TIBCO explora la innovación manufacturera en la economía de la anomalía

La forma en que usamos datos para monitorizar y controlar sistemas de manufactura ha cambiado. TIBCO el director de estrategia de digitalización Alessandro Chimera se pone sus overoles electrónicos y recarga su pistola de grasa digital para explicar la forma de la economía de la anomalía guiando la gestión del rendimiento operacional y discute todo, desde gemelos digitales hasta IA, automatización a supervisión humana.

Algunas partes de la industria manufacturera aún existen como lo hacían a principios de 1900. Todavía necesitamos la grasa, engranajes y máquinas de moler junto con los overoles y pausas para el té. Esos fundamentos probablemente perdurarán mucho en el futuro automatizado autónomo porque los humanos siempre jugarán un papel en la narrativa fundacional más amplia que opera cualquier instalación manufacturera.

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

A medida que entramos en la instalación de manufactura hipercontrolada del mañana con gemelos digitales y datos uniéndose a nuestras máquinas físicas y trabajadores humanos, debemos preguntarnos cómo abordar la detección de anomalías. Es bastante fácil detectar una caída o un pico en un gráfico que reporta una medición significativa, pero ¿qué hacemos cuando hay una degradación lenta de calidad o rendimiento que ocurre durante un mes, o quizás más?

Supervisión humana cegada

Las instalaciones de manufactura modernas ahora operan a una escala de producción en masa que supera la capacidad de cualquier persona (o incluso grupo) de estar en cada punto de la planta de fábrica a la vez. En estos entornos, no podemos confiar en la observación humana para proporcionarnos la imagen completa que necesitamos. En las instalaciones modernas de hoy, rara vez hay solo una variable que rastrear, es más probable que sean cientos o miles de variables.

Si una anomalía de producción "se cuela" en nuestras operaciones lentamente, 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 manufactura

Sabemos que los conjuntos de datos industriales son muy grandes y extremadamente complejos. Detectar y predecir anomalías es, por tanto, más difícil que buscar una aguja en un pajar ya que a menudo no sabemos qué estamos buscando. Pero, detectar una anomalía significa ahorros, que a su vez se traducen en mayores rendimientos de producción, tanto inmediatamente 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 hace difícil entender cuándo una anomalía está relacionada con múltiples sistemas de datos, o relacionada con diferentes fases de producción física. De hecho, a veces es necesario recuperar datos de productos que ya están en el mercado que han exhibido problemas operacionales 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 fábricas modernas; una tendencia subrayada por el desarrollo de gemelos digitales, donde necesitamos aplicar analíticas precisas, rápidas e inteligentes para obtener el insight predictivo que estas máquinas virtuales pueden proporcionar.

Una vez que los datos están disponibles y pueden ser accedidos, la analítica avanzada está ahí para empezar a analizar qué buscar. Técnicas modernas de ciencia de datos nos están ayudando a descubrir anomalías ocultas que no se entienden inmediatamente debido al enorme número de parámetros que pueden influir en la calidad del producto.

Machine learning y IA exploran anomalías

Esto nos trae al presente. Ahora estamos en un punto donde el machine learning (ML) y la inteligencia artificial (IA) están abriéndose camino en el proceso de producción también.

Algunos fabricantes han usado inicialmente ML para obtener entendimiento de sus iniciativas de marketing, segmentar clientes y disparar acciones específicas. Pero en años más recientes, los fabricantes más progresivos y avanzados han empezado a entender el beneficio de usar técnicas de ML e IA para detectar anomalías.

Un ejemplo es el uso de autoencoders para aprender de datos. Un autoencoder es una técnica de inteligencia de red neuronal artificial usada en ML. Se usa para codificar y aprender características de conjuntos de datos sin etiquetar en lo que comúnmente llamamos aprendizaje no supervisado.

Nuestro futuro de manufactura eficiente en tiempo real

Al aplicar modelos estadísticos entrenados a datos en tiempo real, es posible predecir cuándo ocurrirá una anomalía. Esto nos impulsa a un nuevo punto de operaciones eficientes. Todo lo cual nos lleva al punto donde ahora podemos cambiar de reaccionar a una anomalía, a predecir la anomalía con el beneficio de lograr reducciones sustanciales de costos operacionales. Reducimos costos como resultado directo de tasas reducidas de defectos y desperdicio y prevención de tiempo de inactividad no planificado de equipos.

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

Al introducir alertas en tiempo casi real para procesos de manufactura individuales, los empleados pueden ahora comparar automáticamente parámetros clave contra umbrales predefinidos, reglas estadísticas y patrones óptimos descubiertos a través de métodos de machine learning e IA. HSC recibe alertas generadas automáticamente tan pronto como un proceso cae fuera de bandas de parámetros aceptables, notificando a personal de manufactura que algo requiere su atención. El personal puede entonces acceder fácilmente a datos para ver precisamente qué variable puede haber causado el problema. Una vez identificadas estas relaciones causa-efecto, los equipos toman acción para prevenir que defectos de proceso vuelvan a ocurrir.

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

La productividad de la planta siempre estará al frente de la mente y como el futuro es innegablemente impulsado por datos, este es un camino que debemos tomar lógicamente. Como resultado, podremos poner productos en el mercado que entreguen no solo mejor rendimiento, sino que también funcionen mejor y duren más. Qué impacto tiene eso en el mercado de bienes baratos desechables —donde la calidad está ajustada para "expirar" después de un período de tiempo dado— es otra pregunta para otro día.

La forma en que manufacturamos bienes y servicios relacionados ahora puede mejorarse a través de detección de anomalías y el motor de poder correspondiente que obtiene de analíticas de datos e inteligencia. Si eso no es una excusa para quitarnos los overoles y sentarnos a un descanso para el té, entonces nada lo es.