El V taller de la Base Logística del Ejército de Tierra presenta la logística predictiva
La secretaria de Estado de Defensa alaba la buena sintonía entre administraciones en torno al proyecto de la base
El Rectorado de la Universidad de Córdoba ha acogido el V taller de la Base Logística del Ejército de Tierra- BLET- dedicado al Sistema de Logística Predictiva del Ejército (Silpre). La secretaria de Estado Defensa, AmparoValcarce García, ha sido la encargada de inaugurarlo, junto al rector de la Universidad de Córdoba, Manuel Torralbo.
La secretaria de Estado ha señalado que la buena sintonía con todas las administraciones implicadas --Junta de Andalucía y Ayuntamiento de Córdoba-- ha incidido en que el proyecto de la BLET "tiene que cambiar la vida de Córdoba y de Andalucía" y que la Universidad de Córdoba tiene que ser "tractora" en el desarrollo de la investigación e innovación en el ámbito tecnológico de la BLET.
Valcarce ha indicado que lo que se presenta, la logística predictiva, tiene un gran impacto en proyectos de desarrollo tecnológico que tenemos que desarrollar con la UCO y la empresa. "El sistema de logística predictiva es el corazón de la BLET y tiene que servir de revulsivo de la empresa, la industria, la Universidad y la investigación al servicio, en este caso, de tecnologías duales de uso civil y militar y que nosotros vamos a aplicar a la BLET", ha afirmado.
El jefe del Estado Mayor del Ejército, el general Amador Fernando Enseñat y Berea, ha recordado que la "íntima colaboración con la Universidad de Córdoba nos permitirá diseñar procesos logísticos digitalizados y automatizados contando con el talento digital de nuestro personal civil y militar".
"Esa logística exigirá la utilización de nuevas tecnologías que ya van formando parte de nuestro vocabulario habitual, y más en esta universidad, sensorización de plataformas, conectividad de alta capacidad, gestión y almacenamiento de datos, tratamiento de información mediante inteligencia artificial, realidad virtual aumentada, sistemas autónomos de transporte y gestión automatizada de almacenes", entre otros, ha explicado.
Logística predictiva
El vicerrector de Transformación Digital y Gestión de Datos, Sebastián Ventura Soto, ha participado en el panel 'El sistema de logística predictiva (Silpre)'. Así, ha detallado que "de las muchas tecnologías asociadas con la logística 4.0, merecen un interés especial las asociadas con la analítica predictiva".
"Su objetivo fundamental consiste en el análisis de los datos generados por los sistemas durante su funcionamiento para producir modelos que, de algún modo, predigan eventos futuros de interés. Ejemplos de esta categoría son los sistemas de predicción de stock, predicción de ventas y, por supuesto, los de predicción de averías, utilizados por los sistemas de mantenimiento predictivo. En estos casos, donde el interés es aplicar predicciones a los procesos de la cadena de suministro, hablamos de logística predictiva", ha comentado.
Ventura ha explicado el esquema básico para la construcción de este tipo de modelos que serán los responsables del comportamiento inteligente de este tipo de sistemas. Centrado en el ámbito del mantenimiento predictivo, donde el objetivo es desarrollar modelos que permitan anticiparse a la aparición de averías en los equipos, a fin de maximizar el tiempo de operación minimizando los costes de mantenimiento, el vicerrector ha explicado que hay dos tipos de técnicas que se utilizan para este fin.
Así, están "las técnicas de detección de anomalías que permiten detectar datos extraños en los registros de seguimiento de los sistemas, y la formada por los modelos predictivos, que tienen como objetivo predecir eventos futuros a partir de información existente".
Una vez esbozados ambos, el profesor ha comentado que su equipo de investigación está ya trabajando en algunos de los retos en el desarrollo de modelos de mantenimiento predictivo y, en general, con los de logística predictiva, por ejemplo, la síntesis de patrones y en el etiquetado automático de los mismos, así como en el desarrollo de métodos de detección de anomalías y de análisis de supervivencia con redes recurrentes tipo LSTM.