Analítica de Datos: Epicentro de la Industria 4.0

Probablemente, lo primero que nos viene a la cabeza cuando hablamos de big data son datos generados por las redes, Internet, redes sociales, aplicaciones del mundo IT… pero lo cierto es que en el mundo OT (tecnologías operativas), a raíz de la industria conectada, los datos se han vuelto una fuente de conocimiento muy valiosa.

Se podría decir que a día de hoy, la analítica de datos es uno de los campos de la industria 4.0 que más foco está teniendo en cualquier estrategia de digitalización, no tanto por el análisis de datos como tal, sino por lo que se puede llegar a conseguir de ellos. Las posibilidades que abre la analítica de datos abarcan desde un informe descriptivo de lo que ocurre en una fábrica, hasta un algoritmo de inteligencia artificial que en tiempo real es capaz de reaccionar ante imprevistos en la producción.

Es importante destacar que muchas de estas aplicaciones no son independientes, por no decir la mayoría; para que una línea de producción llegue al punto de actuar ella sola ante imprevistos, se le tiene que indicar cómo actuar ante esos imprevistos, y a su vez, para que se conozcan todos los imprevistos que pueden ocurrir, se debe conocer en profundidad todos los actores de la producción, desde cada máquina hasta cada bajada/subida de tensión. Por lo que a la hora de llevar a cabo uno de estos proyectos además del analista, es muy importante la figura del experto en la industria.

Estos son los pasos a seguir en un proyecto de “data analytics”

Desde IOT Technologies queremos ayudar a nuestros clientes y futuros clientes en estos proyectos combinando la ciencia de datos con nuestro conocimiento vertical del sector, de forma que estamos consiguiendo crear valor con proyectos que van desde el “condition monitoring” y el análisis de datos para mantenimientos predictivos, hasta proyectos en los que se desarrollan técnicas de “machine learning” en máquinas y líneas de producción.

Para ello, el primer paso en todo proyecto que implique analítica de datos es definir el objetivo, un objetivo medible y focalizado. Por desconocimiento o por inexperiencia nos lanzamos a realizar una aplicación de inteligencia artificial sin haber analizado el caso o la problemática que tenemos, y esto conlleva que en muchos casos el resultado no corresponde con las expectativas iniciales. Por eso, nuestra estrategia debe tener claro desde el primer momento el objetivo final. Reducir en un 10% las paradas por mantenimiento, aumentar la producción en 7pzs/hora, mejorar la calidad y disminuir las piezas no aptas en un 8%, estimar la vida de la bomba para programar paradas de mantenimiento… son ejemplos de posibles objetivos. Se debe pasar del objetivo de digitalizarnos, ahorrar costes  o conocer mi planta, a un objetivo con principio y fin. De no hacerlo, en el mejor de los casos habremos perdido horas de análisis, y en el peor horas de análisis, de producción, inversiones en I+D y un sinfín de recursos.

Una vez tenemos un objetivo definido, el siguiente paso es definir la secuencia de los análisis a realizar, o dicho de otro modo, el camino que van a seguir nuestros datos. Este procedimiento se puede estructurar en 4 etapas, las cuales a su vez se pueden dividir en subfases, o algunas de ellas incluso se pueden aunar:

1.  
2. 1.- Etapa de descripción. La primera etapa es la etapa descriptiva, la cual a día de hoy está implementada en casi el 100% de las compañías. El objetivo de esta fase es informar de qué ocurre en planta, y el resultado suele ser un informe que recoge un análisis estadístico y descriptivo de todos los factores: informe de producción, informe de paradas, informe de mantenimientos, informe de fallos, informe de calidad, De forma que al finalizar esta fase yo sé con detalle qué ocurre en mi planta, en mi máquina o en mi proceso, y cómo.
3.  

2. 2.- Etapa de diagnóstico. La segunda fase se basa en preguntar ¿por qué? a la primera. ¿Por qué ha saltado esta alarma?, ¿por qué esta pieza ha salido defectuosa?, ¿por qué ha habido que parar la producción? El resultado de la etapa de diagnóstico suele ser un informe que recoge todos los eventos que pueden ocurrir y su origen en los datos: una relación de eventos y variables.
3.  

3. 3.- Etapa de predicción. Las dos primeras etapas se basan en contar o informar de lo que ha ocurrido, cómo, y por qué ha ocurrido, se realizan a partir de datos pasados. En esta etapa se cambia la visión, de mirar al pasado, a mirar al futuro. El objetivo es, a partir de lo que ya conocemos de nuestra planta como resultado de las fases anteriores, identificar qué va a pasar en el futuro. Por ejemplo: si yo sé que una de las razones de hacer una parada en mi producción es que la temperatura de la máquina H ha superado el límite definido en un 10%, si veo que la temperatura empieza a aumentar, cuando sobrepase el límite en un 5% podré identificar que en un tiempo X va a haber una parada porque dicho límite se habrá sobrepasado en un 10%.
4.  

4. 4.- Etapa de prescripción. Llegamos a la fase en la que a partir de todo lo que hemos hallado en las etapas anteriores, podemos decir a nuestra máquina qué hacer ante imprevistos, enseñamos a la máquina a actuar. Un ejemplo podría ser, la temperatura de mi máquina H aumenta cuando lleva un tiempo Y funcionando a máxima velocidad, a partir del resultado de la fase anterior, mi máquina puede detectar que la temperatura ha sobrepasado el límite en un 5% y disminuir la velocidad, para aumentarla de nuevo cuando la temperatura se estabilice, evitando paradas y aumentando la producción. Como resultado de esta fase podríamos tener un programa de autorregulación en nuestra línea, un algoritmo que detecte a lo largo de la producción que una pieza no se ha producido del todo bien y que aplique las medidas necesarias en el resto del proceso para que finalmente sea correcta, muchos casos de eficiencia energética para ahorro de costes, etc.

El ciclo de vida de los datos puede no acabar aquí. Los adoptadores más tempranos que ya han desarrollado algoritmos de inteligencia artificial están empezando a reforzar estos algoritmos con datos obtenidos a partir de ellos, de forma que si después de realizar una autorregulación la producción aumenta un 4%, y en otra ocasión un 8%, estos datos se están utilizando para definir mejoras en el propio algoritmo.

En definitiva, el mundo de la analítica de datos es muy amplio y por ello es fundamental fijar un objetivo e identificar los datos necesarios para conseguirlo. Un dato extraído como tal de una máquina no tiene mucha utilidad, el sentido se lo damos nosotros a través de los análisis, diagnósticos y predicciones, para, con todo eso, definir algoritmos que den un valor adicional a nuestro negocio.