Uso de Analítica predictiva para mejorar el desempeño en las incubadoras

Las incubadoras tienen un papel fundamental en los sistemas de producción avícola. Los datos generados en este proceso se pueden aprovechar mejor con técnicas de analítica predictiva para abordar problemas comunes que afectan la incubabilidad y la calidad de pollito, al apoyar la planificación, los programas de mantenimiento preventivo y las intervenciones de personal.

Discutiremos el estado actual del manejo y análisis de datos en incubadoras, retos y oportunidades, herramientas disponibles para mejorar, y un llamado de atención para mejorar la formación necesaria para aplicar analítica de datos avanzada.

Existe una variación significativa en el nivel tecnológico de las incubadoras en todo el mundo. A pesar de estas diferencias, la incubadora es uno de los segmentos de la cadena avícola con más control y generación de datos.

Los datos de la incubadora provienen del monitoreo de huevos y los inventarios de suministros, el funcionamiento de equipos, el desempeño reproductivo de las reproductoras y los resultados de la incubación.

Los datos de incubación más frecuentes incluyen:

• Flujos de huevos, fertilidad, incubabilidad
• Causa de mortalidad embrionaria obtenida en los embriodiagnósticos
• Resultado de pollito
• Grados de calidad
• y registros de la temperatura promedio de máquina y cuarto.
• Humedad y presiones

La digitalización de registros escritos a mano sigue siendo complicada en muchas incubadoras, y los errores mecanográficos son aún comunes. La calidad de los datos siempre requiere de mucha atención.

• El método preferido de almacenamiento de datos son los archivos de Excel con una sola tabla o múltiples tablas u hojas de cálculo.
• Los datos siempre deben organizarse en filas y columnas continuas.
• Desafortunadamente, con frecuencia se dejan espacios intencionalmente para agregar notas, complicando el análisis de datos.

La identificación de incubadoras, granjas, lotes de reproductoras, máquinas y otras variables descriptivas deben ser consistentes a través de tiempo para hacer un análisis preciso. Algunas variables como tiempo de almacenamiento de los huevos, a menudo no son bien definidas, y los rangos aproximados se ingresan de forma variable.

La gran mayoría de los análisis de datos están actualmente limitados a:

• Comparar uno a uno los resultados promedios individuales de nacimiento, embriodiagnóstico, o periodo con un valor estándar de la recomendación de la línea genética por edad.
• Realizar un seguimiento de inventarios de huevos, nacimientos y materiales.
• Usar tablas y gráficas dinámicas de Excel para organizar los datos por lotes de reproductoras, granjas, máquinas e incubadoras.
• Eventualmente, comparar múltiples resultados promedios en un tablero donde las tablas o gráficos puedan ser comparados.

Los análisis de datos se realizan en Excel en la mayoría de las ocasiones.

• La visualización de datos en gráficos es fundamental para detectar patrones y valores extremos inusuales.
• Este es el paso en el que se deben ver y corregir los errores tipográficos y los valores atípicos.
• Nuestra experiencia con los datos recopilados en todo el mundo muestra que los gráficos se incluyen en estos archivos de Excel, pero los errores tipográficos obvios no siempre se investigan o corrigen.
• Ordenar y filtrar los datos también puede ayudar a determinar posibles valores inesperados

La gran mayoría de los análisis de datos en incubadoras resumen lo que ya sucedió. Las metodologías de análisis usadas típicamente ayudan a describir esos hechos pasados

• La información obtenida en estos análisis ha sido probada que ayuda a los gerentes de las incubadoras a entender los principales factores que afectan la incubación o lo que ha causado un problema.
• Basado en la experiencia adquirida en este sentido, los gerentes han diseñado planes de acción.
• En general, la variabilidad ordinaria e inusual de los resultados de incubadoras no es tomada en consideración.

Consecuentemente, no hay una clara noción acerca de reducir o controlar la variabilidad.

Pero las incubadoras se estan volviendo más grandes, consolidadas, con máquinas modernas trayendo nuevas capacidades de monitoreo.

• Muchos sensores electrónicos están actualmente disponibles para monitorear muchos parámetros ambientales en los cuartos de las incubadoras y dentro de las máquinas.
• Las telecomunicaciones y el internet de las cosas proveen monitoreo a distancia y conectividad en tiempo real con casi todos los equipos fundamentales en la incubadora.

La migración a máquinas de carga única conlleva a necesidad de determinar los perfiles óptimos de incubación para cada condición. Científicos en avicultura han reportado que las condiciones óptimas pueden variar dependiendo de la genética de las reproductoras, la edad y la nutrición de las gallinas, el tiempo de almacenamiento de los huevos o los tratamientos durante el almacenamiento.

• Cuando la incubación en carga múltiple era predominante, se podía modificar muy poco el ambiente de las máquinas para mejorar la incubabilidad.
• En máquinas de carga única, podemos cambiar ahora múltiples parámetros como la temperatura, humedad, concentración de CO2 y volteo para cada fase de desarrollo embrionario.
• Cualquier intervención tiene resultados variables que deberían ser cuantificados para determinar las mejores acciones a tomar.

Dado que todo el negocio avícola se ha vuelto más exigente, cualquier mejora en la incubabilidad y la calidad de los pollitos tiene un impacto monetario significativo.

• En los EE.UU. se ha calculado que una mejora del uno por ciento en la incubabilidad es equivalente a aproximadamente $ 33,000 por año en un complejo de pollos de engorde que produce un millón de aves por semana.
• Reduciendo los costos en un centavo por pollito equivale a un ahorro de $547,000 por año en una operación de pollo de engorde similar.

Generalmente, las mejoras en la incubabilidad están bien correlacionadas con la calidad de los pollitos, menor mortalidad, mejor desempeño vivo y rendimiento de carne. Incluso se puede reducir la incidencia de algunos problemas de salud y bienestar. Es bien sabido que la calidad de los pollitos es necesaria para alcanzar el potencial genético de todas las especies de aves de corral.

Las nuevas tecnologias de datos proveen una oportunidad de avanzar más en la productividad de la incubadora y especialmente en la calidad del pollito.

• Actualmente, los datos de rendimiento de la incubación rara vez se correlacionan con los registros de los puntos de ajuste de la máquina y las condiciones ambientales reales dentro de máquinas específicas.
• Este es el tipo de relación necesaria para establecer qué condiciones optimizan la incubabilidad para grupos particulares de huevos.
• Los conceptos generales de qué configuraciones de la máquina podrían ser mejores para algunos huevos se conocen por la experiencia y las investigaciones publicadas. Sin embargo, existen múltiples combinaciones de factores que afectan la incubabilidad en una incubadora comercial.

Las herramientas de predicción permiten determinar dónde y cómo realizar intervenciones oportunas y significativas para obtener los mejores resultados si se mantienen las condiciones actuales o previamente conocidas. Estas herramientas predictivas se pueden obtener de los mismos registros de datos que se utilizan actualmente y de todos los datos entrantes de los sensores electrónicos.

• Estas herramientas analíticas predictivas han estado disponibles en muchos software estadísticos durante un par de décadas.
• Lamentablemente, ha habido poca aplicación en las incubadoras comerciales.

Se han desarrollado varias estrategias de análisis de datos para la producción avícola en las últimas dos décadas debido a la creación de tecnologías para la producción animal de precisión.

• Entre ellos, se han probado las redes neuronales artificiales (ANN) en varias oportunidades para predecir la incubabilidad de huevos en pollos.
• Las ANN son modelos paramétricos no lineales que imitan los mecanismos de procesamiento del cerebro humano.
• Esta técnica computacional incluye algoritmos matemáticos que brindan la capacidad de aprendizaje continuo a partir de ejemplos de datos.

Las ANN incluyen tres unidades principales de procesamiento, una capa de entrada, una capa intermedia u oculta y la capa de salida donde se obtiene la solución.

• En la capa de entrada, se han utilizado los siguientes factores: Edad de la reproductora.
• Tiempo de almacenamiento de los huevos.
• Temperatura del aire.
• Humedad relativa del aire.
• Concentraciones de dióxido de carbono y oxígeno.
• Todo con sus respectivas desviaciones estándar.

La capa de entrada incluye los registros completos de los datos ambientales durante las 496 o 504 horas de incubación obtenidos de los sensores electrónicos de las incubadoras y las nacedoras. La capa de salida consta de los datos respectivos de incubabilidad o embriodiagnóstico.

El registro continuo de datos de temperatura, humedad, concentraciones de gas y los registros de tiempo y frecuencia de calentamiento, enfriamiento y humidificación producen datos en señales.

• El análisis de procesamiento de señales es una técnica que debe aplicarse para evaluar los sensores electrónicos o el rendimiento de la máquina.
• Programas como MATLAB, JMP, R y SAS, entre muchos otros, pueden desarrollar este tipo de análisis junto con ANN.

Los análisis completos de los datos de las plantas de incubación requieren la integración del procesamiento de señales con el análisis numérico. Se ha demostrado que las ANN proporcionan las mejores predicciones posibles. Las ANN desarrolladas con datos de incubabilidad (Bolzan et al., 2008; Chamsaz et al., 2011) se pueden utilizar para simular el mejor conjunto de condiciones para huevos con combinaciones específicas de edad y tiempo de almacenamiento.

Otra técnica analítica que no se ha explorado para estimar las intervenciones y la variabilidad del control en los procesos de incubación es el control estadístico de procesos (SPC).

• La implementación de estas técnicas puede ayudar a la mejora continua del rendimiento al reducir la variabilidad.
• Puede ayudar a detectar cuándo debe ponerse en marcha el mantenimiento preventivo.
• El mantenimiento se programa cronológicamente en las plantas de incubación, pero los sensores electrónicos y los motores pueden presentar fallas en estos entornos difíciles.
• Detectar cuándo es necesario un mantenimiento temprano puede ahorrar dinero y garantizar la calidad en el proceso.

El SPC puede evitar las comparaciones frecuentes de observaciones individuales con un valor estándar, permitiendo márgenes que son tolerables dentro de la variabilidad natural.

• El SPC también propone metas alcanzables para mejorar un proceso reduciendo la variabilidad.
• Los métodos determinan los límites mínimo y máximo y un nivel estadístico de confianza.

Los gráficos de control y los índices de capacidad del proceso son algunas de las principales herramientas de SPC.

• En la Figura 1, podemos observar cómo se ve un gráfico de control y las partes descritas.
• Los gráficos de control ayudan a identificar casos de causas accidentales para planificar acciones correctivas.
• Las causas de variación inusuales o esporádicas se pueden detectar y eliminar.
• Los índices de capacidad comparan la dispersión de los valores registrados de un parámetro en el proceso con la amplitud de los límites de especificación considerados aceptables.
• El índice se puede calcular mediante software estadístico.

Figura 1. Anatomía de un gráfico de control que indica los límites de control de la línea central (CL), superior (UCL) e inferior (LCL). El gráfico también representa el nuevo cálculo de los límites de control cuando cambia el proceso.

Figura 2 muestra un ejemplo de cómo es el proceso de control del peso corporal del pollo al momento del nacimiento. Los índices se calculan de acuerdo con las fórmulas descritas en la Figura 3.

Estos índices permiten determinar si el proceso o las máquinas están en el objetivo o no y si son estables o inestables.

Figura 2. Gráfico de control con todos los índices de capacidad potencial calculados para la evaluación y detección de variabilidad

Figura 3. Ecuaciones para determinar las relaciones de capacidad del proceso para el control estadístico del proceso.

Motivamos a los lectores a revisar este proceso para obtener los beneficios de esta metodología. El SPC podría aplicarse a cada uno de los parámetros ambientales monitoreados en una máquina incubadora, calidad de pollitos, pesos de huevos o pollitos, mortalidad de embriones en el tiempo, o cualquier otro proceso o parámetro medido en el tiempo.

Estas técnicas de analítica predictiva utilizadas en los sectores de fabricación, servicios, finanzas y atención médica pueden ayudarnos a extraer más valor de los datos de la planta de incubación. Sin embargo, la principal dificultad de implementación ha sido la falta de personal capacitado que también comprenda el proceso de incubación y todos los datos disponibles que deben integrarse

Este artículo busca estimular el deseo de explorar e invertir en estas técnicas. Hay mucho que aprender, pero una promesa significativa de obtener información valiosa de estos análisis para mejorar el rendimiento de la planta de incubación.