Fábrica inteligente
Smart Factory
¿Qué es una fábrica inteligente?
- Inteligencia en la producción con IoT, IA y datos
- Detecta, juzga y optimiza por sí misma
- Símbolo de la transformación digital (DX) en la manufactura
Al implantar una fábrica inteligente, lo primero que cambia no son los equipos, sino la base de las decisiones. Hasta ahora, juicios como «esa prensa va a parar cuando suena así» dependían de la intuición de un capataz con 20 años de experiencia; ahora se trasladan a la tendencia de los valores de vibración, corriente y temperatura. También se adelanta el momento de decidir. Se pasa de reparar toda la noche tras una avería a una respuesta anticipada: detener la máquina en un horario planificado cuando aparecen señales. Por eso, el efecto de la adopción se nota primero en que se reduce la diferencia entre lo planificado y lo real, más que en el aumento de la tasa de operación.
En la práctica se suele avanzar por niveles. Se parte de una base que deja atrás la gestión manual y con códigos de barras y registra automáticamente los resultados de producción; luego, un nivel intermedio que controla el proceso en tiempo real con datos de los equipos; y, por último, una etapa avanzada en la que el sistema ajusta las condiciones por sí mismo. La mayoría de los fabricantes pequeños y medianos de Corea están entre la base y el nivel intermedio, y buena parte del efecto también se obtiene en ese tramo. Conviene distinguirla de la automatización de fábricas (FA). Si la FA es reducir la intervención humana con robots y transportadores, la fábrica inteligente es retroalimentar con los datos que generan esos equipos para cambiar las condiciones de operación. MES y ERP son los contenedores de los datos, pero no son el objetivo en sí mismos.
También hay que evaluar las condiciones de partida. El mantenimiento predictivo necesita acumular al menos decenas de casos de fallas para detectar patrones, y su efecto es mayor en equipos rotatorios con señales previas claras, como motores y rodamientos. En cambio, en líneas de muchos productos y bajo volumen, antes que predecir hay que alinear el plan de producción con los resultados reales. La escala de inversión también varía mucho: conectar sensores y un servidor de recolección a una sola línea puede costar KRW 10,000,000 (≈ US$7,480) o más, y si se suma un MES para toda la empresa, la cifra pasa de KRW 100,000,000 (≈ US$74,800). Lo que reduce el riesgo de fracaso es acotar a una línea y un solo indicador, y mostrar resultados en cifras en seis meses.
El error más común es pensar que «basta con comprar equipos». Aunque se instalen sensores, como cada máquina usa normas de comunicación distintas, muchas veces los datos no logran conectarse; y aunque se conecten, si la planta no los mira, terminan en un tablero colgado en la pared de la oficina. No son pocas las fábricas que lo instalaron con fondos de programas de apoyo y, sin presupuesto de mantenimiento ni personal responsable, al cabo de uno o dos años ni siquiera encienden la pantalla. Y lo más peligroso es la calidad de los datos. En una fábrica donde los operarios registran los defectos como «otros» para ahorrar trabajo, la IA que se monte encima dará respuestas equivocadas con total seguridad. Lo primero que hay que corregir es el hábito de registrar; la tecnología viene después.
Ilyoung JungEspecialista en fábricas inteligentes, gestión de equipos y la Cuarta Revolución Industrial
John KimAutor de «Diseño de marketing B2B» y CEO de Nanum Consultoría, instructor John KimEste concepto se formalizó con la política «Industria 4.0» de Alemania (hacia 2011) y se extendió junto con el avance del IoT y la IA.
Veamos un caso hipotético. La empresa A, proveedora de segundo nivel que fabrica piezas de automóviles, es una planta de inyección y prensado con 180 colaboradores y ventas anuales de KRW 42,000,000,000 (≈ US$31,435,700). Las prensas se detenían sin aviso entre 4 y 5 veces al mes, y su tasa de defectos de proceso, de 3.2 %, fue señalada dos veces seguidas en las auditorías de calidad del cliente principal. El CEO fijó el plazo: «Muéstrenme resultados en cifras dentro de 8 meses», y así arrancó el proyecto.
- El líder del equipo de gestión de producción, Kim, no intervino las 12 prensas: solo instaló sensores de vibración y corriente en las 4 que más se detenían y reunió tres meses de datos. Acotar el alcance fue la primera decisión del proyecto.
- El jefe de sección de mantenimiento de equipos, Park, etiquetó uno por uno 1,100 registros históricos de paradas y encontró un patrón: las señales previas al desgaste de los rodamientos aparecen en la forma de onda de la corriente unas 48 horas antes de la parada.
- El equipo de calidad vinculó las condiciones del moldeo por inyección (temperatura del molde, presión de inyección y presión de mantenimiento) con los resultados de inspección y confirmó que el 62 % de los defectos totales se origina en la desviación de temperatura del molde de la máquina n.º 3.
- Cuando los líderes de grupo protestaron diciendo que «solo aumentó la carga de ingreso en tablets», el líder Kim redujo los campos de ingreso manual de 14 a 3 y cambió la estructura para que el resto se recolecte automáticamente desde los equipos.
- Ocho meses después, la tasa de defectos bajó del 3.2 % al 1.4 %, las paradas no programadas pasaron de 4.6 a 1.2 al mes y el cumplimiento de entregas subió del 88 % al 97 %. La inversión de KRW 240,000,000 (≈ US$179,600) se recupera en unos dos años, según el cálculo final.