Impulsando la Toma de Decisiones en Fabricación Avanzada a través de Analítica Potente

La fabricación avanzada es un empeño difícil y complejo. Y a medida que los gustos y tendencias de los consumidores han acelerado el deseo de nuevos productos y acortado los ciclos de vida de los existentes, los fabricantes de hoy deben confiar en big data para ayudarles a gestionar, predecir y perseguir los productos correctos en el momento correcto. Un estudio de PwC muestra que hasta el 92 % de los fabricantes consideran que su toma de decisiones es altamente basada en datos o algo basada en datos.

Es fácil pensar en big data como una entidad gigante única para ser gestionada para llegar a los insights correctos. Pero hay diferentes tipos de datos que pueden usarse dependiendo del nivel de madurez de la empresa y del tipo de software que gerentes y partes interesadas pueden desplegar para mejorar la toma de decisiones a nivel empresarial y de fábrica. Llamamos a esto el viaje de analítica de fabricación, e incluye cuatro tipos de analítica de datos.

Cuatro Tipos de Analítica de Datos de Fabricación

• Analítica Descriptiva: La analítica descriptiva le dice al usuario qué sucedió. Es un tipo de procesamiento de datos que usa datos históricos de toda la fábrica o empresa para buscar patrones, asociaciones y relaciones. Usando agregación de datos y minería de datos, los datos se organizan de manera que pueden producir insights profundos sobre acciones pasadas.

Esta información puede generar valor que ayuda a desarrollar estrategias de producto y de formas que ayudan a los usuarios a entender tendencias a lo largo del tiempo. Puede aplicarse en categorías amplias como calidad, finanzas e ingresos. Pero la analítica descriptiva está limitada por su naturaleza retrospectiva. Si bien patrones y tendencias útiles pueden surgir que ayuden a informar la toma de decisiones, es limitada en su aplicación a ocurrencias actuales y futuras. Para empresas que son altamente basadas en datos, se usan tipos adicionales de analítica de datos también.

• Analítica Diagnóstica: Donde la analítica descriptiva describe qué sucedió, la analítica diagnóstica explica por qué sucedió. Armados con la comprensión de que una máquina o grupo de productos se comportó de cierta manera, la analítica diagnóstica ayuda a determinar por qué. La analítica diagnóstica usa técnicas como drill-down, filtrado avanzado y minería de datos para buscar correlaciones que expliquen el porqué. Este tipo de análisis es útil para recopilar insights sobre problemas específicos y desarrollar predicciones confiables sobre cómo evitarlos.

Un ejemplo del valor del análisis diagnóstico es determinar si las alertas son válidas. Debido a que las fábricas conectadas de hoy generan una enorme cantidad de datos recopilados de una gran variedad de sensores y dispositivos perimetrales, el análisis diagnóstico puede calificar alertas y categorizarlas para que los operadores humanos las entiendan y actúen. Y con el volumen de datos de una gran variedad de sensores, el aprendizaje automático puede usarse para desarrollar modelos que expliquen con precisión por qué algo sucedió, lo que permite una toma de decisiones precisa.

• Analítica Predictiva: La analítica predictiva se usa para explicar qué es lo más probable que suceda. Usando hallazgos recopilados de analítica descriptiva y diagnóstica, el análisis predictivo es valioso en pronósticos. Usa estos datos para predecir datos que aún no han ocurrido. Usando modelado estadístico, minería de datos y aprendizaje automático, la analítica predictiva usa una variedad de técnicas como:

• Segmentación: Agrupación basada en similitudes.
• Asociación: Identificación de la frecuencia de ocurrencias conjuntas y creación de reglas que determinan qué ocurrirá después de que un conjunto específico de variables interactúe.
• Correlación: Identificación de relaciones entre propiedades de elementos.
• Pronóstico: Derivación de valores y ocurrencias futuras.

• Analítica Prescriptiva: Usando el análisis de los otros tres tipos, la analítica prescriptiva usa aprendizaje automático, algoritmos avanzados y reglas de negocio definidas para prescribir qué acción se tomará. Además, la analítica prescriptiva puede mostrar el resultado probable de esa acción también. Esto empodera a los tomadores de decisiones con un nivel de precisión así como un rango de opciones para determinar más de un resultado posible basado en los objetivos de la empresa. El futuro de la fabricación, donde las decisiones no solo se toman sino que los sistemas se adaptan automáticamente basándose en estas decisiones, es impulsado por la analítica prescriptiva.

Los datos son lo que hace a MachineMetrics tan bueno en lo que hacemos. Y en MachineMetrics, el objetivo de los datos es empoderar una amplia gama de algoritmos de aprendizaje automático y analítica profunda para construir una plataforma en tiempo real y accionable que impulse valor a través de ganancias en OEE y eficiencia de fabricación. Combinado con paneles personalizables que permiten visualización a través de HMIs fijos así como dispositivos portátiles, las decisiones pueden tomarse basadas en el poder de estas analíticas para empoderar operadores e impulsar eficiencia.

Usando Analítica en un Entorno de Fabricación Conectado

La estrategia de toma de decisiones cambia a medida que una empresa madura. Y el tipo de analítica usada cambia también. Para empresas que no son altamente basadas en datos, el 79 % del enfoque de su analítica consiste solo en descriptiva y diagnóstica. En el otro extremo del espectro están las empresas altamente basadas en datos donde la analítica predictiva y prescriptiva constituyen el 54 % de su utilización analítica. MachineMetrics ayuda a sus clientes a realizar los beneficios de la analítica profunda y aplicarlos de forma única a su operación.

Tanto para organizaciones "algo basadas en datos" como "altamente basadas en datos", la llegada del Industrial IoT significa que aquellos que usan tecnología de fabricación avanzada pueden utilizar dispositivos y software para enfocarse en la combinación correcta de analítica para los mejores resultados. La tecnología y software Industrial IoT proporciona un nivel de interoperabilidad entre diferentes tipos de equipos para estandarizar datos para uso dentro de software analítico. Los clientes de MachineMetrics han experimentado esto y lo han usado para integrar con otras soluciones como sistemas ERP, herramientas de programación y planificación, y software OEE.

Sin el uso de sensores y dispositivos perimetrales desplegados en equipos, la recopilación de vastas cantidades de datos no sería posible. A través de MachineMetrics, los clientes pueden utilizar estos datos en tiempo real, permitiendo la iteración más precisa de los datos dentro de los programas de analítica. Y con sensores y dispositivos perimetrales desplegados, la latencia puede eliminarse, creando información tan cercana a instantánea como sea posible.

Dadas las vastas cantidades de datos recopiladas con dispositivos IIoT, los datos crudos significan poco sin la analítica. La razón es que los humanos no podrían procesar los datos en decisiones significativas. Sin embargo, más allá del tipo de analítica utilizada está la capacidad de visualizar los resultados para tomar esas decisiones. La tecnología IIoT de hoy entrega la capacidad de mover los resultados analíticos a formatos visualizados. Paneles interactivos, pantallas personalizadas y dispositivos portátiles optimizados como tabletas y teléfonos permiten a operadores, técnicos y gerentes ver una representación visual de sus máquinas y plantas.

La recopilación de datos permite monitoreo preciso de activos, monitoreo de condiciones en tiempo real, estadísticas de producción en tiempo real y reportes de utilización. Puede entregarlos visualmente con paneles de operador personalizados y notificaciones y alertas apropiadas. Esto permite monitoreo preciso de tiempo de inactividad y rendimiento de calidad, así como áreas accionables para configuración y cambio. Yendo más allá, la analítica de datos ayuda a impulsar mayor insight en los datos recopilados, lo que puede ayudar a identificar tendencias, precisar relaciones causa-efecto, explicar cuellos de botella de producción e incluso lanzar programas de mantenimiento predictivo.

Usando los tipos de analítica de datos anteriores, los fabricantes pueden integrar con software empresarial existente para mejorar su rendimiento mientras entregan información en tiempo real para impulsar la toma de decisiones optimizada a través de la empresa, desde la planta de fábrica hasta la oficina corporativa.