Industria 4.0: el paraíso de los datos en las plantas de producción
La ciencia de datos estratégica es un pilar esencial de todos los escenarios de la Industria 4.0. Un enfoque de minería de datos de cuatro pasos basado en el modelo CRISP-DM permite proyectos de éxito con los que sacar más partido a la información de las máquinas y la producción industrial.
En cuanto se menciona Big Data, lo primero en lo que piensa la mayoría de la gente es en las redes sociales o el análisis del comportamiento de los clientes en el comercio online. Pero eso no es todo. El análisis estratégico de datos también está ganando importancia en el ámbito de la producción. Según Frost & Sullivan, el análisis de datos en la industria presenta un potencial inmenso. Los expertos han descubierto que, si se trabajara más con los datos que ya existen en el proceso de producción, crecería la eficiencia de la producción en aproximadamente un 10%, se reducirían los costes operativos en casi un 20% y disminuirían los costes de mantenimiento en un 50%. El problema está en que, si bien los datos se pueden recopilar y almacenar en las fábricas con relativa facilidad, no se suelen aprovechar después, por lo que se pierde dicha información. Además, falta presupuesto y personal que se dedique a esta vital tarea. Aquellos que superen estas trabas y se centren en la ciencia de datos industrial podrán obtener nuevos conocimientos rápidamente y transformar su entorno de producción en un paraíso de datos.
El panel de control es insuficiente
Las evaluaciones manuales y la creación de paneles de control e informes no es suficiente debido, en parte, a que el panel de control se vuelve más complicado a medida que aumenta el volumen de datos. Por otro lado, tampoco muestra información relevante en el momento adecuado, lo que permitiría ver lo que está pasando rápidamente para tomar medidas. Las rutinas que se implementen en un sistema de control de máquinas normal, para monitorizar los procesos de producción y detectar errores, podrán identificar relevantes incidencias. No obstante, no pueden predecir problemas, vincular la información de forma significativa ni realizar análisis avanzados.
Falta cooperación entre equipos
La tarea central del análisis y desarrollo en el ámbito de la la Industria 4.0 es extraer información para la toma de decisiones a partir de los datos que se hayan recopilado y presentársela al usuario adecuado en el momento correcto. Para ello, es necesario planificar meticulosamente y con fundamento el proceso de conversión de los datos en información útil para, a continuación, implementarlos. Dicho proceso requiere de una estrecha cooperación entre los expertos en datos y los especialistas en procesos de producción que conocen la historia que hay detrás de los datos.
Las tres ‘uves’ del ‘Big Data’
Los analistas de datos están especialmente familiarizados con las tres V de los grandes conjuntos de datos: volumen, variedad y velocidad. Por ejemplo, una máquina de packaging puede generar fácilmente gigabytes de datos al día susceptibles de almacenarse durante un largo periodo de tiempo. En el caso de las máquinas de inspección, esta cantidad puede llegar a ser de varios terabytes al día. Almacenar tal cantidad de datos no es un problema, pero usarlos sí que supone un reto. Por otra parte, las máquinas producen hoy tipos de datos de un espectro más amplio que hace unos años: además de los valores medidos, se almacenan datos sin procesar procedentes de los sensores y otros metadatos, y esta información incluye resultados de mantenimiento, así como imágenes asociadas. El operario de la máquina también puede generar datos, lo que incluye tiempos de ciclo e incluso comentarios escritos y hablados.
Y esto no es todo: normalmente, cada milisegundo se leen datos sin procesar procedentes de los sensores, que se deben tratar como información de transmisión. Al mismo tiempo, la velocidad en su análisis desempeña un papel cada vez más importante. Por lo tanto, no basta con actualizar los paneles de control una vez al día o cada hora, pues lo que el operario quiere es contar inmediatamente con información relativa a problemas potenciales para evitar dificultades a corto y largo plazo o tiempos de inactividad. Lo ideal sería que la máquina recibiera notificaciones en tiempo real para permitir su corrección automática durante el mismo ciclo de producto. Además, los científicos de datos deben comprobar constantemente la veracidad de los datos, la cuarta V, por la posibilidad de que estén dañados a causa de alguna incidencia en el sensor u otro dispositivo, a que no estén o a haberse grabado de forma obsoleta, lo que puede comprometer seriamente el análisis y dar lugar a conclusiones falsas.
Nuevo enfoque de la Industria 4.0
La ciencia de datos industrial es una disciplina totalmente nueva. Por lo tanto, no existe todavía un enfoque homogéneo y válido que resulte adecuado para el conjunto de las empresas.
Todas las soluciones y aplicaciones actuales requieren que se personalice el análisis y modelado de datos para lograr el mejor resultado posible. Sin embargo, resulta útil contar con un enfoque estándar. El modelo CRISP-DM -proceso estándar interindustrial para minería de datos- es la base más comúnmente adaptada. OMRON la ha simplificado y adecuado para darle un nuevo enfoque. Sus cuatro pasos son la preparación, el análisis y desarrollo de aplicaciones, la evaluación y el mantenimiento.
Ejemplo práctico de línea SMT
Una solución basada en datos no siempre tiene que incluir modelos sofisticados de inteligencia artificial o aprendizaje automático. A veces, basta con procesar los datos de forma eficaz y proporcionar la información correcta en el momento y de la manera adecuados. Un buen ejemplo de este tipo de proyecto está en el documento técnico Servicios de ciencia de datos de Omron: cómo sacarle el máximo partido a los datos de planta, de descarga gratuita, llevado a cabo en las líneas de tecnología de montaje superficial (SMT) de componentes electrónicos de la fábrica Omron Manufacturing de Países Bajos.
Los cuatro pasos de OMRON
En primer lugar, fase de preparación. Fase muy importante en la que expertos y otros participantes recopilan y analizan los datos a modo de estudio de viabilidad. Finalmente, se genera un informe con información sobre el valor generado esperado y un retorno de la inversión (ROI) realista.
Después, Análisis y desarrollo de aplicaciones. Los datos se recopilan durante un mayor periodo de tiempo para obtener una imagen representativa del comportamiento de la máquina y del proceso. En función del objetivo del proyecto, una canalización de datos se divide en las siguientes etapas: recopilación de datos, preprocesamiento, análisis y su aplicación con conclusiones finales.
Penúltima fase, Evaluación. La aplicación se utiliza en el entorno de producción para evaluar con la máxima precisión el rendimiento y los resultados empresariales. Si no satisface las expectativas, se vuelven a llevar a cabo las fases anteriores del proyecto.
Y la última: Servicio y mantenimiento. Los procesos productivos y el comportamiento de las máquinas evolucionan rápidamente y de forma paralela. Así pues, es fundamental validarlas periódicamente para confirmar su funcionamiento óptimo. La cantidad de datos disponibles también crece exponencialmente, por lo que será necesario crear modelos mejores.