Datos oscuros: se refiere a los datos recopilados en el taller que no se tocan ni se utilizan para mejorar la producción de ningún modo. La empresa media deja sin tocar el 90% de sus conjuntos de datos, y esto se aplica a las instalaciones de la industria manufacturera. Esta estadística significa que, a pesar del ritmo cada vez mayor al que se despliegan las soluciones de recopilación de datos, la mayoría de los conjuntos de datos capturados permanecen en silos sin utilizar. Pero esto no debería ser así.
El cambio de paradigma hacia la fábrica inteligente requiere automatizar los flujos de trabajo tradicionales y poner los datos oscuros al servicio de soluciones tecnológicas de vanguardia. Los fabricantes que imaginan un futuro en el que las máquinas interconectadas interactúen en tiempo real y tomen medidas precisas deben entender que los datos oscuros acabarán teniendo su utilidad con el avance constante de la tecnología.
Hace dos décadas, el análisis de patrones de datos de máquinas para predecir fallos apenas era posible debido a las limitaciones de la recopilación de conjuntos de datos específicos, como los datos de vibraciones. Hoy en día, los sensores y dispositivos IoT necesarios para recopilar datos de máquinas, incluso de equipos antiguos, cuestan unos pocos dólares y están disponibles en todo el mundo. Por el contrario, la obtención de información a partir de datos oscuros mediante tecnologías como los gemelos digitales, las API o las plataformas IIoT se convertirá en la norma en los próximos años y las empresas de fabricación deben posicionarse para aprovechar las capacidades ampliadas de análisis de big data.
Los avances acelerados en las tecnologías de análisis de big data proporcionarán a los fabricantes los medios para desarrollar estrategias basadas en datos para remodelar el taller. Los casos de uso incluyen:
Planificación de la capacidad y optimización de la distribución
Los datos de la fábrica siempre tienen una historia que contar. Puede tratarse de la mejora del rendimiento de las máquinas o de los efectos del aumento de la demanda. El uso de la herramienta analítica adecuada desarrolla el esbozo de la historia, su trama, y la finaliza. Con datos precisos y la herramienta analítica adecuada, los fabricantes pueden anticiparse a los cambios y desarrollar planes optimizados para hacer frente a los cambios previstos.
La planificación de la capacidad ofrece a los fabricantes la oportunidad de aprovechar los datos del taller. En este caso, una herramienta de planificación de la capacidad utiliza datos históricos para determinar cómo afectará la fluctuación de la demanda a los recursos disponibles y cómo mitigar los retos operativos. La planificación de la capacidad también está relacionada con la optimización de la distribución, ya que la disposición de la planta reduce el tráfico en la misma y mejora el rendimiento operativo.
Las herramientas tradicionales de planificación de la capacidad, como los sistemas empresariales de fabricación o el software de modelado de simulación, están equipadas para mejorar los planes de capacidad. La utilización del gemelo digital aporta un elemento de tiempo real a la planificación de la capacidad, como muestra el ejemplo de CKE Restaurant.
Para mejorar la productividad, CKE Restaurant, la empresa matriz de Hardees y Carl’s Jr., planeó reconfigurar la distribución de sus cocinas y mejorar su capacidad para satisfacer la creciente demanda de los clientes. Aprovechando los datos de la planta de producción, CKE desarrolló diferentes configuraciones de planos de planta propuestos con capacidad para mejorar la productividad. Los empleados interactuaron con éxito con el entorno digital utilizando auriculares de realidad aumentada para probar y determinar la configuración óptima para sus distribuciones de tienda propuestas.
Control de estado y mantenimiento predictivo
La aplicación más común de los datos recogidos en el taller es hacer un seguimiento de la maquinaria y los procesos de producción mediante la captura continua de datos operativos. La monitorización de estado permite al fabricante detectar fallos y requiere un análisis exhaustivo. En primer lugar, las tecnologías de recopilación de datos, como los dispositivos IoT o los sensores, realizan un seguimiento de las operaciones de la máquina y las herramientas analíticas analizan constantemente los patrones de datos para detectar anomalías. Por lo general, las anomalías detectadas se localizan o rastrean hasta el componente defectuoso de la máquina y se toman medidas.
La monitorización de la condición es también la precursora del desarrollo de estrategias de mantenimiento predictivo. Los datos obtenidos de la monitorización de estado se convierten en conjuntos de datos históricos que se analizan para descubrir patrones que predigan futuros fallos de los equipos. Un ejemplo de mantenimiento predictivo es el despliegue por parte de Volvo Group Truck de una plataforma IIoT para rastrear y analizar datos de sus camiones. La supervisión constante de la tasa de rendimiento de los camiones y de los datos de los vehículos ayudó a Volvo a desarrollar una estrategia de mantenimiento predictivo que redujo los tiempos de diagnóstico en un 70 %.
Apoyo a las aplicaciones de la Industria 4.0
La implantación de la Industria 4.0 gira en torno a la comprensión de su concepto empresarial básico. Estos conceptos incluyen la optimización del rendimiento de la planta basada en datos, el mantenimiento predictivo, la validación y las pruebas, etc. Adoptar con éxito cualquiera de estos modelos de negocio requiere amplias capacidades de captura y análisis de datos. El ejemplo de CKE Holding destaca el uso de herramientas analíticas de datos para validar, probar y mejorar los planes, y el ejemplo de Volvo muestra el análisis de datos como herramienta para la supervisión del estado.
La industria avanza hacia la Industria 4.0 impulsada por soluciones de transformación digital que facilitan la captura y el análisis de datos, pero aún se puede hacer más. En la actualidad, el 65 % de los datos oscuros permanecen ocultos en los equipos y procesos de fabricación. Si se consigue recopilar o capturar estos conjuntos de datos, los fabricantes dispondrán de más material con el que trabajar para alcanzar objetivos específicos del sector.
Conclusión
Se espera que la introducción de la computación de borde facilite la captura de datos oscuros del taller y su utilización. El aprovechamiento simultáneo del análisis descentralizado que ofrece el edge computing y la utilización de plataformas analíticas centralizadas, como el gemelo digital, impulsarán la consecución de la fábrica «sin luz» del futuro.