El paraíso de los datos de las plantas de producción: formas en que las empresas pueden sacar más partido a la información de sus máquinas y a su producción
Publicado a las 25 de septiembre de 2020 el AI
La ciencia de datos estratégica es un pilar esencial de todos los escenarios de la Industria 4.0. Un enfoque de minería de datos de cuatro pasos basado en el modelo CRISP-DM permite proyectos de éxito.
En cuanto se menciona «Big Data», lo primero en lo que piensa la mayoría de la gente es en las redes sociales o en el análisis del comportamiento de los clientes en el ámbito del comercio online. Pero eso no es todo. El análisis estratégico de datos también está ganando importancia en el ámbito de la producción. Según Frost & Sullivan, el análisis de datos en el sector industrial presenta un potencial inmenso. Los expertos han descubierto que, si se trabajara más con los datos que ya existen en el proceso de producción, se podría incrementar la eficiencia de la producción en aproximadamente un 10 %, reducir los costes operativos en casi un 20 % y minimizar los costes de mantenimiento en un 50 %. El problema está en que, si bien los datos se pueden recopilar y almacenar en las fábricas con relativa facilidad, no se suelen aprovechar después, por lo que se pierde la información que contienen. Además, suele faltar presupuesto y personal que se dedique a esta tarea. Aquellos que superen estas trabas y se centren en la ciencia de datos industrial podrán obtener nuevos conocimientos rápidamente y transformar su entorno de producción en un paraíso de datos.
Enfoque de proyecto de ciencia de datos: preparación, análisis y desarrollo de aplicaciones, evaluación y mantenimiento
La ciencia de datos industrial es una disciplina totalmente nueva. Por lo tanto, no existe (todavía) un enfoque generalmente válido que resulte adecuado para el conjunto de las empresas. Todas las soluciones y aplicaciones requieren que se personalice el análisis y modelado de datos para lograr el mejor resultado posible. Sin embargo, resulta útil contar con un enfoque estándar. El modelo CRISP-DM (proceso estándar interindustrial para minería de datos) es la base más comúnmente adaptada. OMRON la ha simplificado y adaptado para darle un nuevo enfoque. Los cuatro pasos de este enfoque son la preparación, el análisis y el desarrollo de aplicaciones, la evaluación y el mantenimiento. Puede encontrar más información sobre estas fases en la infografía.Fase 1: preparación
La fase de preparación es la más importante. Un proyecto de ciencia de datos nunca tendrá éxito si la meta no está clara. Por lo tanto, en este primer paso tan importante, todos los participantes y expertos de área tratan primero el problema o el requisito específico a fin de llegar a un objetivo de proyecto claramente definido. Analizan la máquina o el proceso de producción en detalle para obtener una visión general de qué datos están disponibles y cuáles deben recopilarse. En este proceso, se puede recopilar y analizar un conjunto de datos inicial a modo de estudio de viabilidad. Al final de la fase de preparación, se genera un informe con información sobre el valor generado esperado y un retorno de la inversión (ROI) realista.Fase 2: análisis y desarrollo de aplicaciones
A continuación, los datos se recopilan durante un mayor periodo de tiempo para obtener una imagen representativa del comportamiento de la máquina y del proceso. En función del objetivo del proyecto, una canalización de datos se divide en las siguientes etapas:
- Recopilación de datos: se recopilan datos de diversas fuentes, desde datos de sensores sin procesar hasta información de sistemas MES.
- Preprocesamiento de datos: se preparan los datos recopilados para el análisis, se transforman, se fusionan y se limpian.
- Análisis de datos: se aplican los algoritmos de análisis desarrollados y los modelos de aprendizaje automático.
- Aplicación: se distribuyen los resultados y conclusiones del análisis de datos. Algunos ejemplos son visualizaciones, adaptadas a la situación, al grupo objetivo o como información de la máquina.
Se pueden entrenar y validad los modelos de aprendizaje automático necesarios junto con los demás pasos de procesamiento de datos. Si la validación es correcta, se puede desarrollar una aplicación basada en la canalización de datos descrita, la cual se puede implementar y ejecutar fácilmente.
Fase 3: evaluación
La aplicación se utiliza en el entorno de producción, y se evalúan el rendimiento y los resultados empresariales. Si el rendimiento no satisface las expectativas, se vuelven a llevar a cabo las fases anteriores del proyecto.Fase 4: servicio y mantenimiento
Los procesos de producción cambian y el comportamiento de las máquinas también está sujeto a cambios constantes debido, por ejemplo, a actualizaciones o a su desgaste y rotura. Por lo tanto, es necesario volver a validar la solución con regularidad para asegurarse de que funciona de forma realista y conservar su valor. Además, la cantidad de datos disponibles también está creciendo, y a menudo se pueden desarrollar modelos mejores. Como resultado, es necesario revisar con regularidad los modelos (de aprendizaje automático) existentes.Ejemplo práctico de línea SMT
Una solución basada en datos no siempre tiene que incluir modelos sofisticados de aprendizaje automático o inteligencia artificial. A veces, basta con procesar los datos de forma eficaz y proporcionar la información correcta en el momento y de la manera adecuados. Se puede encontrar un ejemplo ilustrativo de este tipo de proyecto de ciencia de datos en el documento técnico «Servicios de ciencia de datos de Omron: cómo sacarle el máximo partido a los datos de planta», que se puede descargar de forma gratuita. El proyecto se llevó a cabo en la fábrica Omron Manufacturing de los Países Bajos (OMN) en líneas de tecnología de montaje superficial (SMT) en las que se montan o sueldan componentes electrónicos en placas de circuitos impreso (PCB).Solo las soluciones más utilizadas aprovechan todo su potencial
Aprovechar el potencial de los Big Data en su entorno de producción no es tarea fácil, pero merece la pena. No basta con recopilar datos y crear unos cuantos gráficos. El objetivo es filtrar los datos para extraer la información relevante para producción y presentársela al usuario adecuado de la forma correcta. La clave consiste en transformar los datos en información útil, lo que debe hacerse sobre la base de una estrecha cooperación entre los científicos de datos y los expertos en el proceso de producción. Solo entonces se puede desarrollar una solución que resulte popular, se utilice a menudo y genere valor a largo plazo.
Para obtener más información sobre cómo sacar el máximo partido de los datos del sector, consulte el último documento técnico de Omron:
