Datos de las máquinas para fabricantes: indicadores clave que debes supervisar

La creciente implantación del Internet de las cosas (IoT) ha inundado a los fabricantes con tal avalancha de datos que les resulta casi imposible gestionarlos con los métodos tradicionales de tecnología de la información.

Y a medida que las fábricas se vuelven cada vez más tecnológicas, se ha convertido en algo imprescindible para los fabricantes encontrar formas de realizar un seguimiento y analizar estos datos de las máquinas con el fin de seguir siendo competitivos.

Esto significa que los fabricantes deben centrarse en los indicadores clave que afectan a sus operaciones, lo que les permite supervisar y optimizar la producción en toda la planta de fabricación.

Pero antes de entrar en materia, aquí tienes un breve resumen de lo básico.

Con la automatización generalizada de los sectores mecanizados de una planta de fabricación, se genera una gran cantidad de datos procedentes de las máquinas y los dispositivos instalados en la fábrica.

En términos más sencillos, los datos generados por máquinas son precisamente eso: datos que proceden de los dispositivos de la línea de producción y otras áreas de la fábrica. Cada acción y decisión que realiza una máquina sin intervención humana directa se registra en un sistema o una base de datos, lo que da lugar a datos generados por máquinas.

Esto supone un cambio con respecto a los métodos tradicionales, que dependían en gran medida de software propietario para registrar y clasificar los distintos datos heterogéneos procedentes de los dispositivos de la fábrica. Sin embargo, la avalancha actual de datos requiere un mayor procesamiento para proporcionar información útil a los equipos que controlan las operaciones.

A continuación se enumeran algunos de los diferentes tipos de datos generados por máquinas que se producen en una planta de fabricación típica.

A medida que las operaciones de fabricación se vuelven cada vez más complejas, también lo hacen los tipos de dispositivos necesarios en la planta de producción. En consecuencia, estas máquinas generan diferentes tipos de datos en el desempeño de sus diversas funciones.

Por lo tanto, los datos generados por máquinas pueden clasificarse, a grandes rasgos, en los siguientes tipos:

• Datos de los sensores: Dado que las máquinas funcionan de forma casi ininterrumpida durante su tiempo de funcionamiento programado, pasan por diferentes funciones y procesos que generan datos valiosos. Los sensores de las máquinas registran la presión, la temperatura, la humedad, las vibraciones, la aceleración e incluso los niveles de potencia. Este tipo de recopilación de datos de las máquinas desempeña un papel fundamental a la hora de controlar el estado de los equipos a través de la eficacia global de los equipos (OEE), lo que sirve de base para las decisiones de mantenimiento predictivo y resolución de problemas.

• Datos de registro: Algunas máquinas utilizan bases de datos en las que se registran diversos tipos de datos que resultan fundamentales para analizar el rendimiento y otros aspectos críticos en la planta de producción. Además, las distintas aplicaciones, servidores web y sistemas de archivos que forman parte de los procesos de fabricación pueden constituir fuentes ideales de estos datos generados por las máquinas.

• Datos de red: Una planta de producción equipada con máquinas conectadas y dispositivos inteligentes genera una gran cantidad de datos de red, ya que estos instrumentos se comunican entre sí durante el proceso de producción. Las máquinas no solo interactúan de forma inalámbrica a través de dispositivos periféricos, sino que también pueden hacerlo mediante conexiones por cable a través de redes locales. Por ello, el análisis de los datos de las máquinas facilita la supervisión de la integridad de la red por la que circulan dichos datos.

Vea nuestro seminario web bajo demanda: Obtenga una visión global de sus operaciones con la monitorización de máquinas →

Las empresas que incorporan las tecnologías digitales en sus operaciones están mejor preparadas para optimizar los procesos, lo que garantiza que la producción se desarrolle sin contratiempos y mejore con el tiempo. La capacidad de una empresa para impulsar la mejora continua depende de cómo y desde dónde lleve a cabo la recopilación de datos de las máquinas.

Antes de embarcarse en este proceso de recopilación, es imprescindible analizar minuciosamente los procesos de su empresa para determinar su capacidad actual de recopilación de datos de las máquinas e identificar posibles lagunas en dicha recopilación.

Posteriormente, puede implementar diversas soluciones —adaptadas específicamente a su negocio— para obtener los datos necesarios que permitan impulsar la mejora.

A continuación se presentan algunos ejemplos de fuentes clave para la recopilación de datos de máquinas:

• Máquinas en planta: Las propias máquinas instaladas en la planta de producción constituyen una gran fuente de datos valiosos. Las máquinas modernas están equipadas con diversos sensores que transmiten distintos tipos de datos. Estos datos proporcionan información actualizada sobre el estado de cada máquina, lo que permite a los operadores tomar decisiones fundamentadas cuando sea necesario. Además, algunas plantas cuentan con sistemas de computación periférica que analizan estos datos, lo que elimina la necesidad de intervención humana en el proceso de optimización de las máquinas.

• Sistemas conectados: Las máquinas de la planta no siempre ofrecen una visión completa. Por ello, el uso de sistemas de fábrica conectados permite integrar aplicaciones externas para obtener una visión más global de los datos generados por las máquinas y los equipos industriales.

• Intervención humana: Las máquinas herramienta y los sistemas conectados tienen sus limitaciones a la hora de recopilar datos esenciales. En muchos casos, se necesita que los operarios en la planta introduzcan manualmente algunos datos para aportar más contexto al conjunto, lo que facilita la toma de decisiones fundamentadas.

Teniendo en cuenta todo lo anterior, estas son algunas de las métricas clave de fabricación que deberías supervisar:

• Volumen de producción: es la cantidad de producto que tu planta puede sacar de la línea de producción.

• Tiempo de actividad y de inactividad de la máquina: también conocido como «tiempo de funcionamiento», se trata del tiempo real durante el cual una máquina está en funcionamiento en un periodo determinado. Este indicador pone de relieve el tiempo perdido durante las paradas, las averías o los cambios de turno.

• Rendimiento: la cantidad de producto que una máquina produce durante un periodo determinado. Este indicador también puede aplicarse a toda la línea de producción para comprobar su eficiencia.

• Eficacia global de los equipos (OEE): La OEE, una medida de la productividad, indica el porcentaje de tiempo durante el cual una máquina funciona a pleno rendimiento. Este indicador es el resultado de la disponibilidad, el rendimiento y la calidad de la máquina.

• Rendimiento en la primera pasada: el rendimiento en la primera pasada es el porcentaje de productos que salen de la línea de producción sin defectos y que cumplen las especificaciones sin necesidad de ningún trabajo de rectificación.

• Tiempo medio entre fallos: el MTBF indica el tiempo de funcionamiento perdido en una operación de fabricación debido a fallos del equipo. Como tal, también es un indicador de la fiabilidad de una máquina.

• Tiempo medio de inactividad: Conocido como MDT, este indicador ofrece una visión global del tiempo que requieren las tareas de reparación y mantenimiento. Incluye cualquier retraso relacionado con el tiempo que tardan en llegar las piezas de recambio y el tiempo perdido debido a la capacidad del técnico.

• Coste energético por unidad: es el coste de la electricidad, el vapor, el petróleo o el gas necesarios para fabricar una unidad de un producto determinado en la fábrica.

Una vez recopilados los datos clave generados por máquinas que necesitas supervisar, el siguiente paso fundamental es convertir esos datos en valor. No basta con disponer únicamente de datos generados por máquinas. Las investigaciones revelan que, aunque los lagos de datos se están convirtiendo en algo habitual en el sector, los científicos siguen dedicando el 80 % de su tiempo a limpiar datos en hojas de cálculo, en lugar de realizar análisis y perfeccionar algoritmos. Los lagos de datos ineficientes están llevando a los fabricantes a caer en la trampa de tener una gran cantidad de datos, pero poca información.

El síndrome «rico en datos, pobre en información» (DRIP) se da cuando las organizaciones disponen de una gran cantidad de datos, pero carecen de los procesos necesarios para aprovecharlos y generar ventajas competitivas. Lamentablemente, el DRIP se ha convertido en la descripción característica de muchos fabricantes que han realizado importantes inversiones en tecnología: sus datos se acumulan en exceso, pero carecen de los recursos necesarios para hacer algo con ellos más allá de imprimirlos en archivos PDF y crear algunos cuadros y gráficos.

Para salir de la trampa del DRIP, los fabricantes deben enriquecer los datos generados por máquinas con aportaciones humanas y especificar dónde, cómo y quién recopila los datos. La contextualización de los datos consiste en añadir aportaciones humanas a los datos generados por máquinas para convertirlos en información. Permite a su empresa obtener conocimientos significativos que se pueden aplicar en la práctica y constituye un paso fundamental en el camino hacia sistemas de fabricación predictivos y adaptables.

Al combinar diferentes fuentes y tipos de datos, la contextualización de los datos proporciona a los trabajadores de primera línea información en tiempo real y conocimientos prácticos que les permiten tomar decisiones oportunas y eficaces directamente en la planta de producción. Esto supone no solo mejoras en la eficiencia, la calidad y la productividad, sino también un nuevo nivel de agilidad que puede ayudar a las organizaciones a crecer de forma rápida y sostenible.

Para descubrir cómo puedes empezar a contextualizar tus datos generados por máquinas y convertirlos en información útil, escucha nuestro seminario web sobre contextualización e implementación de datos .