TinyML: Detección de sustancias químicas nocivas en entornos hostiles

Aplicación del TinyML en la Industria Química 

En industrias como las refinerías y la química en general, siempre existe el riesgo de fugas de sustancias químicas o emisiones de gases perjudiciales. Estos incidentes no solo representan una amenaza para los empleados que trabajan en estas instalaciones, sino que también ponen en peligro a la población y al medio ambiente que le rodea. Sin un monitoreo y control adecuados, estas fugas pueden causar daños significativos en lugares inesperados y desatar consecuencias catastróficas a largo plazo. 

Actualmente, se implementan diversas medidas de seguridad y sistemas de control con límites predefinidos para detectar y notificar este tipo de fugas químicas. Hay soluciones comerciales que se adaptan a compuestos concretos y que suponen un proceso de instalación tedioso y rígido. 

Sin embargo, un modelo de clasificación puede mejorar considerablemente estos esfuerzos al identificar concentraciones de gases nocivos. Lo más impresionante es que estos modelos se pueden optimizar y ejecutar en dispositivos pequeños con recursos limitados, pero con gran autonomía, lo cual es ideal para un despliegue rápido, barato y flexible. 

Se debe tener en cuenta que instalar nuevos dispositivos de monitoreo en entornos de alta criticidad o en áreas con requisitos estrictos de certificación puede ser un desafío. Sin embargo, con los modelos de TinyML, podemos integrar capacidades de clasificación en dispositivos existentes que ya cumplan con los estándares de seguridad necesarios, recordemos que estos modelos no son invasivos con RAM o con memoria Flash.

Otro aspecto importante a tener en cuenta es la dificultad de instalar nuevos sistemas cableados junto a las configuraciones existentes en laboratorios o industrias químicas. Afortunadamente, los modelos de TinyML que se ejecutan en microcontroladores (MCUs) consumen una cantidad mínima de energía de la batería, lo que permite años de funcionamiento sin necesidad de recarga.

‍

Una plataforma que facilita el entrenamiento de modelos para este tipo de aplicaciones es Edge Impulse. Permite entrenar modelos utilizando datos de laboratorio. Solamente es necesario el sensor multicanal adecuado para comenzar a recolectar muestras de las sustancias químicas que deseamos detectar utilizando un sensor adecuado. 

Aquí hay un par de alternativas populares para prototipar este proyecto:

● MiCS-4514 gas sensor

● Multichannel Gas Sensor V2 de Seeed Studio 

Si bien estos sensores tienen algunas diferencias, ambos son capaces de detectar compuestos como:

Monóxido de carbono (CO)

Dióxido de nitrógeno (NO2)

● Etanol (C2H5CH)

Dióxido de nitrógeno (NO2)

● Amoníaco (NH3)

● Compuestos orgánicos volátiles (COV)

Al elegir un sensor que se ajuste mejor a nuestros requisitos específicos, podemos obtener mediciones temporales de series para la sustancia química objetivo (bajo exposición directa). Estos datos se pueden importar desde un archivo CSV o transmitirse a través de puertos serie o integraciones específicas proporcionadas por la plataforma del sensor elegido.

Recientemente, el maker Roni Bandini compartió su proyecto "Detect Harmful Gases" en el sitio web de Edge Impulse. El modelo entrenado en Edge Impulse es un modelo de clasificación con solo dos clases de salida: normal y dañino. Utilizando un clasificador de red neuronal simple con cuantización a int8, pudo detectar la presencia de sustancias químicas dañinas en poco más de 1 segundo. 

Este proyecto fue posible un Arduino Nano 33 BLE Sense, el modelo hace uso de 1.7K de RAM y 18.9K de memoria Flash. El tiempo de inferencia del modelo fue de sólo 1 ms, lo que lo hace adecuado para implementarlo en este y otros dispositivos similares.

Este escenario hace hincapié en los siguientes aspectos:

● Tener un modelo que sea capaz de ejecutarse en un dispositivo de consumo mínimo hace que se pueda prescindir de instalaciones complejas, rígidas y costosas.

● Poder desplegar un modelo de aprendizaje automatico con consumos de alrededor 1.7K de memoria RAM y 20K de memoria Flash, hace posible desplegar nueva inteligencia en dispositivos existentes sin necesidad de pasar por potenciales procesos de certificación (como puede ser la directiva ATEX).

● Plataformas como Edge Impulse facilitan/democratizan el proceso de ideación y creación de modelos para personal del laboratorio con control del dominio químico y sus datos, pero sin conocimiento excesivo de aspectos técnicos relacionados con el aprendizaje automático.

Proyectos como este y otros tantos siguen demostrando que TinyML no es solamente un paradigma que abarata la ejecución del aprendizaje automático, su ubicuidad está habilitando escenarios que son y serían de alta complejidad sin estas optimizaciones.

¿Quieres saber más sobre TinyML? Vuelve a escuchar la sesión "The Cutting-EDGE of MLOps".

La convergencia del aprendizaje automático y la IA en el borde presenta a los ingenieros retos únicos que requieren un conjunto de habilidades especializadas más allá de la ingeniería de aprendizaje automático tradicional. Revive este webinar en el que conocerás las tendencias y las mejores prácticas en la implementación de Machine Learning en el Edge, desde la optimización al despliegue y monitorización. Aprende de OWKIN, APHERIS, MODZY, PICSELLIA, SELDON, HPE, NVIDIA y BARBARA cómo:

🔒 Mejorar el acceso a los datos, la seguridad y la privacidad mediante el aprendizaje federado.

💪 Las herramientas, sistemas y estructuras que necesitas poner en marcha para la IA en tiempo real.

🚀 Mejorar el rendimiento de los modelos por visión por ordenador.

⚙️ Ejecutar con éxito la inferencia de modelos de aprendizaje automático

💡 Optimizar los modelos ML para dispositivos en el edge.

🔒 Securizar tus modelos de ML en el edge.

‍

Sobre el autor

Jose Vicente es un Ingeniero de Software de I+D actualmente afincado en España, cuya pasión por el urbanismo impulsó su interés por la tecnología, por eso su carrera se ha dirigido a la intersección entre la Inteligencia Artificial y el IoT (AIoT).

Los últimos años ha estado profundamente involucrado en la industria de las Smart Cities, pasando desde la industria de los ascensores en China a la industria del petróleo y el gas, donde IoT y el mantenimiento predictivo están jugando un papel importante, a la modernización y la descarbonización.

José Vicente está muy comprometido con el papel de la IA de las cosas como disruptor positivo en la sociedad y en la vida cotidiana de las personas.

‍