Durante un tiempo, hablar de 4.0 ha sido sinónimo de vanguardismo. Hemos recorrido el proceso que va desde la incertidumbre sobre cómo empezar, pasando por la “moda” en que todo es 4.0, hasta la realidad de implantaciones exitosas.
Actualmente, Industry 4.0 se ha convertido en una estrategia presente en la agenda de cualquier compañía y tenemos referentes de implantaciones exitosas que nos deben ayudar a visualizar nuestro propio camino.
Proponemos a continuación algunos pasos fundamentales a seguir en la transformación, junto con algunas herramientas plenamente operativas en implantaciones reales que pueden ayudar a abordar el cambio.
Etapas del camino de transformación
Debemos ser capaces de identificar la situación de partida antes de iniciar el proceso de transformación y estar muy atentos a las señales que indican que el modelo industrial es maduro, y que estamos en condiciones subir un nuevo escalón.
La primera etapa nos conduce a la estación World Class Manufacturing. Tras definir y estandarizar los procesos en planta, modelizamos los mismos, implantando herramientas que comparan de forma objetiva la situación actual y la deseada. La planta empieza a ser gestionada mediante KPIs que permiten identificar las pérdidas de valor y establecer dinámicas de mejora orientadas a la eliminación del desperdicio. La optimización del OEE y la consecución de procesos robustos mediante aplicación de SPC y 6sigma deben ser objetivos irrenunciables en esta etapa.
Cuando la etapa primera alcanza un importante grado de madurez, nuevos retos empiezan a evidenciarse en la organización; no es suficiente robustez elevada y altos ppms, necesito cero defectos; los tiempos de setup reducidos no son bastante, necesito cambio cero; la fiabilidad que me ofrece el preventivo y el predictivo no son suficientes, el camino de reducción del desperdicio y la mejora del OEE se acerca a su límite.
Son evidencias de que es el momento de pasar a la segunda etapa. No es suficiente con la reducción de las pérdidas de valor, necesito explicitar el conocimiento de mis procesos para ser capaz de activar nuevas palancas que incrementen la generación de valor.
Es el momento de aplicar herramientas machine learning que generen modelos matemáticos de los procesos productivos y del comportamiento de los activos. Permiten a los equipos entender cómo se relacionan las variables de regulación con los outputs obtenidos, identificar las condiciones de contorno en cada punto de operación y, en definitiva, ser capaces de explicitar el conocimiento intuitivo acumulado por las personas durante años de experiencia.
Identificamos nuevas condiciones de operación y regulación de los procesos. Más importante aún, generamos en las personas la conciencia de que la mejora de los procesos no se basa sólo en el control de KPIs, sino que tiene su fundamento en el conocimiento profundo de las reglas que los gobiernan.
Ya estamos en condiciones de abordar la última etapa. Disponemos de conocimiento explícito de los procesos que nos permite regularlos inteligentemente, pero también hemos aprendido que el control de los procesos depende sensiblemente del punto de operación y que éste es cambiante y nos obliga a adoptar cambios cuando el contexto varía. Un paso adelante es embeber esa inteligencia en los propios procesos, de forma que aprendan y dispongan de funciones que les permitan la auto-adaptación a las condiciones de operación de cada momento.
Cómo acometer el cambio
Pensemos en un proceso de fabricación familiar en nuestras fábricas para entender algunas herramientas que nos pueden ayudar. Vamos a centrarnos en una célula de mecanizado robotizada fabricando piezas con una cadencia aproximada de 1 pieza/minuto.
Nivel físico. Dotamos a la célula de elementos IOT que permiten la recogida de las variables de operación máquina en tiempo real. Adicionalmente incorporamos unidades de marcado láser de cada pieza y un scanner sin contacto que muestrea entre 10 y 15 medidas de cada pieza.
Nivel lógico. En la capa TIC implantamos un sistema Manufacturing intelligence que aporta las siguientes funciones:
- Producción: Monitorización de las instalaciones, KPIs y dashboards en tiempo real y herramientas de soporte a la toma de decisión.
- Calidad: SPC integrado en tiempo real, permitiendo disponer de información de la capacidad del proceso y prevenir desviaciones en tiempo real.
- Mantenimiento: monitorizando en tiempo real la salud de los activos.
- Trazabilidad: SPT (single part traceability) integrando trazabilidad de producto (materia prima) y la trazabilidad de proceso de forma individualizada.
- Regulación: la información sobre parámetros de mecanizado de cada unidad es utilizada en las líneas de montaje, aguas abajo, permitiendo el ajuste pieza a pieza.
Nivel Smart Factory. A partir de las variables de operación máquina, los registros de medidas recogidos para cada pieza y los parámetros de contexto de fabricación, el gemelo virtual generado por el sistema machine learning permite:
- Predicción de la necesidad de cambio de la herramienta de mecanizado, asegurando el índice de calidad deseado y optimizando la vida útil y el número de cambios,
- Pronóstico de aparición de un modo de fallo de la instalación asegurando la fiabilidad de los activos,
- Dominio del proceso, identificando la relación entre variables de proceso, características de la materia prima y resultados de calidad obtenido.
Conclusiones
Ya no estamos hablando de la Fábrica del Futuro, Smart Factory es un modelo plenamente presente en nuestras industrias que debe retornarnos resultados tangibles. Se trata de un apasionante camino que cualquier empresa, independientemente de su grado de madurez, puede recorrer. Importante: identificar con precisión el punto de partida, y trazar con determinación el roadmap hasta el primer punto de destino, ayudándose de herramientas probadas.
Artículo por Alfonso Ganzabal, Director General de Sisteplant
