La industria manufacturera es conocida por los grandes conjuntos de datos que produce. Estos conjuntos de datos incluyen datos estructurados y no estructurados de los procesos de producción y durante mucho tiempo no se recopilaron hasta la llegada de la Industria 4.0.
Los avances anteriores, como las metodologías de fabricación ajustada, aprovechaban los datos. Para implantar procesos lean, el fabricante tenía que capturar datos relacionados con las máquinas y el uso del inventario para reducir los residuos. Los conjuntos de datos recopilados se utilizaron para calcular las métricas de utilización de las máquinas, como la eficacia general de los equipos (OEE), y para determinar el número de recursos disponibles.
La aplicación de datos para implantar la fabricación ajustada redujo drásticamente los residuos de máquinas y operaciones individuales, pero no proporcionó una visión global del funcionamiento de la fábrica. El concepto de Industria 4.0 pretende llevar la optimización de los equipos individuales al siguiente nivel mediante la optimización de las operaciones interrelacionadas que definen la fabricación, para lo cual es necesario cotejar conjuntos de datos de todos los aspectos de un ciclo de producción para optimizar la productividad.
El aprovechamiento de los macrodatos para obtener información sobre los procesos de fabricación comienza con la captura de datos. En primer lugar, la recopilación de datos de máquinas equipadas con tecnologías de comunicación modernas, como Wi-Fi, es un juego de pelota diferente a la recopilación de datos de equipos heredados con tecnología analógica. Los equipos modernos pueden conectarse a redes para transferir datos a la nube o a una plataforma centralizada de agregación de datos, mientras que con los sistemas heredados los datos deben extraerse y transferirse a la plataforma centralizada.
Hoy en día, los dispositivos inteligentes construidos para el sector industrial pueden conectarse a las E/S analógicas o a los puertos de los sistemas heredados para capturar datos. Los retos que plantea la captura de datos de equipos heredados no son los únicos problemas a los que se enfrentan los fabricantes a la hora de capturar datos de toda la instalación. Tradicionalmente, los datos relativos al entorno del taller, como la temperatura, la distribución de las instalaciones y los datos relativos a los sistemas de manipulación de materiales, se han considerado datos no estructurados y difíciles de capturar.
IoT permite ahora a los fabricantes capturar datos no estructurados del taller. IoT también permite la captura y el flujo de datos en tiempo real en toda la planta de producción para proporcionar a las tecnologías de transformación digital los datos que necesitan para analizar las operaciones de la planta de producción.
Aprovechar los conjuntos de datos capturados es el siguiente peldaño en la escalera una vez que un fabricante ha implementado con éxito un proceso para recopilar datos de la planta de producción. Los casos de uso para aprovechar el big data incluyen:
Actualmente, el caso de uso más popular para los conjuntos de datos históricos es la optimización de las estrategias de mantenimiento y la reducción del tiempo de inactividad mediante la planificación predictiva. El mantenimiento predictivo implica la captura de datos operativos históricos de los activos del taller para determinar los patrones de avería del activo y sus componentes.
Las estrategias de mantenimiento predictivo exitosas reducen el tiempo de inactividad no planificado causado por equipos defectuosos en un 75%. Un ejemplo es la estrategia de mantenimiento predictivo de BASF, la mayor empresa química del mundo. Para eliminar sus desafíos con el tiempo de inactividad no planificado de los equipos, la empresa implementó una estrategia de captura de datos utilizando soluciones IIoT de Schneider Electric para capturar datos de la máquina.
Aprovechando el big data, la empresa pudo capturar 100 variables de estado relacionadas con el estado de sus equipos en 63 de sus activos de taller. El análisis de los datos capturados permitió a BASF reducir drásticamente su tiempo de inactividad y aumentar el ciclo de vida de sus máquinas.
Mientras que el mantenimiento predictivo supervisa activamente el rendimiento de la máquina a través de herramientas de recopilación de datos, el monitoreo de condición intenta descubrir anomalías a través de las operaciones de la planta en tiempo real. El despliegue de IIoT y dispositivos inteligentes en el taller permite a los fabricantes capturar los datos necesarios para impulsar las aplicaciones de monitoreo de condición. Las herramientas de transformación digital, como el gemelo digital, aprovechan los conjuntos de datos recopilados para construir representaciones virtuales de las operaciones físicas de la fábrica. El gemelo digital se utiliza entonces para supervisar los procesos operativos dentro de la planta de fabricación.
La supervisión en tiempo real de las turbinas eólicas para garantizar un rendimiento óptimo y obtener información sobre el funcionamiento de las turbinas es un ejemplo de aplicación de la supervisión del estado. El ejemplo de Brüel and Kjær Vibro, una empresa germano-danesa dedicada a la monitorización de la condición, pone de manifiesto la importancia de la gestión de activos en tiempo real. La empresa supervisaba continuamente el funcionamiento de las turbinas utilizando cientos de sensores en las instalaciones de aerogeneradores. Gracias a la monitorización del estado, la empresa pudo evitar daños, localizar posibles puntos de fallo y conocer el funcionamiento de las turbinas para tomar decisiones con conocimiento de causa.
Obtener respuestas correctas a preguntas del tipo "qué pasaría si..." es la mejor manera de determinar el número de recursos que necesitará un ciclo de producción para satisfacer una demanda fluctuante. Las evaluaciones "hipotéticas" también ayudan a los fabricantes a decidir cómo deben asignarse los recursos disponibles para cumplir los plazos de la demanda y mejorar la satisfacción del cliente. La recopilación de datos sobre la demanda y datos relacionados con la producción puede ayudar a los fabricantes a realizar previsiones de producción precisas.
Los datos de los ciclos históricos de demanda proporcionan la base para la previsión de la demanda, mientras que los datos del taller permiten evaluar los procesos de producción para satisfacer el aumento de la demanda.
Un ejemplo es la confianza de BAE System, un contratista de defensa, en la tecnología de simulación para analizar sus datos de producción. En previsión de un aumento de la demanda, el contratista necesitaba desarrollar un programa optimizado y asignar adecuadamente los recursos para cumplir los plazos de producción. Para lograrlo, se creó un modelo de simulación de las operaciones de su fábrica utilizando datos históricos. El modelo de simulación ayudó a BAE a responder a preguntas relacionadas con su capacidad de producción y la asignación de recursos. BAE también desarrolló un programa basado en el riesgo para garantizar que satisface la demanda del cliente con un rendimiento de calidad.
Conocer la combinación de factores que ayudaron a un fabricante a lograr una productividad optimizada es la forma más segura de recrear procesos optimizados. La mejora efectiva del rendimiento comienza con la captura de los datos de la cadena de suministro, los datos de inventario, los datos de utilización de la máquina y la vinculación de los procesos de trabajo óptimos a estas estadísticas. Los datos optimizados se convierten en datos de referencia que pueden recrearse una y otra vez.
Fastenal, un fabricante de equipos originales, aprovechó conjuntos de big data para desarrollar datos de referencia para sus procesos operativos. Utilizando los puntos de referencia analizados, el fabricante de equipos originales pudo ahorrar aproximadamente 100 horas al mes en operaciones innecesarias. Aprovechar los datos de referencia permitió al fabricante de equipos originales mejorar su productividad y su capacidad para satisfacer eficientemente sus requisitos de demanda.
El objetivo de lacuarta revolución industrial es la fábrica inteligente, donde el intercambio de datos es posible y el análisis se produce en tiempo real para garantizar que los activos puedan tomar decisiones precisas sin intervención humana. Para lograr la Industria 4.0 es necesario capturar grandes conjuntos de datos de la fábrica para descubrir patrones que simplifiquen el proceso de toma de decisiones de las máquinas. Aprovechando el big data y el aprendizaje automático, los equipos dentro de la planta de la fábrica reciben el contexto histórico necesario para tomar acciones específicas.
Para hacer realidad la fábrica inteligente del futuro es necesario mejorar las capacidades de captura de datos y aprovechar herramientas como el modelado de simulación, el gemelo digital y las tecnologías de previsión para obtener información. Los casos de uso destacados aquí son sólo un subconjunto de algunas de las formas en que pueden utilizarse los datos para mejorar las operaciones de fabricación. Se espera que los fabricantes amplíen continuamente los límites de las aplicaciones desarrollando formas más innovadoras de utilizar los macrodatos.