Ocho pasos que la industria debe dar hacia la transformación digital

Pensar en la digitalización puede resultar abrumador. Cuando empezamos a hablar de IIoT o digitalización hace aproximadamente una década, los conceptos se prescribieron como un enfoque omnicomprensivo y descendente que llevaba al mundo industrial de la Industria 3.0 a la Industria 4.0.

Sin embargo, ese enfoque resultó ser demasiado grande. En lugar de identificar problemas reales que pudieran solucionarse, algunos fabricantes querían agitar una varita mágica y gastar una tonelada de dinero intentando poner al día a todo el mundo.

Un enfoque mejor es empezar con un estudio piloto relativamente pequeño e ir creciendo a partir de ahí. En este artículo, esbozaré ocho pasos que los fabricantes pueden dar para abordar la digitalización con determinación, de modo que su organización pueda ver un impacto real y duradero.

Consiga la implicación de los ejecutivos

No piense en la digitalización como un fin en sí mismo, sino como un medio para alcanzar un fin más importante, como mejorar las operaciones, conseguir un balance neto cero u otro resultado empresarial. Para lograr un impacto a largo plazo, la digitalización necesita la implicación de los directivos desde el principio.

Sin el apoyo de los directivos, la digitalización permanecerá aislada. Aunque el proyecto tenga éxito, no podrá ampliarse a toda la planta o la empresa. En segundo lugar, la organización necesitará una cultura comprometida con la digitalización. Los empleados deben confiar en que el esfuerzo no les dejará sin trabajo.

Identifique un punto problemático -una máquina o un proceso- por el que pueda empezar

Empiece con un proyecto pequeño y manejable en el que pueda demostrar cómo la mejora beneficiará materialmente a la empresa. Por ejemplo, la mayoría de los fabricantes miden la eficacia general de los equipos (OEE) como indicador clave de rendimiento (KPI). La OEE se calcula multiplicando el rendimiento por unidad por la calidad y el tiempo de producción. Tal vez su máquina tenga una OEE de 0,57. Puede fijarse el objetivo de mejorarla hasta al menos 0,75, o cualquier otra mejora que decida que es alcanzable y que tendrá un impacto.

Aplique el conjunto de soluciones mínimamente viables.

En lugar de intentar digitalizarlo todo a la vez, fíjese en un proceso real de pequeño alcance y, a continuación, aplique el número mínimo de pasos para solucionar ese problema (Figura 1). No es necesario apuntarse a un costoso proyecto de transformación de la digitalización dirigido por un consultor.

Hable con un socio con experiencia práctica en la ejecución de proyectos de digitalización del mundo real. Un socio de este tipo puede ayudarle a instalar PLC y dispositivos de borde de la forma más eficaz y, a continuación, conectar esos dispositivos a sensores que miden cosas como la vibración, la temperatura, las corrientes y la energía. Introduzca en el sistema unos pocos puntos de datos (entre el 3 y el 5 por ciento de las E/S de una máquina) y, a continuación, compárelos con los datos de producción. Probablemente ya disponga de los datos, pero sólo tiene que recopilarlos y buscar correlaciones.

Registre todos los datos relevantes

Una vez recopilados los datos, hay que medirlos, controlarlos y transportarlos a algún lugar -tal vez en las instalaciones o en la nube- y luego registrarlos en una base de datos o un historiador adecuados. Hay muchas opciones gratuitas, como las bases de datos Mongo o Influx.

Presente esos datos, en el formato adecuado, a las personas adecuadas

Probablemente hay muchas personas diferentes que interactúan con esa máquina por diferentes razones. Los datos que está recopilando podrían beneficiar a los operarios de la máquina, a los ingenieros y a cualquier otra persona afectada por el funcionamiento de la máquina.

En lugar de introducir algo desconocido, adapte los datos a su flujo de trabajo y proceso actuales. Presente los datos en formatos familiares (figuras 2A y 2B). Un director de planta puede querer ver una hoja de cálculo Excel. Un operario de maquinaria puede querer verlo en el programa de mantenimiento que ya utiliza. Otras personas pueden querer ver nada más que una luz intermitente si la máquina no funciona bien. Esto permite a los trabajadores tomar las medidas necesarias.

Si la solución no funciona, itere. Cambie una variable cada vez y es probable que optimice hasta cierto punto. Si no, fracasa rápido y aprende.

Aplíquelo a máquinas similares

Ahora que está viendo los resultados de su proyecto piloto, puede aplicar esas lecciones a varias máquinas de una misma planta, o incluso a varias plantas de todo el país (o del mundo).

Las máquinas de su planta pueden ser muy diferentes, pero todas tienen algunas similitudes. Por ejemplo, todas utilizan algún tipo de energía. Evaluar los datos energéticos puede ser valioso desde una perspectiva empresarial, y la tecnología para escalar la supervisión energética es similar, independientemente del tipo de máquina.

Una vez que se ha escalado, puede ser instructivo comparar la eficiencia de diferentes máquinas o plantas. ¿Puede repetir lo que ha hecho aquí y hacer que otras máquinas pasen de una OEE de 0,58 a 0,75, como hizo en el proyecto original?

Compare y ajuste algunas cosas para máquinas similares e incluso aplíquelas a máquinas distintas y controle sus resultados. Pero recuerde: si no ha conseguido que los ejecutivos se comprometan desde el principio, la ampliación será difícil.

Compártalos con otras partes interesadas que tengan un punto de vista único

Una vez resuelto el problema inicial, los datos siguen estando disponibles. Otras personas ajenas al equipo original podrían aportar una perspectiva que se pasó por alto inicialmente. Un científico de datos podría examinar el mismo conjunto de datos y ver otras oportunidades de mejora (figura 3).

Por ejemplo, un fabricante recopiló y analizó los datos de energía y producción de las máquinas y consiguió ahorrar en torno a un 10% de electricidad y del coste asociado a esa energía. Este era el objetivo inicial, y el proyecto fue un éxito: la empresa ahorró energía y dinero, al tiempo que mejoraba su huella de carbono.

Pero la cosa no quedó ahí. Después de que el científico de datos tomara esos mismos datos y los pasara por un modelo de aprendizaje automático, pudo detectar anomalías. Con esta información, el fabricante pudo aplicar prácticas de mantenimiento predictivo para reducir el tiempo de inactividad.

Evolve

A los humanos se nos da muy bien identificar el problema y, una vez que se nos presentan los datos y la información de forma familiar (SCADA, informes, etc.), aplicar soluciones de sentido común específicas del sector. Sin embargo, no se nos da bien digerir terabytes de datos y hacer inferencias.

El científico de datos puede ejecutar los datos a través de modelos de aprendizaje automático para encontrar anomalías adicionales. Esto podría dar lugar a un plan de mantenimiento predictivo que mejoraría la OEE y ahorraría dinero en el futuro.

El ML aporta conocimientos que los humanos podrían encontrar por sí solos. A medida que su planta madure digitalmente, evolucionará y encontrará nuevas formas de maximizar las operaciones, mejorar la sostenibilidad y ahorrar dinero.