Manufactura digital: el poder de los datos de máquinas CNC

Saludo a la comunidad de lectores de Modern Machine Shop. En esta ocasión deseo compartir un artículo publicado en nuestra revista corporativa MTMagazine y escrito por un colaborador centrado en la analítica de datos.

Estas son las impresiones de John Turner, director de tecnología en FA Consulting & Technology de Estados Unidos y miembro del MTConnerct Institute. Agrego mis impresiones para la normalización de conceptos y su potencial aplicación en México y el resto de los mercados de América Latina.

Los datos de las máquinas CNC, PLC, PC industriales, robots, sensores y otros dispositivos externos conforman la fundación de cualquier solución de manufactura digital. Los retos se centran en determinar los datos importantes, entenderlos, conocer los riesgos potenciales por ciberseguridad y la validación de los mismos.

Elementos básicos de solución de manufactura digital y su impacto en la decisión

Elementos básicos de cualquier solución de manufactura digital son los datos usados como entrada en cada proceso de decisión para la implementación de la misma —desde las decisiones más básicas concernientes a una pieza única, hasta decisiones de alto nivel que derivan en diseños de procesos de producción o estrategias de negocio en general—.

La mayoría de los datos de control de piso se recolectan mediante dispositivos electrónicos y sistemas de control desplegados en equipos en toda la operación de manufactura. Estas fuentes de datos son, con frecuencia, complementadas por un variado número de tipos de información disponible a través de fuentes más allá del piso de producción.

Hemos integrado sistemas de control electrónico en equipos para la manufactura durante los últimos sesenta años. La máquina CNC (control numérico computarizado) se introdujo a mitad de los cincuenta del siglo pasado.

El PLC (Control Lógico de Programación) se desarrolló en 1968. La primera computadora portátil industrial se implantó en la fábrica en 1984. Y aunque los robots industriales se desarrollaron originalmente a finales de los cincuenta, los robots que conocemos hoy evolucionaron durante la década de 1970. Estos y otros tipos de dispositivos electrónicos pueden encontrarse en, virtualmente, cada pieza de equipo o procesos en cada operación de manufactura.

Adicionalmente, la evolución de la tecnología de sensores ha incrementado de manera acelerada la cantidad de datos disponibles para operaciones de producción. Entrados en el tema, en esta época no existe falta de datos en la mayoría de las operaciones de producción en el mundo.

El reto está en accesar eficientemente esos datos y después calificar los mismos con un significado preciso, de tal forma que pueda ser interpretado consistentemente para apoyar el proceso de decisión de alto nivel. Al día de hoy, las nuevas tecnologías de red y estándares de comunicación para el control de piso como OPC, MTConnect y una variedad de tecnologías de bus de sensores están consiguiendo que el acceso a una amplia gama de datos sea mucho más viable que con soluciones propias de fabricantes, que son antiguas.

Administración de datos en operaciones de producción: desafíos y soluciones

Dos de los principales retos que se presentan en la administración de datos de manufactura son: (1) determinar cuáles datos en el gran océano de los mismos son importantes, y (2) lo que cada pieza de datos significa.

Un error común que se observa en implementaciones de estrategias de manufactura digital es la tendencia a querer recolectar y capturar todos los datos disponibles, “en caso de que se requieran en un futuro”.

Lo anterior lleva a la recolección de una cantidad abrumadora de datos, muchos de ellos irrelevantes para cualquier proceso de decisiones, y se convierten en un costo a largo plazo para almacenaje y administración de los mismos.

Una expresión aplicada con frecuencia a este fenómeno es la de “cansancio por sobredatos”, la acumulación de datos sin valor relevante. Resulta totalmente aceptable el capturar y almacenar grandes cantidades de datos en tanto cada pieza de estos tenga una intención de uso.

El reto mayor es determinar el significado de cada pieza de datos recolectados. Los datos provistos por la mayoría de las fuentes reciben su nombre del proveedor del dispositivo que los produce. Nombre y significado son dos conceptos muy diferentes, no hay estándares para convenciones de nombre de datos. Cada proveedor puede aplicar su propia definición al nombre asignado a cada pieza de datos que produce su equipo.

De tal forma, arreglos de datos con el mismo nombre generados por equipos provistos por proveedores diferentes pueden tener significados totalmente distintos. Cuando este tipo de datos se usan para los procesos de decisión, los resultados generados basados en los datos pueden presentarse con fallas. Le corresponde al implementador de cualquier sistema o al desarrollador del proceso de decisiones validar el significado preciso de cada pieza de datos usados como fuente.

Una opción para atender el problema de piezas de datos con nombres similares que presentan un significado diferente es aplicar un patrón de semántica a los datos. Un patrón de semántica provee significado estructurado para cada tipo de dato y, además, suministra información adicional respecto de cómo los tipos diferentes de datos se relacionan entre ellos.

Cuando se usa un patrón de semántica en los datos, cada pieza de datos debe ser interpretada y ajustada para conformar al modelo semántico de los datos antes de que se almacene o sea usado en cualquier proceso de toma de decisiones. De esta manera se incrementa de forma importante la validez de los resultados generados desde cualquier sistema o proceso de decisión que utiliza datos.

Adicionalmente a información que puede producirse desde el piso de operaciones, hay una fuente variada de datos que ya existe en un negocio que contiene información disponible, la cual puede ser una fuente invaluable de datos para un sistema de manufactura digital.

Estas fuentes incluyen bases de datos de empleados, sistemas de MES/ERP, bases de datos de ingeniería, etc. Dejarlos de lado —o aún peor, replicar estos recursos solo porque no son parte de las operaciones de piso— puede ser costoso, tanto en eficiencia como en confiabilidad de mantenimiento de información duplicada.

Existen tambien muchas fuentes de datos en línea fuera del negocio, que están disponibles y pueden proveer información valiosa para ayudar a conseguir la eficiencia de costos de generación de los mismos. Les corresponde a los implementadores de la solución determinar de manera creativa qué fuentes alternativas de información apoyan la implementación de la manufactura digital en la empresa. Algunas de estas fuentes en linea son:

• Especificaciones de herramientas
• Procedimientos de mantenimiento y manuales de equipos
• Especificaciones de materiales
• Información medioambiental

Echemos un vistazo a un ejemplo de los ahorros potenciales que se pueden conseguir al usar estas fuentes en línea.

Asumamos que quiere considerar la temperatura del aire exterior como fuente de información para su control de procesos de aire acondicionado. La solución más tradicional sería tener un sensor de temperatura instalado en el techo de su planta. Lo anterior involucra encontrar un sensor que soporte la exposición al ambiente exterior, preparar un montaje para el mismo, cablear desde el techo hasta donde su controlador de aire acondicionado se encuentre.

Además, no olvide la protección contra rayos, la instalación de “conduit”, etc. Para un simple sensor, los costos de instalación pueden ser sustanciales (hasta 2 mil dólares).

Existe una alternativa de bajo costo. El Servicio Meteorológico Nacional provee información continua de temperaturas locales. Accesar estos datos como una fuente en línea elimina todos los esfuerzos de instalar su sensor, y ese sistema tiene mantenimiento constante por otros sin costo adicional para usted.

Cuando se depende de fuentes externas de datos, usted debe considerar lo siguiente:

• ¿Cuáles son las condiciones comerciales asociadas al acceso de los datos de la fuente?
• ¿Existen costos iniciales o recurrentes asociados con cada fuente de datos?
• ¿Qué tan confiables son estas fuentes de datos? ¿Estarán siempre disponibles?
• ¿Qué se requiere para transformar los datos externos al formato que funciona para su negocio?

Riesgos por ciberseguridad en manufactura digital y la importancia de la validación de datos

La mayor preocupación cuando se accesa información de fuentes fuera de su negocio es “riesgos por ciberseguridad”. ¿Son las conexiones a los datos seguras, de tal forma que las mismas no puedan ser usadas como un punto de ataque por un agente externo, y están los datos exentos de cualquier malware potencial que pueda propagarse a su sistema?

Los datos son la piedra fundamental de la cual su operación de manufactura digital depende. Mientras las porciones de mayor valor de cualquier implementación de una estrategia de manufactura digital sean los mismos sistemas y el proceso de decisión que dicta las operaciones de manufactura, es esencial que los implementadores apliquen los recursos suficientes para validar cada pieza de datos usados en los procesos. Usted debe tener datos confiables que eviten caer en el concepto GIGO, garbage in, garbage out o “basura entra y basura sale”.

En conclusión, las recomendaciones para implementar una estrategia de manufactura digital en su operación en América Latina están vigentes de acuerdo con el artículo anterior, y la eficiencia en costos deriva de identificar las fuentes abiertas, además de calificar las operaciones prioritarias por digitalizar, en busca de eficiencia, repetibilidad y reducción de costos.

Para mayor información de productos y servicios de la AMT, favor contactar a Carlos Mortera en cmortera@amtonline.org o a Daniel García en dgarcia@amtonline.org