Datos de máquinas para fabricantes - Métricas clave que debe controlar

La creciente adopción del Internet de los objetos (IoT) ha bombardeado a los fabricantes con una avalancha de datos que apenas pueden manejar con los métodos tradicionales de la tecnología de la información.

Y a medida que las fábricas se vuelven más intensivas en tecnología, se ha vuelto imperativo para los fabricantes encontrar formas de rastrear y analizar estos datos de las máquinas para seguir siendo competitivos.

Esto significa que los fabricantes necesitan centrarse en las métricas clave que afectan a sus operaciones, permitiéndoles supervisar y optimizar la producción en toda su planta de producción.

Pero antes de entrar en materia, he aquí una rápida recapitulación de los aspectos básicos.

Con la pura automatización de los sectores mecanizados de una operación de fabricación, se filtra un tesoro de datos de las máquinas y dispositivos instalados en la fábrica.

En términos más sencillos, los datos generados por máquinas son precisamente eso: datos procedentes de los dispositivos de la línea de producción y otras áreas de la fábrica. Cada acción y decisión tomada por una máquina sin intervención humana directa se registra en un sistema o base de datos, creando datos generados por máquinas.

Esto supone un cambio con respecto a los métodos tradicionales que dependían en gran medida de software propietario para registrar y clasificar los diferentes datos no uniformes procedentes de los dispositivos de las fábricas. Sin embargo, el actual diluvio de datos requiere un mayor procesamiento para proporcionar información procesable a los equipos que controlan las operaciones.

He aquí algunos de los distintos tipos de datos generados por máquinas que se originan en una planta de fabricación típica.

A medida que las operaciones de fabricación se vuelven más complejas, también lo son los tipos de dispositivos necesarios en la planta de producción. En consecuencia, estas máquinas producen diferentes tipos de datos en sus diversas funciones.

Como tales, los datos generados por máquinas pueden agruparse vagamente en estos tipos:

• Datos de los sensores: Dado que las máquinas funcionan de forma casi continua durante su tiempo de funcionamiento programado, pasan por diferentes funciones y procesos que emiten datos valiosos. Los sensores de las máquinas captan la presión, la temperatura, la humedad, las vibraciones, la aceleración e incluso los niveles de potencia. Este tipo de recopilación de datos de las máquinas desempeña un papel fundamental a la hora de controlar la salud de los equipos a través de la eficacia general de los equipos (OEE), que sirve de base para las decisiones de mantenimiento predictivo y resolución de problemas.

• Registro de datos: Algunas máquinas utilizan bases de datos, registrando diversos tipos de datos que son clave para analizar el rendimiento y otros elementos críticos en la planta de producción. Además, diversas aplicaciones, servidores web y sistemas de archivos incluidos en los procesos de fabricación pueden ser fuentes ideales para estos datos generados por las máquinas.

• Datos de red: Una planta de producción equipada con máquinas conectadas y dispositivos inteligentes genera gran cantidad de datos de red a medida que estos instrumentos se comunican entre sí durante el curso de la producción. Las máquinas no sólo interactúan de forma inalámbrica a través de dispositivos de borde, sino que también pueden hacerlo a través de conexiones por cable en redes locales. Por ello, el análisis de los datos de las máquinas facilita la vigilancia de la integridad de la red por la que viajan los datos de las máquinas.

Vea nuestro seminario web a la carta: Visualice sus operaciones de forma holística con la supervisión de máquinas →

Los fabricantes que adoptan las tecnologías digitales en sus operaciones están mejor equipados para optimizar los procesos, garantizando que la producción avance sin problemas y mejore con el tiempo. El grado en que una empresa es capaz de impulsar la mejora continua depende de cómo y desde dónde implementen los esfuerzos de recopilación de datos de las máquinas.

Antes de embarcarse en este viaje de recopilación, es imprescindible peinar sus procesos empresariales para determinar su capacidad actual de recopilación de datos de máquinas e identificar posibles lagunas en la recopilación de datos.

Posteriormente, puede poner en marcha varias soluciones -únicas para su operación- para obtener los datos necesarios para impulsar la mejora.

He aquí algunos ejemplos de fuentes clave para la recopilación de datos de máquinas:

• Máquinas en la planta: Las propias máquinas de la planta de producción son una gran fuente de datos valiosos. Las máquinas modernas están equipadas con varios sensores que transmiten diferentes formas de datos. Estos datos proporcionan actualizaciones sobre el estado de la máquina en cuestión, lo que permite a los operarios tomar las decisiones informadas que sean necesarias. Además, algunas plantas disponen de edge computing que analiza estos datos, eliminando la necesidad de la intervención humana en el proceso de optimización de la máquina.

• Sistemas conectados: Las máquinas en la planta no siempre ofrecen la imagen completa. Por ello, el uso de sistemas de fábrica conectados le permite integrar aplicaciones externas para obtener una visión más holística de los datos producidos por las máquinas y los equipos industriales.

• La aportación humana: Las máquinas-herramienta y los sistemas conectados no pueden hacer mucho para recopilar datos vitales. En varios casos, necesita que los operarios de planta introduzcan manualmente algunos datos para dar al conjunto más contexto, facilitando la toma de decisiones informadas.

Con todo lo anterior en mente, he aquí algunas métricas clave de fabricación que debería seguir:

• Volumen de producción: Es la cantidad de producto que su planta puede sacar de la línea de producción.

• Tiempo de funcionamiento y tiempo de inactividad de la máquina: También conocido como tiempo de funcionamiento, es el tiempo real que una máquina funciona en un periodo específico. Esta métrica pone de relieve el tiempo perdido durante las paradas, las averías o los cambios de turno.

• Rendimiento: La cantidad de producto que una máquina produce durante un periodo determinado. Esta métrica también puede aplicarse a toda la línea de producción para comprobar su eficiencia.

• Eficacia global de los equipos (OEE): Una medida de la productividad, la OEE describe la proporción de tiempo que una máquina trabaja al máximo rendimiento. La métrica es un producto de la disponibilidad, el rendimiento y la calidad de la máquina.

• Rendimiento de primera pasada: Es la proporción de productos que salen de la línea sin defectos y que cumplen las especificaciones sin que sea necesario ningún trabajo de rectificación.

• Tiempo medio entre fallos: El MTBF muestra a una operación de fabricación el tiempo de funcionamiento perdido por fallos del equipo. Como tal, también es un indicador de la fiabilidad de una máquina.

• Tiempo medio de inactividad: Denominado MDT, esta métrica es una indicación exhaustiva del tiempo que se tarda en realizar las reparaciones y el mantenimiento. Incluye cualquier retraso relacionado con el tiempo que tardan en llegar las piezas de repuesto y el tiempo perdido debido a la capacidad de un técnico.

• Coste energético por unidad: Es el coste de la electricidad, el vapor, el petróleo o el gas necesarios para producir una unidad de producto determinada en la fábrica.

Una vez que haya recopilado los datos clave generados por la máquina que necesita rastrear, el siguiente paso crucial es convertir dichos datos en valores. Disponer únicamente de datos generados por máquinas no es suficiente. Las investigaciones muestran que, aunque los lagos de datos se están convirtiendo en algo habitual en la industria, los científicos siguen dedicando el 80% de su tiempo a limpiar datos en una hoja de cálculo en lugar de ejecutar análisis y perfeccionar algoritmos. Los lagos de datos ineficaces están llevando a los fabricantes a la trampa de ricos en datos, pobres en información.

Rico en datos, pobre en información (DRIP) es un síndrome en el que las organizaciones son ricas en datos pero carecen de los procesos para utilizarlos y crear ventajas competitivas. Desgraciadamente, el DRIP se ha convertido en la descripción que define a muchos fabricantes que han invertido mucho en tecnología: sus datos desbordan, pero carecen del ancho de banda necesario para hacer algo con esos datos más allá de imprimirlos en PDF y crear unos cuantos cuadros y gráficos.

Para salir de la trampa del DRIP, los fabricantes deben enriquecer los datos generados por las máquinas con aportaciones humanas y proporcionar el dónde, el cómo y el por quién de la recopilación de datos. La contextualización de datos es la acción de añadir aportaciones humanas a los datos generados por máquinas para elevar los datos a información. Permite a su empresa obtener percepciones significativas que son procesables y es un paso fundamental en el camino hacia sistemas de fabricación predictivos y adaptables.

Al combinar diferentes fuentes y tipos de datos, la contextualización de los datos permite a los trabajadores de primera línea disponer de información en tiempo real y de perspectivas procesables para tomar decisiones oportunas y con impacto directamente en el taller. Esto significa no sólo mejoras en la eficiencia, la calidad y la productividad, sino también un nuevo nivel de agilidad que puede ayudar a las organizaciones a escalar de forma rápida y sostenible.

Para saber cómo puede empezar a contextualizar sus datos generados por máquinas y convertirlos en valores reales, escuche nuestro seminario web sobre contextualización e implementación de datos .