TIBCO sobre la fabricación dentro de la nueva economía anómala

El director de estrategia de digitalización de TIBCO, Alessandro Chimera, analiza la forma en que los fabricantes usar datos, IA y automatización para monitorear sistemas

La forma en que usamos los datos para monitorear y controlar los sistemas de fabricación ha cambiado. TIBCO director de estrategia de digitalización Alessandro Chimera se pone su mono electrónico y recarga su pistola de engrase digital para explicar la forma de la economía anómala que guía la gestión del rendimiento operativo y analiza todo, desde los gemelos digitales hasta la IA, la automatización y la supervisión humana.

Algunas partes de la industria manufacturera todavía existen como lo hicieron a principios del siglo XX. Todavía necesitamos la grasa, los engranajes y las máquinas pulidoras junto con los monos y las pausas para el té. Esos fundamentos probablemente se extenderán mucho en el futuro autónomo automatizado porque los humanos siempre jugarán un papel en la narrativa fundamental más amplia que opera cualquier instalación de fabricación.

Pero, por supuesto, sabemos que la fabricación ha cambiado. A lo largo de la primera, la segunda y ahora la tercera revolución industrial, hemos visto la aceleración impulsada por vapor, la mecanización y ahora la automatización impulsada por TI aplicada a las operaciones de fabricación de formas que nuestros predecesores nunca habrían imaginado posibles.

A medida que ingresamos a las instalaciones de fabricación hipercontroladas del mañana con gemelos digitales y datos que ahora se unen a nuestras máquinas físicas y trabajadores humanos, debemos preguntarnos cómo abordaremos la detección de anomalías. Es bastante fácil detectar una caída o un pico en un gráfico que informa una medición significativa, pero ¿qué hacemos cuando hay una degradación lenta de la calidad o el rendimiento que ocurre durante un mes, o quizás más?

Supervisión humana ciega

Las instalaciones de fabricación modernas ahora operan a una escala de producción en masa que supera la capacidad de cualquier persona (o incluso de un grupo) para estar en todos los puntos de la planta a la vez. En estos entornos, no podemos confiar en la observación humana para que nos proporcione la imagen completa que necesitamos. En las instalaciones modernas de hoy en día, rara vez hay una sola variable para rastrear, es más probable que haya cientos o miles de variables.

Si una anomalía de producción "se cuela" lentamente en nuestras operaciones, puede pasar desapercibida hasta que sea demasiado tarde y no podamos hacer nada al respecto. Necesitamos hablar sobre nuevas formas de trabajar.

Una aguja en un pajar de datos de fabricación

Sabemos que los conjuntos de datos industriales son muy grandes y extremadamente complejos. Por lo tanto, detectar y predecir anomalías es más difícil que buscar una aguja en un pajar, ya que a menudo no sabemos lo que estamos buscando. Pero detectar una anomalía significa ahorrar, lo que a su vez se traduce en mayores rendimientos de producción, tanto de inmediato como más adelante.

Muchos fabricantes saben que tienen conjuntos de datos masivos, pero con demasiada frecuencia esos almacenes de datos están aislados y dispersos en múltiples sistemas. Esta dispersión y divergencia de datos dificulta la comprensión cuando una anomalía está relacionada con múltiples sistemas de datos o con diferentes fases de producción física. De hecho, a veces es necesario recuperar datos de productos que ya están en el mercado y que han presentado problemas operativos o de funcionalidad. De cualquier manera, el primer paso es unificar todas sus fuentes de datos.

Hoy trabajamos en un mundo donde la analítica se está convirtiendo en una parte fundamental de las fábricas modernas; una tendencia subrayada por el desarrollo de gemelos digitales, donde necesitamos aplicar análisis precisos, rápidos e inteligentes para obtener la información predictiva que estas máquinas virtuales pueden proporcionar.

Una vez que los datos están disponibles y se puede acceder a ellos, el análisis avanzado está ahí para comenzar a analizar qué buscar. Las modernas técnicas de ciencia de datos nos están ayudando a descubrir anomalías ocultas que no se comprenden de inmediato debido a la enorme cantidad de parámetros que pueden influir en la calidad del producto.

Anomalías en el aprendizaje automático y en los exploradores de IA

Esto nos lleva a hoy. Ahora estamos en un punto en el que el aprendizaje automático (ML) y la inteligencia artificial (IA) también se están abriendo paso en el proceso de producción.

Algunos fabricantes han utilizado inicialmente ML para comprender sus iniciativas de marketing, segmentar clientes y desencadenar acciones específicas. Pero en años más recientes, los fabricantes más progresistas y avanzados han comenzado a comprender el beneficio de usar técnicas de ML e IA para detectar anomalías.

Un ejemplo es el uso de codificadores automáticos para aprender de los datos. Un autocodificador es una técnica de inteligencia de red neuronal artificial utilizada en ML. Se utiliza para codificar y aprender funciones a partir de conjuntos de datos sin etiquetar en lo que comúnmente llamamos aprendizaje no supervisado.

Nuestro futuro de fabricación eficiente en tiempo real

Al aplicar modelos estadísticos entrenados a datos en tiempo real, es posible predecir cuándo ocurrirá una anomalía. Esto nos lleva a un nuevo punto de operaciones eficientes. Todo lo cual nos lleva al punto en el que ahora podemos pasar de reaccionar ante una anomalía a predecir la anomalía con el beneficio de lograr reducciones sustanciales en los costos operativos. Reducimos los costos como resultado directo de la reducción de las tasas de defectos y desechos y la prevención del tiempo de inactividad no planificado del equipo.

Hemlock Semiconductor (HSC) es un fabricante líder que utiliza soluciones de control de procesos, mantenimiento predictivo y detección de anomalías para agilizar y controlar su fabricación de semiconductores.

Al introducir alertas casi en tiempo real para los procesos de fabricación individuales, los empleados ahora pueden comparar automáticamente los parámetros clave con los umbrales predefinidos, las reglas estadísticas y los patrones óptimos descubiertos a través del aprendizaje automático y los métodos de IA. HSC recibe alertas generadas automáticamente tan pronto como un proceso cae fuera de las bandas de parámetros aceptables, notificando al personal de fabricación que algo requiere su atención. Luego, el personal puede acceder fácilmente a los datos para ver con precisión qué variable puede haber causado el problema. Una vez que se identifican estas relaciones de causa y efecto, los equipos toman medidas para evitar que los defectos del proceso vuelvan a ocurrir.

Todo este progreso finalmente nos lleva a nuestro mañana y al futuro de nuestro planeta. A medida que el uso de gemelos digitales se expande en línea con la aplicación de análisis de datos y ML, cada fabricante se convierte en una fábrica basada en datos, enfocada en la detección de anomalías cada vez más precisa. En este punto, los fabricantes pueden trabajar más intensamente con un consumo de energía optimizado por el bien de todos.

La productividad de las plantas siempre será una prioridad y, dado que el futuro está innegablemente basado en datos, este es un camino que lógicamente debemos tomar. Como resultado, podremos poner en el mercado productos que ofrezcan no solo un mejor rendimiento, sino que también funcionen mejor y duren más. El impacto que tiene en el mercado de productos desechables baratos, donde la calidad se ajusta para que 'caduque' después de un período de tiempo determinado, es otra pregunta para otro día.

La forma en que fabricamos bienes y servicios relacionados ahora se puede mejorar a través de la detección de anomalías y la potencia del motor correspondiente que obtiene del análisis de datos y la inteligencia. Si eso no es una excusa para quitarnos el overol y sentarnos a tomar un té, entonces nada lo es.