La necesidad urgente de automatización de software en los laboratorios de pruebas modernos

No hace tanto tiempo que unos auriculares consistían básicamente en dos altavoces y un cable. A continuación, se incorporaron una batería y un sistema de radio inalámbrico. Además, micrófonos, nuevos controles, cancelación de ruido, una capacidad de procesamiento integrada considerable y mucho más… Hoy en día, la gente lleva en los oídos computadoras bastante potentes y los consumidores esperan que sean ligeros, fiables, potentes y asequibles.

Para cualquier equipo de ingeniería de diseño, resulta todo un reto seguir el ritmo de innovación que se espera en un mercado competitivo. Sin embargo, podría decirse que la tarea resulta más ardua para el ingeniero de pruebas, ya que estos grupos rara vez cuentan con el mismo nivel de tiempo dedicado al proyecto o de inversión en recursos que sus homólogos de Investigación y desarrollo. Los equipos de validación (y de fabricación) de todos los sectores se ven sometidos a una presión cada vez mayor, a medida que se acentúa la brecha entre su capacidad y los requisitos de sus proyectos. Esto está obligando a los responsables de las pruebas a aceptar que deben modificar su metodología o, de lo contrario, se arriesgan a que el producto fracase o a que su lanzamiento al mercado se retrase.

Un cambio importante en la metodología es la adopción generalizada de una mayor automatización mediante software en los laboratorios de validación, en prácticamente todas las pruebas que realizan. Esto se debe a tres razones principales.

1. Cobertura de las pruebas: La realización de series más amplias de casos de prueba y vectores permite obtener una caracterización y una comprensión más completas del dispositivo sometido a prueba (DUT). Esto reduce el margen de error a la hora de detectar posibles fallos. Este volumen de pruebas llevaría una eternidad con un sistema manual o semiautomático; la orquestación de software permite lograr una cobertura de pruebas mucho mayor en mucho menos tiempo.
2. Repetibilidad: No hay nada más frustrante que repetir una prueba y obtener un resultado diferente debido a variaciones en la configuración de la prueba, más que al comportamiento del dispositivo bajo prueba (DUT). La automatización centralizada de la instrumentación mediante software permite guardar una configuración completa del laboratorio, de modo que, en el futuro, se pueda alternar entre configuraciones de ensayo complejas que impliquen varios instrumentos con solo pulsar un botón.
3. Acceso a los datos: Los datos de medición se han reconocido como una nueva fuente de valor para muchas empresas de productos, ya que permiten extraer tendencias más amplias sobre el rendimiento de los productos y las operaciones; sin embargo, no tienen ningún valor si nunca salen del instrumento. Las arquitecturas de automatización de software que utilizan instrumentos modulares exigen que el ingeniero disponga de acceso inmediato a las mediciones necesarias, al tiempo que se transmiten simultáneamente grandes conjuntos de datos contextuales a un almacenamiento centralizado para que puedan utilizarlos otras personas y los modelos de inteligencia artificial (IA).

Las nuevas tecnologías están democratizando la automatización del software

El principal reto que ha planteado tradicionalmente la automatización mediante software ha sido la elevada barrera de entrada que supone escribir el código personalizado necesario para cada medición específica que los ingenieros puedan necesitar. Sin embargo, esto está cambiando, en primer lugar gracias a la existencia de software de aplicación más completo que ofrece flujos de trabajo basados en la configuración para mediciones complejas y, en segundo lugar, porque la IA generativa, combinada con paradigmas de programación gráfica, ha reducido las barreras de acceso para muchos ingenieros.

Software de aplicación: ¿Qué es más rápido que programar una aplicación desde cero? ¡Utilizar una aplicación que ya existe! En conjunto, se han dedicado millones de horas de desarrollo a la creación de herramientas de ingeniería para aplicaciones de ensayo y medición. Tomemos como ejemplo National Instruments (NI) InstrumentStudio, el software complementario de PXI que se utiliza para configurar y visualizar mediciones. Cuando se conectan varios osciloscopios, como el PXIe-5108 de NI, en un mismo chasis, se sincronizan automáticamente, de modo que pueden considerarse como si se tratara de un único instrumento con un elevado número de canales. La infraestructura de software que se ejecuta en el controlador para hacer esto posible está totalmente oculta al usuario. El hecho de tener que volver a inventar la rueda innecesariamente cada vez merma las ventajas de la estandarización y conlleva tanto una pérdida de tiempo como un riesgo.

A medida que el usuario analiza el flujo de trabajo de las tareas que, en su conjunto, conforman la función de un ingeniero de pruebas, cada vez son más las que cuentan con software de aplicación diseñado específicamente para resolver cada problema (Figura 1). TestStand de NI es la herramienta líder a nivel mundial en gestión y secuenciación de pruebas. DIAdem de NI se ha consolidado como la herramienta de referencia para el análisis de datos y la generación de informes a partir de grandes conjuntos de datos. Si bien SystemLink de NI ofrece funciones de gestión remota, lo que evita a los equipos tener que desarrollar y mantener herramientas de supervisión basadas en la web. Cada vez que los ingenieros optan por una herramienta optimizada para las pruebas, en lugar de crear algo nuevo o conformarse con una alternativa genérica, logran sacar un poco más de productividad de su agenda, que ya está repleta.

Figura 1: LabVIEW+ Suite de NI: 788509-35. (Fuente de la imagen: NI)

La IA generativa y los paradigmas de programación gráfica: ¿Qué es más rápido que escribir una aplicación? Escribir una aplicación con la ayuda de la IA generativa. Sin embargo, aunque esta tecnología ofrece grandes posibilidades, también debe utilizarse con precaución debido a los riesgos y a los problemas de calidad que puede acarrear.

Cuando se genera código (ya sea por personas o por inteligencia artificial), el diseñador sigue siendo responsable de su correcto funcionamiento y estabilidad. Esto incluye verificar las mediciones, identificar los casos extremos y garantizar que los resultados sean fiables. Si se pasa por alto un problema, las consecuencias dependen del resultado de la prueba, no de la herramienta utilizada para elaborarla.

Las aplicaciones de medición presentan algunas características propias que las diferencian del desarrollo de software en otros sectores, como las aplicaciones web, de bases de datos o financieras. La gran diferencia radica en que interactúan con el mundo real: la transmisión de grandes cantidades de datos de señales mixtas a un programa plantea la necesidad de paralelismo, conocimientos sobre el dominio del tiempo y, a menudo, una implementación en hardware de destino variada, interrupciones por eventos y una interfaz de usuario para el operador.

Las herramientas que hacen visible el comportamiento, mostrando cómo fluyen los datos, cómo interactúan los procesos y cómo se implementa el código, facilitan la comprensión y la validación de dichos sistemas.

El código gráfico no resulta, por naturaleza, más fácil de comprender para todo tipo de aplicaciones; sin embargo, sí que simplifica el desarrollo de aplicaciones de medición, ya que representa muy bien el funcionamiento de estos sistemas.

La distinción es similar a la forma en que se abordan los circuitos. Un circuito puede representarse como una lista de redes, es decir, una descripción completa de los componentes y las conexiones; sin embargo, a la hora de diagnosticar su comportamiento, los ingenieros recurren a los esquemas, ya que estos permiten visualizar las relaciones y las dependencias. La elección de un entorno de desarrollo no solo tiene como objetivo lograr una representación fiel, sino también facilitar una comprensión eficaz.

LabVIEW aplica el mismo principio a los sistemas de ensayo. Ofrece un modelo visual que muestra de forma explícita los procesos paralelos, lo que permite a los ingenieros seguir el flujo de datos e identificar los problemas a medida que surgen, en lugar de tener que seguir la ejecución paso a paso de forma secuencial. El usuario puede visualizar fácilmente el funcionamiento de dos o más procesos que presentan importantes dependencias entre sí. 

La generación de código generativa llegará a LabVIEW en el verano de 2026 a través de la última versión de Nigel AI. Pero, más allá de esto, LabVIEW siempre ha sido un entorno abierto, por lo que la clave a la hora de elegir herramientas reside en combinarlas, en lugar de separarlas.

El uso de un lenguaje de programación o una herramienta de inteligencia artificial de su elección para crear tareas de código, algoritmos o procesos que no presenten complejidades relacionadas con aplicaciones de medición podría acelerar el desarrollo, siempre y cuando el código generado sea fiable. Esto es similar a la forma en que, en LabVIEW, los ingenieros siempre han importado o hecho referencia a IP mediante DLL o nodos de integración nativos. A continuación, al integrar esto en el entorno de LabVIEW, se pueden aprovechar las ventajas que ofrecen la estructura de la aplicación, la interacción entre el hardware y los datos, la interfaz de usuario, la implementación en el entorno de destino, etc. Se trata de una "situación en la que se obtienen lo mejor de ambos mundos".

La ingeniería de pruebas es una tarea más importante que la generación de código

El alcance de las responsabilidades de los ingenieros de pruebas ha superado los límites de cualquier entorno de desarrollo concreto. En la actualidad, LabVIEW+ Suite ofrece herramientas que abarcan la planificación, la simulación, la puesta en marcha, el desarrollo, la depuración, la visualización de datos y mucho más. A medida que aumentan las expectativas respecto a los profesionales de las pruebas, estos necesitan herramientas específicas que les permitan trabajar con mayores niveles de abstracción en un mayor número de las tareas a las que se enfrentan.

En este ámbito, la inteligencia artificial desempeña un papel aún más importante a la hora de impulsar la productividad de cada persona. Esto podría referirse a la generación de planes de prueba, la gestión de activos, la optimización de procesos, la gestión de datos, el análisis de las causas raíz o cualquiera de las numerosas tareas importantes relacionadas con el diseño de sistemas de prueba en todas sus fases, desde el inicio hasta el fin. Para que resulte eficaz, la herramienta de inteligencia artificial utilizada debe comprender el sistema en su conjunto, tener conciencia del contexto entre las distintas tareas, conocer bien las mejores prácticas en materia de metodología de pruebas y contar con mecanismos de control que "permitan al ingeniero estar totalmente informado".

Herramientas como TestStand de NI, FlexLogger de NI y InstrumentStudio de NI abordan diferentes partes del flujo de trabajo, pero los ingenieros pueden alternar entre ellas sin perder la perspectiva contextual de la tarea en la que están trabajando. Las fronteras entre estas herramientas seguirán difuminándose y Nigel AI actuará como puente entre las funcionalidades únicas que ofrecen.

El paso de un flujo de trabajo gestionado por el usuario a uno gestionado por la inteligencia artificial (figuras 2 y 3) ofrece un mayor potencial para impulsar la productividad en la ingeniería de pruebas que la optimización excesiva del desarrollo de IP de pruebas por lenguaje.

Figura 2: Transforme los sistemas de ensayo con la plataforma abierta y flexible de NI: PXI de NI y CompactDAQ de NI. (Fuente de la imagen: NI)

Figura 3: Nigel AI actúa como puente entre las demás plataformas de pruebas de NI. (Fuente de la imagen: NI)

Resumen

La elección del hardware es fundamental para estar preparados para un entorno de pruebas basado en la inteligencia artificial. La combinación de herramientas de pruebas para facilitar la generación de código mediante IA aumentará la productividad, la funcionalidad y muchas otras tareas del sistema. Para obtener más información sobre el futuro de las pruebas de software, lea Cómo el software está definiendo el futuro de las pruebas: una entrevista con Rudy Sengupta de NI.