La introducción de la Industria 4.0 en 2011 y la transformación digital que la hace posible provocaron una afluencia de nuevas tecnologías para optimizar los procesos tradicionales de la industria manufacturera. La inteligencia artificial, que se utilizaba predominantemente en los campos de la informática y la ingeniería de software, también se introdujo en la industria manufacturera, ya que para lograr la fábrica "lights out" los equipos de fabricación deben convertirse en pensadores independientes.
La fábrica de luces apagadas se acuñó para describir las instalaciones impulsadas por la Industria 4.0 en las que los operarios humanos se reducen al mínimo mientras se llevan a cabo los procesos automatizados. Por ejemplo, imbuir de IA a los equipos debería permitirles diagnosticar sus fallos y pedir piezas de repuesto o programar una fecha de mantenimiento para arreglar los defectos.
Hoy en día, la IA se ha aplicado en todo el sector manufacturero para apoyar múltiples iniciativas de la Industria 4.0. Estas iniciativas abarcan los principales modelos de negocio de la Industria 4.0 o el concepto compartido en el documento oficial de prueba de concepto desarrollado por el equipo fundador de ingenieros alemanes.
Modelos de negocio de la Industria 4.0
Destacar las ventajas y los casos de uso de la IA en el sector manufacturero requiere una breve explicación de los importantes modelos de negocio de la Industria 4.0 a los que dan soporte. Estos modelos de negocio incluyen:
- Optimización de plantas basada en datos
- Mantenimiento predictivo
- Validación y pruebas
- Máquinas como servicio
La implementación de estos 4 modelos de negocio de la Industria 4.0 puede mejorar los procesos de fabricación y conducir a un crecimiento de los ingresos, como han demostrado las estadísticas. Una investigación de Deloitte destaca el hecho de que las estrategias de mantenimiento predictivo pueden reducir el tiempo de inactividad no planificado hasta en un 70%.
La implantación de modelos de negocio de Industria 4.0 que utilicen tecnologías disruptivas también permite a las empresas protegerse y buscar soluciones innovadoras a los problemas de fabricación tradicionales. El 56% de los ejecutivos de nivel C tiene intención de implantar modelos de negocio de Industria 4.0 para proteger sus operaciones de las perturbaciones externas, mientras que el 33% tiene intención de utilizarla como fuerza innovadora disruptiva. Independientemente de la aplicación elegida, el aprovechamiento de la IA permite idear modelos de negocio de Industria 4.0 que satisfagan los objetivos operativos y de su organización.
Empezando por la optimización de plantas basada en datos, la IA proporciona el apoyo que los activos productores de datos necesitan para obtener información contextual a partir de los datos capturados. El conocimiento contextual que proporcionan los análisis de datos es necesario para la toma de decisiones tanto por parte de los ejecutivos de nivel C como de los activos preparados para la automatización. Con la IA, las fuentes productoras de datos pueden analizar situaciones en tiempo real para tomar las decisiones correctas que conduzcan a una planta optimizada.
Por ejemplo, un robot móvil automatizado (AMR) con capacidad para desplazarse por el suelo de un taller sin pistas magnéticas preinstaladas utiliza la IA. El robot captura datos relativos a la disposición de la planta en tiempo real y aplica el aprendizaje automático para analizar los datos y tomar medidas en tiempo real. Por ello, los AMR pueden aplicar la visión artificial para evitar obstáculos mientras navegan por la planta de producción. En este caso, los datos se analizan, los materiales llegan rápidamente a los puestos de trabajo y los materiales se reciben en una sola pieza. Esto es lo que pretenden conseguir los modelos de Industria 4.0 de optimización de planta basados en datos.
Las estrategias integrales de mantenimiento predictivo que cumplen los estándares avanzados de Industria 4.0 no se detienen en la creación de un programa de mantenimiento optimizado. Para que la fábrica de luces apagadas funcione a su capacidad óptima, los activos de fabricación deben ser capaces de tomar decisiones como pedir piezas de repuesto y programar el mantenimiento sin ayuda humana.
Mejorar los poderes analíticos de los activos de fabricación mediante la implementación de capacidades de IA y aprendizaje profundo garantiza que los activos puedan acceder a vastos repositorios de datos para tomar decisiones optimizadas.
Validar y probar nuevas ideas antes de la implementación garantiza que las costosas estrategias de Industria 4.0 se evalúen para evitar el desperdicio de recursos y capital. Tecnologías como el software de modelado de simulación son soluciones de transformación digital que desempeñan papeles importantes en la validación de ideas. Estas tecnologías aprovechan la IA de múltiples formas. Algunos ejemplos son el aprovechamiento de la IA para automatizar el desarrollo de modelos de simulación precisos por parte de usuarios finales no técnicos de software de simulación y el desarrollo de entidades inteligentes basadas en agentes para mejorar los resultados de la simulación.
La servitización de los equipos de fabricación se ha convertido en una fuente de generación de ingresos para los fabricantes de equipos originales (OEM) de maquinaria pesada. Los OEM que optan por ofrecer máquinas caras a los usuarios finales mediante cuotas de suscripción aprovechan la servitización avanzada para generar otras fuentes de ingresos.
Los equipos implicados en los planes de suscripción Machine as a Service deben funcionar de forma óptima para satisfacer los requisitos de diversos usuarios finales. Los OEM aprovechan la IA para analizar los datos de los usuarios finales y desarrollar planes de uso optimizados que garanticen que una hora pagada sea una hora optimizada. Así, con los datos de referencia y las indicaciones de la máquina impulsadas por la IA, los suscriptores obtienen el máximo rendimiento de las máquinas a las que se suscriben.
5 casos de uso de la IA en la fabricación
La aplicación teórica de la IA para apoyar las iniciativas de la Industria 4.0 en la industria manufacturera tiene sus correspondientes ejemplos en el mundo real que se explorarán aquí. Estos casos de uso abarcan desde la utilización de la IA para optimizar el rendimiento de la planta hasta la implementación de estrategias de mantenimiento predictivo.
Schneider Electric implementa el mantenimiento predictivo con IA - Schneider Electric, con sede en París y que produce soluciones para optimizar las operaciones industriales, había desarrollado una solución y una estrategia de IoT para supervisar y configurar las bombas de varilla utilizadas en la industria del petróleo y el gas. Las soluciones IoT garantizaban que las empresas de petróleo y gas pudieran configurar y supervisar remotamente las operaciones en alta mar sin tener que enviar técnicos a supervisar los procesos.
El reto - Schneider Electric quería proporcionar a los usuarios de su solución de supervisión IoT, Realift, funciones avanzadas como la capacidad de predecir problemas en las bombas de varilla y otras operaciones antes de que se produjeran fallos.
La solución - La empresa aprovechó las capacidades de aprendizaje automático que ofrece Azure Machine Learning de Microsoft para mejorar las capacidades de su solución Realift. Con las capacidades de IA, la solución IoT proporcionó a las empresas de petróleo y gas las herramientas para predecir fallos con precisión y desarrollar planes de mitigación.
Optimización de la manipulación de materiales con Cobots - La optimización de los sistemas de manipulación de materiales garantiza que los fabricantes y las instalaciones de almacenamiento reduzcan los accidentes en el taller al tiempo que optimizan el flujo de materiales. XPO Logistics, una empresa de operaciones de almacenamiento, se esforzaba por optimizar sus procesos de manipulación de materiales.
El reto - Los sistemas tradicionales de manipulación de materiales pueden ser ineficaces debido al trabajo manual que conlleva el transporte de materiales por la planta de producción. A veces, los materiales transportados llegan a los puestos de trabajo con retraso y con defectos.
La solución - XPO logistics recurrió a Cobots, un robot de manipulación de materiales que aprovecha la IA, para automatizar el proceso de preparación de pedidos y manipulación de materiales. Con Cobots, XPO logistics pudo mejorar su manipulación de materiales y realizar entregas justo a tiempo que aumentan los niveles de satisfacción de los clientes.
Meister Group emplea la IA para desarrollar estrategias de inspección visual - La inspección de los productos acabados antes de enviarlos al usuario final es un aspecto importante de los planes de salida al mercado de los fabricantes. Las estrategias de inspección adecuadas reducen las retiradas de productos y los costes financieros que conllevan.
El reto - Meister Group, un fabricante belga de piezas de automóvil, procesa millones de piezas que se venden a empresas del sector del automóvil. El proceso tradicional de inspección de piezas es manual, repetitivo y requiere mucho tiempo, por lo que a veces las piezas defectuosas se escapan de la planta de producción.
La solución - Meister Group recurrió a una cámara con sensor habilitada para IA para automatizar su proceso de inspección. La cámara In-sight 1000 de Cognex utiliza un sensor visual para inspeccionar las piezas producidas y compara los datos capturados con los datos de referencia antes de asignar un estado a la pieza inspeccionada. Con el sensor visual impulsado por IA, la empresa puede inspeccionar con precisión miles de piezas en un día.
Siemens Gamesa aprovecha la IA para mejorar el tiempo de inspección - Siemens Gamesa fabrica palas de turbina para apoyar las soluciones renovables que ofrece a sus clientes. Para aprovechar las ventajas de sus soluciones renovables, componentes como los álabes de turbina deben fabricarse para que su rendimiento sea óptimo.
El reto - Siemens Gamesa necesitaba un proceso para inspeccionar sus álabes durante la fabricación y también para supervisar los álabes desplegados. Con más de mil palas de turbina bajo su jurisdicción, la organización necesitaba un proceso de inspección automatizado para gestionar el proceso de supervisión.
La solución - Siemens Gamesa buscaba un sistema avanzado de reconocimiento de imágenes basado en IA con capacidad para capturar imágenes de álabes de turbinas y compararlas con datos históricos. La auditoría de análisis de datos proporcionó detalles sobre qué álabes requerían mantenimiento en tiempo real.
Mitigación de los efectos de las interrupciones en oleoductos y gasoductos mediante IA - Las interrupciones en los oleoductos y gasoductos provocan tiempos de inactividad imprevistos y afectan a los niveles de servicio que las empresas ofrecen a los usuarios finales del sector. Comprender los efectos de las paradas y el aumento de la demanda sienta las bases para desarrollar soluciones que mitiguen estos efectos.
El reto - La empresa de petróleo y gas estaba interesada en comprender cómo el aumento de la demanda y las paradas pueden afectar a su capacidad para satisfacer la demanda de los clientes. Mitigar este riesgo protegería sus ingresos y mejoraría los servicios que prestaba a sus clientes.
La solución - La empresa construyó un modelo gemelo digital que tenía en cuenta varias entradas y salidas secuenciadas por lotes de la línea principal de la forma FIFO (primero en entrar, primero en salir), el mantenimiento programado y las ralentizaciones o fallos aleatorios del servicio. El gemelo digital aprovechó la IA para analizar datos históricos. El cliente pudo utilizar los resultados del análisis de escenarios del modelo para avanzar con confianza en la formulación de recomendaciones sobre los requisitos de almacenamiento en tanques y las filosofías operativas para alcanzar los niveles de servicio deseados.
Conclusión
La IA apoya la implementación de modelos de negocio de la Industria 4.0 en la industria manufacturera. Los casos de uso anteriores proporcionan una visión de cómo se puede aplicar la IA junto con la solución de transformación digital para optimizar la planificación y resolver desafíos operativos complejos. Los casos de uso también sirven de inspiración para las empresas de fabricación, ya que ponen de relieve el hecho de que la IA se puede aprovechar de diversas maneras para resolver problemas peculiares de su nicho de fabricación.