Cómo pueden las empresas sacar más partido a la información de sus máquinas y a su producción

La ciencia de datos estratégica es un pilar esencial de todos los escenarios de la Industria 4.0. Un enfoque de análisis de datos de cuatro pasos basado en el modelo CRISP-DM permite proyectos de éxito.

Al mencionar ‘Big Data’, lo primero en lo que piensa la mayoría de la gente es en las redes sociales o en el análisis del comportamiento de los clientes en el ámbito del e-commerce. Sin embargo, el análisis estratégico de datos también está ganando importancia en el ámbito de la producción. Según Frost & Sullivan, el análisis de datos en el sector industrial presenta un potencial inmenso. Los expertos han descubierto que, si se trabajara más con los datos que ya existen en el proceso de producción, se podría incrementar la eficiencia de la producción en aproximadamente un 10 %, reducir los costes operativos en casi un 20 % y minimizar 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 la información que contienen. Además, suele faltar presupuesto y personal que se dedique a esta tarea. Aquellas compañías que superen estos obstáculos 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.

Cooperación entre los analistas de datos y los expertos en producción

Sin duda alguna, organizar la inmensa cantidad de datos y sacar partido a la información recogida por sensores, controladores y máquinas es una tarea compleja. Los paneles de control se vuelven más complicados a medida que aumenta el volumen de datos y las evaluaciones manuales no son lo suficientemente precisas.

Las rutinas implementadas en un sistema de control de máquinas normal para monitorizar los procesos de producción y detectar errores, pueden identificar desviaciones y otros problemas. Sin embargo, no pueden predecirlos ni realizar análisis más avanzados.

La principal tarea del análisis de datos en el ámbito de la Industria 4.0 es extraer información relevante para la toma de decisiones y presentársela al usuario adecuado en el momento correcto. Esta tarea implica planificar el proceso de convertir los datos en información útil de manera exacta. Dicho proceso requiere de una estrecha cooperación entre los analistas de datos y los especialistas en procesos de producción que conocen la historia que hay detrás de los datos.

Énfasis en ‘las tres V’ del Big Data: volumen, variedad y velocidad

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 adecuadamente sí que supone un gran reto.

Por otro lado, la velocidad del análisis de datos también desempeña un papel crucial, por lo que actualizar los paneles de control una vez al día o cada hora no es suficiente. El operario necesita contar con información instantánea, y por tanto en tiempo real, de problemas potenciales para evitar dificultades y tiempo de inactividad. Los analistas comprueban a tiempo real la veracidad de los datos - la cuarta 'V' - para evitar que estén dañados a causa de un problema en el sensor u otro dispositivo, lo que puede comprometer seriamente el análisis y dar lugar a falsas conclusiones.

Enfoque de proyecto con ‘data science’: preparación, análisis y desarrollo de aplicaciones, evaluación y mantenimiento

El ‘data science’ industrial es una disciplina totalmente nueva. Por lo tanto, todavía no existe un enfoque generalmente válido que resulte adecuado para el conjunto de las empresas. Todas las soluciones y aplicaciones 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 ‘data mining’) es la base más comúnmente adaptada. OMRON la ha simplificado y adaptado para darle un nuevo enfoque. Los cuatro pasos de este enfoque son la preparación, el análisis y el 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 aprendizaje automático o inteligencia artificial. A veces, basta con procesar los datos de forma eficaz y proporcionar la información correcta en el momento y de la manera adecuados. Se puede encontrar un ejemplo ilustrativo de este tipo de proyecto de ciencia de datos en el siguiente documento técnico de Omron. El proyecto se llevó a cabo en la fábrica que Omron tiene en Holanda (OMN) en líneas de tecnología de montaje superficial (SMT) en las que se montan o sueldan componentes electrónicos en placas de circuitos impreso (PCB).

Solo las soluciones más utilizadas aprovechan todo su potencial

Aprovechar el potencial de los Big Data en su entorno de producción no es tarea fácil, pero merece la pena. No basta con recopilar datos y crear unos cuantos gráficos. El objetivo es filtrar los datos para extraer la información relevante para producción y presentársela al usuario adecuado de la forma correcta. La clave consiste en transformar los datos en información útil, lo que debe hacerse sobre la base de una estrecha cooperación entre los analistas de datos y los expertos en el proceso de producción. Solo entonces se puede desarrollar una solución que resulte popular, se utilice a menudo y genere valor a largo plazo.

José Baena,
Regional Marketing Manager de Omron