Tecnologías digitales para la optimización de procesos

La competitividad está aumentando en muchos sectores. En algunos entornos, el exceso de capacidad contribuye a ello; en otros, los proveedores de países con salarios bajos. Pero muchas empresas también están luchando con ubicaciones en países de bajos salarios, porque tienen que posicionarse en mercados globales cambiantes.

Por supuesto, en todas las empresas existe el clásico potencial de mejora, que puede aprovecharse para reducir costes y sacar al mercado productos atractivos. Además, las nuevas tecnologías crean nuevas oportunidades para aumentar la eficiencia e innovar los modelos empresariales.

A menudo, estas oportunidades sólo pueden aprovecharse con la digitalización de los procesos empresariales y la integración y evaluación de los datos de los procesos. En este artículo puede descubrir qué posibilidades concretas existen.

Conviene tener en cuenta los siguientes aspectos:

Una estrategia de digitalización con referencia a la empresa
La digitalización orientada a los beneficios de los procesos empresariales
La recopilación y evaluación de datos de procesos relevantes
Las oportunidades que ofrecen la IIoT y la computación en la nube
Los requisitos de gestión de datos, incluida la integración de datos
Las posibilidades de evaluar Big Data con análisis de negocio
Tareas especiales de infraestructura
Robótica y automatización de plantas
Optimización de la calidad y aumento de la eficiencia con aplicaciones de visión por ordenador
Modelización y simulación de procesos rentables con Digital Twins

Estos aspectos se tratan con más detalle a continuación.

Digitalización de Operationes

«Digitalización» se ha convertido en una palabra de moda. Pero pocos de los que utilizan el término saben lo que realmente implica y lo que es relevante.

Para aprovechar las ventajas de la digitalización, hay que abordarla de forma estratégica y sistemática.

Estratégia de Digitalizacion

El primer paso importante hacia la digitalización es, por tanto, desarrollar una estrategia de digitalización coherente que sea adecuada para apoyar el negocio, reducir costes y/o permitir oportunidades de negocio atractivas.

Digitalizacion de Procesos

El negocio de las empresas se define por sus procesos empresariales. Así que lo mejor es fijarse primero en los procesos empresariales. Suelen ser los procesos de las funciones operativas:

Proceso de marketing
Proceso de ventas
Proceso de atención al cliente
Proceso de desarrollo de productos
Proceso de producción
Proceso de mantenimiento
Proceso de logística
Proceso de financiación
Otros …

Una vez que se han captado conceptualmente todos los procesos funcionales, el siguiente paso es identificar el grado en que estos procesos están definidos explícitamente, ya sea verbalmente o en forma de organigramas. Además, deben definirse objetivos para cada proceso funcional; si aún no es el caso, deben desarrollarse objetivos significativos, todos los cuales deben contribuir en algo al objetivo del proceso empresarial.

El factor decisivo ahora es la medida en que la realidad vivida coincide con las descripciones documentadas del proceso. Las desviaciones indican falta de disciplina en la aplicación o procesos mal definidos. Las causas de estas desviaciones deben identificarse y eliminarse.

Sin embargo, ni siquiera unos procesos funcionales claramente definidos y seguidos garantizan que la empresa en su conjunto funcione con eficiencia y eficacia. Para ello, los procesos funcionales deben estar vinculados entre sí de forma significativa. Sólo así se consigue un proceso empresarial totalmente interconectado en toda la empresa del que surgen dependencias mutuas. El diseño del proceso de negocio es un proceso complejo porque el proceso de negocio suele ser complejo. Las simplificaciones en la representación del proceso empresarial que no hacen justicia a la realidad no sirven de nada a la empresa. Conducen a trabajo múltiple, cuellos de botella e insatisfacción de los empleados. Por eso es tan importante analizar y definir cuidadosamente los procesos empresariales. En particular, hay que definir cuidadosamente las interfaces organizativas. Cuando los procesos operativos cruzan los límites departamentales, las expectativas deben corresponderse con las oportunidades y acordarse. Para estabilizar el proceso empresarial, es especialmente importante diseñar bucles de retroalimentación en las interfaces dentro de los procesos y entre ellos, y también externamente. Esto hace que los procesos sean capaces de regularse; pueden adaptarse.

Por último, debe diseñarse una revisión del rendimiento en el proceso empresarial. ¿En qué subprocesos se alcanzan los objetivos y en cuáles no? ¿Hay fricciones en o entre los procesos a pesar de su cuidadoso diseño? Los ajustes correspondientes de los subprocesos funcionales y, por tanto, de todo el proceso empresarial deben, por cierto, crearse como una tarea continua en los procesos, porque las condiciones del entorno también cambian constantemente.

Sólo cuando el proceso empresarial en su conjunto está en marcha y ha demostrado su eficacia en la práctica tiene sentido pensar en pasos de digitalización. Merece la pena establecer criterios claros para la digitalización:

¿En qué subprocesos podría la digitalización ahorrar directamente esfuerzos y costes?
¿En qué subprocesos podría la digitalización liberar a los empleados del trabajo rutinario?
¿En qué subprocesos podría la digitalización reducir la susceptibilidad a los errores?
¿Qué costes debidos a desviaciones de los procesos empresariales definidos podrían evitarse digitalizando el proceso empresarial mediante la ejecución de los pasos del proceso digital directamente desde un flujo de trabajo digital?
¿Dónde podría mejorarse la coherencia del proceso empresarial digitalizando varios subprocesos?
¿A través de qué pasos de digitalización podrían reducirse los plazos de entrega?
¿Qué subprocesos podrían lograr un mayor rendimiento mediante la digitalización?
¿Qué modelos de negocio atractivos podrían facilitarse mediante la digitalización de subprocesos?

Estas preguntas orientativas ofrecen una indicación de las prioridades para la digitalización de los procesos empresariales. Los flujos de trabajo digitalizados permiten, por ejemplo, procedimientos de aprobación en varias fases, pero también el acoplamiento sensato de tareas de procesamiento entre islas de fabricación en procesos de producción.

Recogida y evaluación de datos de proceso

Cada subproceso genera datos de forma continua. Por regla general, estos datos sólo se utilizan parcialmente. Si los datos ya están disponibles digitalmente, fluyen parcialmente hacia los sistemas ERP de las empresas para crear evaluaciones predefinidas e informes estándar. Sin embargo, si se especifican correlaciones, también sólo se reciben los resultados que se desprenden de estas correlaciones.

Hay mucha más información en los datos de proceso que a menudo no es evidente. Las aplicaciones de inteligencia artificial pueden identificar patrones sorprendentes en grandes cantidades de datos que ayudan a comprender realmente el negocio y a tomar las medidas adecuadas. Los cambios en los patrones, como una inversión de tendencia, también pueden ser detectados por aplicaciones basadas en IA.

Estas aplicaciones pueden utilizarse, por ejemplo

para el seguimiento en tiempo real de las preferencias de los clientes y las ofertas específicas,
para una atención al cliente específica y adaptada a cada situación,
para el mantenimiento preventivo con el fin de evitar tiempos de inactividad de las máquinas,
para la coordinación de la planificación de la producción en plantas con fabricación en varias fases,
para optimizar la OEE en plantas de fabricación complejas con múltiples etapas,
para la finalización y entrega puntual de pedidos
y para la optimización de la gestión de inventarios.

Estas posibilidades requieren la adquisición digital de datos de proceso. Para ello, los componentes relevantes de la máquina deben estar equipados con sensores adecuados que registren estos datos de proceso y los envíen a una unidad de evaluación (CPU). Esta unidad de evaluación puede hacer recomendaciones, pero también tomar decisiones de forma independiente dentro de un marco predefinido y aplicarlas directamente emitiendo las instrucciones correspondientes a los actuadores. De este modo, los datos del proceso contribuyen a crear un proceso controlado, e incluso autodidacta.

IIoT

Aplicationes para IIoT

Cada dispositivo y cada máquina del proceso de fabricación genera datos continuamente, pero a menudo estos datos solo se utilizan a nivel local. Al conectar los dispositivos a través de Internet (también llamado «Industria 4.0»), estos datos pueden utilizarse en todo el sistema.

Esto añade inteligencia a la supervisión y el control de dispositivos y máquinas. Con la disponibilidad de muchos sensores que recopilan datos relevantes y actuadores en el sistema, los procesos de control no solo mejoran, sino que incluso pueden implementarse y surtir efecto en tiempo real. Las ineficiencias y los errores pueden detectarse en una fase temprana e, idealmente, incluso anticiparse y evitarse de inmediato mediante el uso del reconocimiento de patrones y la inteligencia artificial.

Las áreas típicas de aplicación de IIoT son:

una utilización uniforme de la capacidad a lo largo del proceso empresarial para evitar el desastroso «efecto látigo»
una reducción de los plazos de entrega
una medición y mejora del rendimiento en las distintas fases de la cadena de valor
una racionalización de las operaciones para aumentar la eficacia global de los procesos de fabricación
una garantía eficaz de la calidad de los procesos y los productos
un procedimiento predictivo de pedidos para un control eficaz del inventario
mantenimiento preventivo de componentes e instalaciones
una gestión de la energía sostenible y respetuosa con el medio ambiente
trazabilidad de los datos del proceso a lo largo de toda la cadena de producción
seguimiento de activos fiable y rentable
mejora de la seguridad en el lugar de trabajo mediante gafas industriales inteligentes que utilizan la realidad aumentada para proporcionar instrucciones sobre cómo trabajar

Componentes para IIoT

El Internet Industrial de las Cosas (IIoT) está compuesto por componentes, dispositivos, máquinas y plantas equipados con sensores que pueden registrar datos de funcionamiento. Estos datos de funcionamiento pueden compartirse con componentes periféricos a través de Internet con otros componentes e intercambiarse con ordenadores integrados en la red. También se integran actuadores que pueden ser controlados por ordenadores. Los actuadores pueden realizar acciones. De este modo, es posible supervisar, controlar y optimizar procesos de fabricación completos mediante la IIoT.

Así pues, una infraestructura IIoT tiene sensores y actuadores en su base. Tanto los sensores como los actuadores están conectados a la infraestructura en la red a través de componentes de borde. Las señales de los sensores son parcialmente procesadas directamente por los componentes de borde o enrutadas a pasarelas IoT o pasarelas de borde; los actuadores reciben sus instrucciones directamente de los componentes de borde o de las pasarelas IoT o de borde. A su vez, las pasarelas están conectadas a través de Internet al servidor de datos in situ (servidor local) y a la plataforma IoT general. Los datos híbridos disponibles se integran y analizan mediante aplicaciones de análisis empresarial. La tecnología Edge garantiza que muchos procesos estándar puedan ser ejecutados localmente por los componentes Edge. Esto acelera y reduce el coste de los procesos. Hay que dirigir menos tráfico a través de Internet a los servidores de datos y viceversa.

Los datos se intercambian cada vez más utilizando el estándar 5G (hasta 20 Gbit/s). Esto permite un alto caudal de datos casi en tiempo real. Como el alcance con 5G es menor que con 3G/4G, conviene instalar concentradores inteligentes en la red (tecnología de borde). Así, con 5G, incluso los componentes distribuidos espacialmente pueden comunicarse entre sí casi en tiempo real. En combinación con el análisis de big data, IIoT contribuye así significativamente a la digitalización de los procesos (industriales) y las cadenas de suministro.

Vendors of IIoT Platforms

Entre otros se conocen los siguientes proveedores de plataformas IIoT:

ABB Ability: Aplicaciones IIoT centradas en la inteligencia de las máquinas.
Cisco IoT Systems: plataformas para la conectividad de redes mediante edge computing
Fanuc Field System: Plataforma IIoT para la conexión de sistemas dispares
GE Predix: Plataforma para aplicaciones industriales digitales
Siemens MindSphere: Solución de IoT industrial que incorpora IA.

Las empresas deben evaluar el nivel de los requisitos de seguridad para los componentes de la IIoT y la transmisión de datos. Con la selección de componentes y el estándar de transmisión de datos, las empresas influyen en el nivel de seguridad. Debe tenerse en cuenta que apenas merece la pena proteger las señales individuales de los componentes, mientras que la totalidad de los datos operativos y de proceso contiene información relevante para la competencia, merece la pena protegerla y, por lo tanto, debe asegurarse.

Cloud Computing

Almacenar grandes cantidades de datos en la empresa y mantener y actualizar todas las aplicaciones posibles en la propia empresa lleva mucho tiempo, es caro e implica riesgos en cuanto a disponibilidad y seguridad de los datos.

Una alternativa es el uso independiente del dispositivo de datos, aplicaciones y capacidades informáticas almacenadas de forma eficiente y segura en granjas de servidores. De esta manera, incluso las aplicaciones de software elaboradas, como las herramientas de IA, los entornos de IoT, las aplicaciones analíticas y el software de blockchain, pueden ser utilizados por las empresas sin tener que alojarlos ellas mismas.

Sin embargo, un requisito previo necesario para este Cloud Computing es la capacidad de mandato del software a través de una arquitectura multi-tenant. Este requisito no se cumplió hasta finales de la década de 1990. Los proveedores contrarrestan las fluctuaciones de la carga de trabajo con una arquitectura orientada a servicios.

Los usuarios acceden a sus propios datos y aplicaciones a través de una conexión segura a Internet mediante una aplicación móvil o un navegador web. Para los usuarios, es irrelevante dónde estén ubicados los servidores de datos y aplicaciones. Sin embargo, por razones de protección de datos, debe procurarse que los servidores estén situados al menos en el propio continente del usuario. Esta alternativa para almacenar datos y aplicaciones corporativas se denomina Cloud Computing. Se factura mediante una tarifa plana mensual o en función del uso real, como Software as a Service (SaaS).

El Cloud Computing reduce el esfuerzo necesario para que las empresas mantengan las aplicaciones y la capacidad de almacenamiento de datos y reduce los requisitos técnicos de los dispositivos finales, así como el servicio de los dispositivos finales del lado del usuario. El acceso seguro a las aplicaciones puede proporcionarse a través de perfiles de usuario asignados.

Los usuarios pueden elegir libremente qué recursos quieren utilizar, cuándo y con qué dispositivos finales (servicio bajo demanda). Los proveedores suelen agrupar el uso de sus servicios a la carta en una red distribuida de recursos. Sin embargo, los usuarios no tienen control sobre qué recursos del proveedor se utilizan para ejecutar sus servicios. Para los usuarios, las capacidades parecen ilimitadas, mientras que los proveedores del Cloud Computing pueden intercambiar capacidades entre usuarios según sus necesidades (elasticidad rápida).

Diferenciacón entre Cloud Computing y Grid Computing

Una alternativa al Cloud Computing es el Grid Computing. Mientras que en el Cloud Computing la responsabilidad de los servicios recae en un proveedor concreto, el Grid Computing consiste en el uso compartido de recursos comunes sin control ni responsabilidad centrales.

Fog Computing

En el Fog Computing, las aplicaciones se eligen para que estén lo más cerca posible de los usuarios, con el fin de mejorar la eficiencia de la red y reducir la latencia para los usuarios. Existe aquí una similitud conceptual con la computación de borde, que se utiliza para el IoT.

Capas del Cloud Computing

Software-as-a-Service (SaaS)

Si las aplicaciones de software se utilizan en modo deL Cloud Cumputing, se habla de “software como servicio” (SaaS).

Ejemplos conocidos del Cloud Computing SaaS son las ofertas de Google Drive, Apple iCloud, Microsoft OneDrive y Amazon Web Services. Los programas de trabajo habituales de Microsoft también se ofrecen en modo de computación en nube, como MS Office 365. Por último, los sistemas de planificación de recursos empresariales (ERP) como Microsoft Dynamics y los programas especiales de planificación de la producción, así como otras aplicaciones especiales de gestión empresarial como los sistemas de contabilidad Datev, también pueden utilizarse en modo del Cloud Computing.

Function-as-a-Service (FaaS)

También existe la opción de que las empresas reserven funciones de software específicas. Los proveedores proporcionan a las empresas exactamente las funciones que necesitan. La facturación se basa en las funciones reservadas.

Este modelo de negocio también se está imponiendo en los coches modernos: Todas las funciones, como los faros de dirección, están integradas en el vehículo, pero sólo las funciones reservadas se activan para el propietario del vehículo. Esto crea ventajas de estandarización para los proveedores y de individualización para los usuarios.

Platform-as-a-Service (PaaS)

Incluso se ofrecen marcos completos de infraestructura de software basados en web, por ejemplo para entornos de desarrolladores. Estas plataformas se denominan Plataforma como Servicio (PaaS). Algunos ejemplos son Amazon Web Services, Google Cloud y Microsoft Azure.

Infrastructure-as-a-Service (IaaS)

El nivel superior del Cloud Computing es la provisión o uso de infraestructura, es decir, los servicios de un centro de datos, acceso protegido por cortafuegos a una red y capacidad de CPU de servidor, así como capacidad de almacenamiento (RAM, SSD). Estas ofertas de computación utilitaria se recomiendan a las empresas que no quieren operar su propio centro de datos.

Tipos del Cloud Computing

Private Cloud versus Public Cloud

Las empresas pueden elegir si quieren utilizar una infraestructura informática como completamente sus propias aplicaciones en modo del Cloud Computing (nube privada) o si quieren utilizar una infraestructura informática estándar ya preparada a través de una red pública con datos de acceso privados (nube pública). En el primer caso, la empresa es responsable de crear y mantener la infraestructura informática; en el segundo, la empresa puede confiar en que el proveedor tenga lista una infraestructura que funcione.

Virtual Private Cloud

Una forma especial de nube pública es la «nube privada virtual», en la que un área privada de una nube pública se aísla de la pública mediante una solución VLAN.

Community Cloud

Una variante de la nube pública es la nube comunitaria. Un grupo de usuarios definidos recibe acceso a los servicios prestados por un proveedor. El grupo de usuarios puede ser un clúster industrial, por ejemplo.

Hybrid Cloud

Entre medias, existen también formas mixtas (nube híbrida), con las que los procesos críticos para la competencia o los procesos centrales específicos de las empresas se operan de forma privada y otros procesos genéricos se utilizan a través de nubes públicas de escalabilidad flexible.

Es probable que se consoliden las ofertas de nube híbrida para aplicaciones empresariales.

Multi Cloud

En una solución multicloud, el acceso a varias ofertas en la nube de distintos proveedores se agrupa de tal forma que los usuarios no son conscientes de ello. Todas las ofertas pueden utilizarse con los mismos datos de acceso.

Integración de Datos

En el futuro, las empresas procesarán datos estructurados y no estructurados en distintos formatos y procedentes de diferentes fuentes de datos de distintas empresas para obtener información relevante para el negocio. Deben ser capaces de leer, integrar, sincronizar, procesar, evaluar y mover simultáneamente esos «datos híbridos» en tiempo real desde nubes, almacenes de datos propios y de terceros. Para ello, las empresas necesitan patrones arquitectónicos, métodos y herramientas adecuados. Existen en el mercado herramientas de integración de datos con estas capacidades.

Requisitos para la Integración de Datos

Los requisitos funcionales de las aplicaciones de integración de datos disponibles en el mercado son los siguientes:

Capacidad para mover datos física y virtualmente, uni o bidireccionalmente, en (micro)lotes o en tiempo real.
Capacidad para dirigir consultas a diferentes fuentes de datos (virtuales) utilizando adaptadores.
Capacidad para mover datos, ya sea en unidades discretas (eventos) o como un flujo continuo (flujo de datos).
Capacidad para gestionar el movimiento de datos a través de API de entrada y salida como «datos como servicio».
Capacidad para realizar análisis de datos complejos mediante minería o modelización de textos o datos.
Posibilidad de que los conjuntos de datos se «autorreparen» mediante el uso de metadatos y capacidades de aprendizaje.
Posibilidad de preparar conjuntos de datos para su análisis por usuarios de departamentos especializados sin conocimientos de programación.
Posibilidad de transferencia segura de datos dentro de una infraestructura de datos híbrida mediante la «contenedorización».

Para las medianas empresas, es aconsejable contratar el servicio de integración de datos con especialistas en lugar de configurar y personalizar ellas mismas las aplicaciones de integración de datos y utilizarlas para sus propios casos de uso.

Vendedores de Servicios para la Integración de Datos

Entre los proveedores experimentados se incluyen

Amazon Web Services (con AWS Glue): Empresas de logística, comercio electrónico y otros
Denodo: empresas de servicios financieros, fabricación y tecnología
Hitachi Vantara: Servicios financieros, empresas de software y tecnología, fabricantes de bienes de consumo y minoristas: Hitachi Vantara también ofrece una plataforma para IoT industrial con Lumada Industrial DataOps.
IBM: servicios financieros, seguros, empresas sanitarias,
Informatica: Servicios financieros, telecomunicaciones, sector público.
Microsoft: Pequeñas, medianas y grandes empresas de todos los sectores.
Oracle: empresas de servicios financieros, empresas de telecomunicaciones, empresas de comercio electrónico, empresas farmacéuticas.
Precisely: empresas de servicios financieros, seguros y atención sanitaria.
Qlik: servicios financieros, empresas sanitarias, empresas minoristas y de fabricación
SAP: industria del automóvil, fabricantes de bienes de consumo, sector público
Software AG: proveedores de servicios financieros y de seguros, empresas tecnológicas, empresas de telecomunicaciones.
Tibco Software: proveedores de servicios financieros, empresas de telecomunicaciones, empresas manufactureras.

Estos proveedores utilizan marcos como SQL Server Integration Services (SSIS) para bases de datos locales y Azure Data Factory (ADF) para fuentes de datos híbridas. Oracle ha participado en soluciones de bases de datos durante mucho tiempo, utilizando su propia plataforma Oracle Golden Gate, Oracle Data Integration Suite (ODI), Oracle Big Data SQL (BDSQL) y servicios de integración dentro de Oracle Integration Cloud y Oracle Cloud Infrastructure (OCI).

Las áreas de despliegue muestran que la mayor parte del esfuerzo de integración de datos se realiza en los servicios financieros y de seguros, las telecomunicaciones, la sanidad, el comercio minorista y el sector público. Algunos proveedores también tienen soluciones para empresas de logística y fabricación.

Se puede encontrar un proveedor adecuado para cada sector y tamaño de empresa.
También es importante no limitar la integración de datos a la propia empresa, sino crear oportunidades para ampliarla a toda la cadena de valor.
A la hora de elegir, asegúrese de que el proveedor entiende su negocio y puede y quiere cubrir sus necesidades.
Examine detenidamente el modelo de negocio del proveedor para ver si se ajusta a sus necesidades.

Para la mayoría de las empresas, no es aconsejable implementar marcos de código abierto por su cuenta ni utilizar interfaces programables.

Como usuario, deberías centrarte más bien en el análisis de los datos.

Big Data y Business Analytics en Procesos Industriales

La cantidad de datos disponibles crece exponencialmente. Esto parece una maldición para muchas empresas, porque hay que gestionar los volúmenes de datos. Pero una gran cantidad de datos disponibles también puede ser una bendición para las empresas, porque contiene información relevante que puede utilizarse de forma ventajosa para el negocio. Desgraciadamente, no sigue siendo una opción, porque muchas empresas ya saben evaluar y utilizar muy bien los Big Data. Para las demás empresas, esto desencadena la compulsión de ocuparse ahora también intensamente de los Big Data.

Desarrollo and Significancia de Big Data para Procesos Industriales

Desde que existen los ordenadores personales y la informática cliente-servidor, los datos de proceso procedentes de diversas fuentes de datos se acumulan en grandes cantidades, en diversos formatos y a gran velocidad. Estos tres criterios -volumen, variedad y velocidad- caracterizan a los Big Data. Los conjuntos de datos pueden llegar a ser correspondientemente complejos. Estos conjuntos de datos contienen mucha información relevante que puede contribuir a tomar mejores decisiones. Pero, por desgracia, esta información no es evidente. Ni siquiera las bases de datos relacionales, combinadas con el lenguaje de consulta estructurado (SQL), son capaces de evaluar de forma significativa tales volúmenes de datos en tiempo real. Internet, con sus motores de búsqueda, y las transacciones basadas en Internet (economía digital) han contribuido a aumentar aún más la cantidad de datos generados.

En las empresas han surgido almacenes de datos propios para gestionar, analizar y utilizar estos grandes volúmenes de datos. Sin embargo, con la llegada de las redes sociales, los volúmenes de datos estructurados y no estructurados generados por los usuarios se multiplicaron. Almacenar las enormes cantidades de datos a un coste razonable y procesar simultáneamente estos datos distribuidos en muchos clusters informáticos se convirtieron en retos particulares para las empresas. No fue hasta que la velocidad de procesamiento de datos de los ordenadores evolucionó, el almacenamiento escalable de forma arbitraria se hizo asequible con las nubes virtuales y el flujo de datos fiable se hizo posible que las aplicaciones de inteligencia artificial (IA) se hicieran prevalentes y surgieran las máquinas de aprendizaje (ML). Mientras que los datos tenían que extraerse, limpiarse, transformarse y agregarse (ETL) antes de poder ser analizados, ahora los datos en bruto pueden almacenarse y alimentarse directamente al análisis. Sólo así es posible evaluar los datos, tomar decisiones basadas en ellos e iniciar medidas en tiempo real.

Tareas de Infraestructura y Gestión de Datos

Las tareas pueden dividirse en tareas de infraestructura y gestión de datos.

Tareas de Infraestructura

Las tareas de infraestructura consisten en almacenar los datos en sus formatos originales, integrar todas las fuentes de datos públicas y privadas, proporcionar herramientas para acceder a los datos (buscar, explorar, gobernar) y permitir la vaporización de datos, y proporcionar aplicaciones de evaluación (herramientas de consulta) y aplicaciones para el análisis de datos (business analytics) que puedan utilizarse para identificar tendencias y elaborar la toma de decisiones.

Existe una gran oportunidad para que las empresas encarguen a especialistas en la nube la tarea de infraestructura del almacenamiento de datos y se centren en la gestión de los datos relacionados con el negocio.

Tareas de Gestión de Datos

Para toda empresa es importante evaluar los datos estructurados del almacén de datos, así como los datos estructurados de las transacciones. Con el fin de comprender los cambios en los mercados y las preferencias de los clientes y desarrollar productos adecuados de forma rápida y específica, existe un deseo creciente de evaluar también los datos no estructurados de los medios sociales y otras fuentes que están disponibles en los llamados lagos de datos. La información oculta en los Big Data puede aprovecharse mediante aplicaciones de Business Intelligence (BI). El término «inteligencia empresarial» fue acuñado por IBM en 1958 y se refiere a la capacidad de identificar relaciones interdependientes entre hechos y utilizar esa información para tomar las medidas adecuadas para alcanzar los objetivos deseados. Se trata esencialmente de combinar datos y reconocer patrones en conjuntos de datos. Para obtener perspectivas válidas, los datos de las tres fuentes, el almacén de datos, el conjunto de datos transaccionales y los lagos de datos, deben analizarse de forma integrada. Hoy en día existen plataformas de datos para esta integración de datos.

Las aplicaciones de Inteligencia Artificial (IA) pueden utilizarse ahora para realizar análisis mucho más amplios: La IA puede describir imágenes, analizar datos gráficamente, transcribir texto hablado, leer en voz alta texto escrito y extraer significados de declaraciones difundidas en las redes sociales. La incorporación de estas aplicaciones de inteligencia artificial en las plataformas de datos permite a las empresas comprender los datos almacenados en un contexto empresarial, desbloquear el conocimiento tácito para la empresa y crear aplicaciones totalmente nuevas. Puede tratarse de aplicaciones para la optimización de procesos, la optimización de inventarios, la optimización de la utilización de capacidades, la supervisión de la calidad, el mantenimiento preventivo de activos o la identificación de clientes especialmente fieles o en riesgo de pérdida.

La gestión de datos es una importante tarea estratégica que las empresas no deben abandonar, porque es su oportunidad de posicionarse ventajosamente en el entorno competitivo. El reto consiste en encontrar y retener empleados cualificados que conozcan la metodología de la gestión de datos y actualicen continuamente sus conocimientos. Sin embargo, también tiene sentido implicar a proveedores de servicios experimentados en la tarea de gestión de datos. Al menos en la fase de concepción, esto tiene sentido para aplicar una metodología adecuada. Además, puede ser útil recurrir a un especialista externo en gestión de datos como sparring.

Robótica

El campo de la robótica abarca el diseño, desarrollo, construcción, programación, funcionamiento y mantenimiento de robots. Los robots están cambiando las competencias que deben tener los humanos. Mientras los robots realizan cada vez más trabajos sencillos a medida que aumentan los niveles salariales, los empleados deben ser capaces de construir, programar, manejar y mantener robots. La gama de tareas y, con ella, el perfil de requisitos de los empleados se está desplazando hacia la informática, la ingeniería eléctrica y la mecatrónica.

Las máquinas pueden ayudar a los empleados a realizar operaciones de mecanizado definidas, mientras que los autómatas pueden incluso programarse para realizar operaciones de forma autónoma. Los robots, por definición, van un paso más allá: son móviles y trabajan para cumplir objetivos; para ello, pueden orientarse en su entorno e incluso decidir y ejecutar diversas operaciones de forma autónoma.

Desde hace mucho tiempo, no todos los trabajos en entornos de producción y logística son realizados por humanos. Para tareas rutinarias repetitivas, para trabajos con elevados requisitos de precisión y/o velocidad, y para trabajos peligrosos, se utilizan máquinas, autómatas o incluso robots, siempre que sean rentables. Sin duda, hay tareas que se reservan a los humanos simplemente porque los robots son demasiado caros para ellos. Por tanto, el uso de la robótica requiere siempre un caso de uso y un cálculo de la inversión.

Los criterios para la automatización incluyen las cantidades a procesar, así como el grado de estandarización del trabajo. En el caso de la producción en serie o a gran escala, es más probable que merezca la pena la automatización mediante robots que en el caso de la producción de un solo artículo o de pequeños lotes de mecanizado. A menudo es necesario producir grandes cantidades con un gran número de variantes. Esto suele dar lugar a lotes de producción muy pequeños. Pero incluso estas estructuras de pedidos pueden beneficiarse de una automatización específica si los componentes están estandarizados y los productos son modulares. El concepto de automatización requiere, por tanto, que el rumbo se establezca de forma adecuada mucho antes en el proceso de creación del producto. Cuanto más tarde puedan surtir efecto las variantes en el proceso de fabricación, más modularizada y automatizada podrá ser la fabricación. Por supuesto, un proceso de cambio de este tipo no es puramente una cuestión de fabricación, sino que intervienen la gestión de productos, el desarrollo de productos, las compras, la preparación del trabajo y la planificación y el control de la producción. El servicio posventa también puede beneficiarse de un diseño de producto recién planificado en la medida en que hay que mantener en stock menos variedad de piezas de recambio y las piezas de desgaste pueden ser más fáciles de sustituir.

Automatización de Líneas de Producción

Cuando se trata de ideas de proyectos para automatizar procesos, a menudo surge la pregunta de qué debe hacerse primero: ¿la digitalización o la automatización de los procesos? No es una pregunta trivial. Al fin y al cabo, ambas actividades son mutuamente dependientes. Por eso ambas tareas deben abordarse en paralelo.

Sin embargo, la automatización sin concesiones no es más una panacea que la digitalización sin concesiones. En la automatización de plantas de producción o líneas de producción enteras, así como en la automatización en la industria de procesos, es necesario optimizar un compromiso entre la máxima eficiencia y una flexibilidad necesaria. Las máquinas totalmente conectadas en red para formar una línea de producción pueden alcanzar una alta eficiencia, siempre y cuando todo funcione realmente. Pequeñas perturbaciones pueden destruir por completo la eficiencia de la línea. Por ello, puede ser conveniente mantener almacenes intermedios entre las máquinas de procesamiento.

Cuanto mejor se conozcan los datos de proceso de una línea de producción de este tipo, más posibilidades habrá de contrarrestar de antemano las averías para limitar los tiempos de inactividad.

En cualquier caso, merece la pena registrar con precisión el tipo de proceso empresarial, ya que la selección de máquinas y equipos depende en gran medida del proceso empresarial natural. Un intento de automatizar exhaustivamente los procesos de taller establecidos tiene muchas probabilidades de fracasar.
Sin embargo, con operaciones de taller en crecimiento, puede tener sentido iniciar un cambio hacia procesos industriales. Si esto parece factible, también merece la pena plantearse la automatización.
El rendimiento de los componentes debe coordinarse. Hay que tener en cuenta que el eslabón más débil del sistema acoplado determina la eficacia de toda la línea.
Como «ley de la naturaleza», la eficacia de la línea disminuye con el número de componentes acoplados. A este respecto, la complejidad de la línea debe examinarse a fondo ya en la fase de planificación.
El rendimiento de una planta enlazada depende en gran medida de la comunicación de datos entre los componentes. Por lo tanto, el análisis de los datos relevantes para el proceso, la implementación de la adquisición de datos a través de sensores, así como la transmisión y evaluación de datos en la red son importantes.

Unas consideraciones y análisis adecuados pueden proporcionar información valiosa y sólida que puede utilizarse para tomar una decisión sobre la automatización parcial o paso a paso.

Para la automatización de las plantas, también deben integrarse los controles de las máquinas. En algunos casos, la migración de los sistemas de control de las plantas existentes a la nueva tecnología de automatización es una opción. Por lo tanto, es indispensable un conocimiento profundo de los controles de máquinas pertinentes. Los controles de máquinas más comunes son:

ABB 88xA, Freelance 2000
Emerson Delta V
HIMA
Honeywell PKS, TDC 3000
Mitsubishi
Siemens S5, S7, PCS7, PCSneo, TIA
Yokogawa Centrum VP

Se recomienda involucrar a especialistas en control de máquinas en los proyectos de automatización.

Computer Vision

“Computer Vision”, la visión por ordenador, es otro campo interesante para hacer los procesos de fabricación más seguros, eficaces y rentables. El término «visión por ordenador» se refiere a la capacidad de los ordenadores para comprender datos de imágenes y tomar decisiones significativas.

Al igual que los humanos, los ordenadores pueden entrenarse para distinguir con fiabilidad entre distintos tipos de objetos, percibir movimientos, estimar distancias e identificar desviaciones de un estado objetivo. Las cámaras, la transmisión de datos y los algoritmos de evaluación asumen las tareas de la retina, el nervio óptico y el córtex visual. Hay que entrenar a los ordenadores para la percepción diferenciada del mismo modo que a los humanos. Especialmente importante es la definición de criterios con los que, por ejemplo, se puedan distinguir las mercancías buenas de las rechazadas. Los humanos también tienen que estar condicionados para ello. Las máquinas necesitan criterios duros que puedan registrarse en forma de algoritmos. Con la «experiencia», las máquinas también aprenden a distinguir cada vez mejor (aprendizaje profundo). Este aprendizaje independiente puede incluso ampliarse para incluir una capacidad predictiva mediante el uso de una red neuronal convolucional (CCN). Ambas funcionan no solo para imágenes estáticas, sino también para datos de vídeo.

Así pues, los ordenadores no sólo pueden sustituir a los empleados en muchos casos de uso, sino que incluso pueden procesar operaciones de inspección y separación mucho más rápido y con una concentración constante que los humanos.

Por eso, las aplicaciones de visión por ordenador en los procesos de fabricación son idóneas para el aseguramiento continuo de la calidad. Junto con la supervisión de los parámetros de la máquina, el ordenador puede utilizarse para evitar fallos y rechazos.

Por supuesto, las aplicaciones de visión por ordenador no son gratuitas. Para estar seguro de para qué procesos merece la pena invertir en esta tecnología, se recomienda realizar tanto un análisis del proceso como un cálculo de la inversión.

Gemelos Digitales

Todo lo que existe en el mundo real puede modelarse en forma digital. Esto significa que los procesos de fabricación también pueden imitarse digitalmente. Los modelos de procesos que funcionan de forma realista pueden utilizarse para simular cambios en los procesos y evaluar los efectos de estos cambios en el comportamiento del sistema simulado.

Por regla general, la simulación en este tipo de gemelos digitales es más rentable que los ensayos en sistemas reales. No es necesario interrumpir los procesos de fabricación para realizar las pruebas, y no se consume material físico de entrada ni energía de proceso.

Por tanto, crear gemelos digitales puede tener sentido, pero también implica cierto esfuerzo.

Sin embargo, los gemelos digitales sólo resultan realmente interesantes cuando se intercambian datos de proceso entre las plantas reales y sus gemelos digitales. Los gemelos digitales pueden utilizarse entonces como una unidad de gestión que prescribe ajustes del proceso a la planta real para que funcione cerca de un estado ideal.

Un requisito previo para la comunicación entre estos gemelos digitales es la aplicación del concepto IIoT. La planta real debe poner a disposición del gemelo digital los datos relevantes para el proceso para su cotejo. El gemelo digital debe tener la capacidad de controlar los actuadores de la planta real.

Los gemelos digitales también pueden ser útiles para otras funciones operativas, como el control ágil de la fabricación o el mantenimiento preventivo. Fuera de la fabricación, los gemelos digitales también pueden utilizarse para el control inteligente y eficiente de almacenes y otras áreas de manipulación de mercancías (por ejemplo, logística portuaria).

Sin embargo, este concepto de gemelos digitales no se limita a los procesos de fabricación; también puede aplicarse a los productos, que pueden simularse a lo largo de su ciclo de vida como modelos geométricos 3D, modelos funcionales o modelos de comportamiento. De este modo, se pueden obtener valiosos conocimientos sin tener que probar prototipos físicos. En particular, la consideración de todo el ciclo de vida en la simulación (desde la extracción de materias primas a la fabricación y uso del producto y su posible uso secundario hasta la eliminación y separación y reprocesado de las materias primas (reciclado) está cobrando especial importancia a raíz de la obligatoriedad de una gestión sostenible.

La disciplina suprema se consigue cuando se enlazan distintos modelos en una simulación. Así se puede recrear mejor la compleja realidad.

Los gemelos digitales son potentes herramientas para seguir desarrollando procesos y productos reales. Un análisis in situ puede mostrar si merece la pena dar los primeros pasos con los gemelos digitales.

Summario

Con el uso de las tecnologías digitales, se pueden aprovechar los potenciales de eficacia y eficiencia relevantes en los entornos industriales, especialmente en la fabricación y la logística.

Un requisito previo necesario para ello es una digitalización estratégicamente sólida de los procesos empresariales esenciales y un registro e interconexión digitales de los datos de procesos influyentes (IIoT, computación en nube). Para ambas cosas, se recomienda un cuidadoso análisis in situ, que ya debería incluir para qué se van a utilizar los datos.

El siguiente paso es tratar la gran cantidad de datos en parte estructurados y en parte no estructurados que se generan constantemente (Big Data) con el fin de obtener información valiosa de los datos (Business Analytics). Pasos importantes para la evaluación de datos son la forma en que los datos se conectan en red y la integración de datos.

Ahora, más allá del apoyo de las máquinas en la ejecución de operaciones industriales individuales, puede iniciarse la automatización de procesos de fabricación completos. Ahora es posible un control ágil mediante un control de procesos integrado en los datos, lo que conduce a un mayor rendimiento, una mayor fiabilidad y una mayor rentabilidad.

Además, las aplicaciones de visión computerizada de aprendizaje automático asistidas por IA pueden utilizarse en procesos industriales para controlar la calidad. Esto puede mejorar el nivel de calidad y reducir los costes del control de calidad.

Por último, el concepto de gemelos digitales permite modelar procesos y productos de forma realista y simular adaptaciones de forma rentable. Al intercambiar datos con procesos reales, los gemelos digitales pueden utilizarse para controlar procesos reales. Con cada uso, la aplicación aprende y mejora aún más el proceso de control.

Para las empresas industriales y logísticas clásicas, merece la pena desde el punto de vista financiero estudiar las tecnologías digitales y aprovechar mejor los datos de proceso disponibles.

Technologías Digitales para Entornos Industriales