A medida que las metodologías de fabricación ajustada se adoptan de forma más generalizada a medida que nos adentramos en la era digital, existen más oportunidades que nunca para convertir los procesos de producción rutinarios en datos que marquen la diferencia.
Esto se debe en gran medida a la maduración de los big data,un término comodín para un conjunto de técnicas de almacenamiento, organización y análisis desarrolladas para conjuntos de datos masivos.
En este post, le presentaremos algunos conceptos clave de big data, así como los casos de uso y las aplicaciones más importantes para el análisis de big data en la fabricación.
Definición de Big Data en la fabricación
Los macrodatos se definen como conjuntos de datos excepcionalmente grandes, que pueden alcanzar los miles de millones de filas y parámetros. En la fabricación, los big data pueden incluir datos recopilados en cada etapa de la producción, incluidos los datos de máquinas, dispositivos y operarios.
Estos datos pueden ser estructurados o no estructurados.
El enorme volumen y complejidad de los grandes conjuntos de datos y el número de herramientas, técnicas y mejores prácticas específicas para trabajar con ellos han conducido a la maduración del campo de la ciencia de datos y el análisis de big data en la industria manufacturera y en torno a ella.
Conecte los sistemas, las máquinas y los operarios de todas sus operaciones
Vaya más allá del MES tradicional y descubra cómo Tulip puede ayudarle a automatizar la recopilación de datos y realizar un seguimiento de las métricas de producción en tiempo real.
Conceptos de Big Data
Aunque es posible comprender cómo el crecimiento de los macrodatos revolucionará el análisis de los datos de fabricación sin entender cómo funciona "bajo el capó", por así decirlo, familiarizarse con algunos conceptos clave puede ayudar mucho.
Para empezar, es importante comprender que el análisis de big data no es sólo una cuestión de software.
Hay una enorme cantidad de hardware e infraestructura necesarios para soportar la IA, el aprendizaje automático y los algoritmos de aprendizaje profundo.
En muchos casos, los datos de fabricación se almacenan en lagos de datos a través de la nube y se procesan en clústeres de GPU en lugar de con los procesadores de CPU tradicionales. Todo esto es una forma en jerga de decir que la cantidad de datos generados por la fábrica moderna requiere herramientas actualizadas de almacenamiento y procesamiento para soportarlos.
En términos de análisis de datos, hay pocas formas fundamentales resultados y procesos detrás incluso de las técnicas más sofisticadas.
Separar con certeza la correlación de la causalidad
Especialmente en la fabricación, comprender las causas profundas es absolutamente esencial para la mejora continua.
No debería sorprender entonces que las herramientas diseñadas para determinar si dos variables están o no correlacionadas o inferir qué variables son causales sean tan importantes. Aunque las técnicas estándar como la regresión lineal se han utilizado con gran efecto durante décadas, los algoritmos de aprendizaje automático permiten encontrar la correlación y la covarianza en conjuntos de datos más grandes y ruidosos.
Aislar valores atípicos e inestables
Cuando se trabaja con un gran conjunto de datos, es fundamental comprender qué puntos de datos pueden agruparse en una tendencia y cuáles son valores atípicos.
Esto es importante no sólo porque mejores datos significan resultados más limpios, sino porque la detección de valores atípicos es importante para programas como el mantenimiento predictivo, que se basan en la detección de anomalías y su correlación con el fallo de la máquina o la degradación de las piezas.
Con suficientes datos, las redes neuronales y el análisis de aprendizaje automático (bosque aleatorio, bosque de aislamiento) pueden ayudar a detectar, clasificar y medir la importancia de los puntos de datos.
Crear clasificaciones novedosas
Uno de los resultados más emocionantes del aprendizaje automático es la producción de novedosas estructuras de clasificación y jerarquías de una organización que podrían eludir fácilmente los esfuerzos humanos. Normalmente denominados "aprendizaje no supervisado" o "análisis de conglomerados", estos algoritmos analizan y clasifican la información de un conjunto de datos detectando patrones inherentes a los mismos. Para la fabricación, una aplicación de los algoritmos de clasificación podría ser encontrar información novedosa sobre la eficiencia de las máquinas en los datos recogidos como parte de un programa de supervisión de máquinas.
En última instancia, estas técnicas se distinguen por su capacidad de "entrenarse" en un conjunto de datos determinado para producir resultados más fiables con cada nueva entrada; por el tamaño del conjunto de datos que pueden acomodar; y por la fiabilidad de sus capacidades de clasificación, predicción y pronóstico.
Casos de uso de los macrodatos en la fabricación
Mantenimiento predictivo
La mayoría de los fabricantes siguen algún programa de mantenimiento preventivo (MP). Con el MP, los supervisores programan el tiempo de inactividad a intervalos regulares (o no tan regulares) para reparar los activos antes de que una avería inesperada provoque un costoso tiempo de inactividad no planificado.
Calidad predictiva
El concepto aquí es similar al del mantenimiento predictivo. Hay docenas de variables que contribuyen a los resultados de calidad. Para los fabricantes que hacen un seguimiento de estas variables, el análisis de big data puede ayudar a determinar las causas raíz y a identificar los factores que conducen a las no conformidades.
Detección de anomalías
Ya se trate de una pequeña desviación de las normas en la calidad de una pieza fresada o de la cantidad de calor generada por el propio molino, el análisis de big data permite separar la señal del ruido. Los algoritmos modernos permiten identificar anomalías con un alto grado de significación estadística.
Visión artificial
La visión por ordenador es una herramienta para analizar la acción humana dinámica en tiempo real. Los avances en IA y aprendizaje automático han hecho posible que los ordenadores observen, clasifiquen y respondan a los acontecimientos humanos a medida que se desarrollan.
Optimización del ciclo de vida de las herramientas
Aunque existen algunos trucos para alargar la vida útil de las herramientas, puede resultar complicado. Esto se debe a que hay muchas variables que influyen en cómo se desgastará una herramienta con el paso del tiempo. Los análisis de big data permiten aislar la causa raíz con mayor certeza.
Gestión de la cadena de suministro
El tiempo lo es todo. Los macrodatos permiten predecir con mayor certeza si un proveedor cumplirá o no lo acordado y permiten optimizar las cadenas de suministro para reducir los riesgos.
Previsión de la producción
Anticiparse a la demanda es fundamental para optimizar la producción. Los datos que recopile sobre sus operaciones, su negocio y sus proveedores pueden ayudarle a prepararse mejor para el futuro.
Mejorar la producción y el rendimiento
Existen innumerables factores que influyen en el rendimiento de la producción. Los macrodatos pueden ayudarle a encontrar patrones ocultos en sus procesos, permitiéndole emprender iniciativas de mejora continua con mayor certeza.
Optimización de la célula de trabajo
La forma en que se estructura una célula de trabajo es fundamental para la eficiencia. La IA puede encontrar patrones en las interacciones hombre-entorno que le permitan diseñar los sistemas de fabricación más eficientes posibles.
Gestión del ciclo de vida del producto (PLM)
En algunas industrias (farmacéutica y biotecnológica), cada mes en el mercado multiplica el valor de vida de un producto. La IA extrae información de productos anteriores y factores críticos del mercado para ayudarle a optimizar el valor que crean sus productos a lo largo del tiempo.
Conclusiones: La década de los datos
Las innovaciones aquí expuestas son sólo un rápido repaso. Existen otras innumerables aplicaciones y casos de uso para los macrodatos en la fabricación.
Una cosa, sin embargo, los une a todos. Se necesitan datos para realizarlas. Cuanto antes empiece a recopilar datos sobre sus sistemas de operaciones de fabricación, antes podrá aplicar las últimas innovaciones en ciencia de datos.
¿Listo para saber más? Consulte nuestra guía sobre la supervisión de máquinas para saber cómo empezar a recopilar los datos que necesita.
Capture datos de producción en tiempo real y mejore la forma de gestionar sus operaciones
Vea cómo un sistema de aplicaciones puede ayudarle a tomar mejores decisiones basadas en datos con una prueba gratuita de Tulip.