategias de mantención en minería.
5. 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.

Estrategias metodológicas:

El curso se desarrollará mediante clases expositivas y trabajos prácticos. Para complementar su aprendizaje, el alumno deberá participar activamente en clases, revisar material complementario y desarrollar proyectos aplicados. Se trabajará en una modalidad remota (streaming), a través de plataforma Zoom + Moodle.

Estrategias evaluativas:

Control individual de conocimientos mediante preguntas en plataforma (50%)

Trabajo grupal aplicado, máximo 4 integrantes, (50%)

Docente(s): Aldo Cipriano, Saúl Langarica, Fernando Romero y Roberto Razzetto

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 2

Horas totales: 36 | Horas directas: 24 | Horas indirectas: 12

Descripción del curso 

El curso se inicia con una revisión de los conceptos fundamentales de la automatización, el control y la optimización de procesos industriales, para a continuación focalizarse en aplicaciones de aprendizaje reforzado, convergencia entre tecnologías de información y control y desarrollos específicos para plantas de procesamiento de minerales. Metodológicamente el curso contempla clases lectivas, desarrollo de casos y discusión.

Resultados de aprendizaje:

1. Identificar los conceptos fundamentales de las tecnologías de automatización y control en la minería. 
2. Reconocer las tendencias modernas en automatización y control y su aplicación en el marco de la Minería 4.0.
3. Identificar los fundamentos del Control Predictivo basado en modelos y control supervisor.
4. 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.

Estrategias metodológicas:

El curso se desarrollará mediante clases expositivas y trabajos prácticos. Para complementar su aprendizaje, el alumno deberá participar activamente en clases, revisar material complementario y desarrollar proyectos aplicados. Se trabajará en una modalidad remota (streaming), a través de plataforma Zoom + Moodle.

Estrategias evaluativas:

• Control individual de conocimientos mediante preguntas en plataforma (50%)
• Trabajo grupal aplicado, máximo 4 integrantes (50%)

Docente(s): Aldo Cipriano, Carlos Toro, Luis Jaraquemada, Amandeep Rana y Alfonso Andía

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 2

Horas totales: 36 | Horas directas: 24 | Horas indirectas: 12

Descripción del curso 

El propósito de este curso es entregar a los participantes una comprensión integral del concepto y las aplicaciones de los gemelos digitales en el contexto de las operaciones y procesos mineros. El curso permite a los participantes adquirir conocimientos y habilidades necesarios para utilizar y gestionar gemelos digitales en la industria minera de manera efectiva, de manera de aportar a la eficiencia, productividad y sostenibilidad de la industria. Los gemelos digitales son uno de los componentes esenciales de los esfuerzos que está haciendo la industria minera, siendo un pilar fundamental para la aplicación de técnicas de IIoT y Machine Learning. Al igual que en otros cursos de este diplomado, metodológicamente el curso contempla clases lectivas, desarrollo de casos y discusión. Los contenidos pertenecientes al módulo “Desarrollos de gemelos digitales en Andritz”, se desarrollarán en idioma inglés por un docente experto en el tema. 

Resultados de aprendizaje:

1. Identificar los conceptos básicos y las potencialidades de las tecnologías de simulación de sistemas.
2. Describir los diferentes componentes de los gemelos digitales, sus ámbitos de aplicación y los beneficios que generan en distintos tipos de tecnologías y procesos.
3. Reconocer las plataformas y productos comerciales para el desarrollo de gemelos digitales.
4. Aplicar la metodología de gemelos digitales en problemas reales.
5. 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.

Estrategias metodológicas:

El curso se desarrollará mediante clases expositivas y trabajos prácticos. Para complementar su aprendizaje, el alumno deberá participar activamente en clases, revisar material complementario y desarrollar proyectos aplicados. Los contenidos pertenecientes al módulo “Desarrollos de gemelos digitales en Andritz”, se desarrollará en idioma inglés, pero se entregará material de apoyo en español, para que el estudiante tenga la posibilidad de revisarlo. Se trabajará en una modalidad remota (streaming), a través de plataforma Zoom + Moodle.

Estrategias evaluativas:

Control individual de conocimientos mediante preguntas en plataforma (50%)

Trabajo grupal aplicado, máximo 4 integrantes (50%)

*Todas las evaluaciones se realizarán en español.

Docente(s): Eugenio Gómez, Nicolás Tagle, Patricio Cofré, Nancy Pérez, Juan Carlos Salas y Aldo Cipriano

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 2

Horas totales: 36 | Horas directas: 24 | Horas indirectas: 12

Descripción del curso 

La implementación de un modelo digital es un proceso complejo y existen varias barreras que las organizaciones deben abordar para asegurar su correcta aplicación y uso. Entre las más destacadas se cuenta: complejidad, costo, seguridad de los datos, interoperabilidad y, tal vez la más relevante, resistencia al cambio de la organización. Este curso complementa entonces los cursos anteriores, en un análisis integrado de la implementación, con el objeto conocer y darle una mirada aplicada a los desafíos de gestión en un proyecto que involucre aspectos avanzados de digitalización, como IIoT y ML. La primera parte del curso se basa en clases lectivas y discusión de experiencias prácticas. En la segunda parte del curso, los/las alumnos deberán hacer uso de las habilidades y competencias adquiridas en el diplomado, y presentar el ante proyecto de aplicación en la minería de técnicas de IIoT y/o ML, que deberían haber venido desarrollando a lo largo del diplomado.

Resultados de aprendizaje:

1. Identificar el impacto y las potencialidades de proyectos de transformación tecnológica en minería.
2. Reconocer los aspectos que habilitan la aplicación de las tecnologías de IIoT y ML/DL en minería.
3. Distinguir las estrategias y los mapas tecnológicos que la minería está empleando en sus proyectos de expansión.
4. 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.

Estrategias metodológicas:

El curso se desarrollará mediante clases expositivas y trabajos prácticos. Para complementar su aprendizaje, el alumno deberá participar activamente en clases, revisar material complementario y desarrollar proyectos aplicados. Este curso incluye un taller aplicado en que los participantes expondrán los trabajos desarrollados en los cursos 3, 4 y 5, en los que ponen en práctica los contenidos de los cursos previos. Se trabajará en una modalidad remota (streaming), a través de plataforma Zoom + Moodle.

Estrategias evaluativas:

• Control individual de conocimientos mediante preguntas en plataforma (50%) 
• Presentaciones del trabajo grupal desarrollado a lo largo del Diplomado en que cada grupo tiene la oportunidad de revisitar y arreglar lo presentado para esta presentación final (50%).