Los sistemas de automatización actuales permiten una monitorización transparente sobre el estado del sistema. Herramientas como la monitorización de estado o el mantenimiento predictivo ayudan a reducir el tiempo de inactividad no programado de un robot. Sin embargo, ¿qué ocurre con las instalaciones obsoletas con equipos viejos? No es raro encontrar equipos que siguen funcionando después de 30 años de uso, entonces: ¿Es posible reintegrar estos sistemas de forma a que cumplan a los requisitos de la producción moderna? Todos preferimos que las decisiones sobre la producción y mantenimiento se tomen en base a una monitorización efectiva y no siguiendo horarios predeterminados de poca flexibilidad o en base a conjeturas y suposiciones. Ciertamente, los requisitos para digitalizar estos sistemas son exigentes: la mayoría de sistemas viejos no disponen de OPC UA en su versión original. Probablemente ni siquiera tengan una interfaz Ethernet. Sin embargo, existen soluciones para registrar grandes cantidades de datos sobre sistemas (system data) de este tipo que se pueden utilizar para mejorar la eficiencia general del equipo.
Por ejemplo, se pueden conectar sensores a la fuente de alimentación de los equipos para una gestión eficiente de la energía. Esta información, junto con el registro de los tiempos de arranque y parada mediante E/S descentralizadas, puede proporcionar datos comparativos esenciales. También se pueden añadir sensores y/o cámaras rentables capaces de registrar datos de aprobación/ rechazo de producto en diferentes áreas de la línea de producción. Los usuarios pueden ejercer un control sobre el estado de sus plantas implementando un sistema inteligente de monitorización de condiciones Condition Monitoring System: un sensor de vibración está conectado a maquinaria de tecnología rotativa, ya sean ventiladores, engranajes o como la inteligencia artificial (IA).
Estas nuevas tecnologías serán claves para analizar el smart data y big data para optimizar la producción. El análisis del smart data y el big data permite que se tomen mejores decisiones referentes a la producción y las técnicas de deep learning y machine learning están apareciendo en la industria para automatizar la planificación de las tareas de producción. Esto sienta las bases para intensificar el uso la IA y así poder alcanzar una mejor flexibilidad en mercados volátiles en cuanto a su producción. De esta manera, se consigue que la motores. No es necesario cambiar el sistema de control de la máquina. El sensor se conecta simplemente por un cable de alimentación Ethernet. Esta solución fácil de integrar ha sido desarrollada por Mitsubishi Electric en colaboración con su socio Schaeffler, miembro de la red eF@ ctory Alliance.
Digitalización de sistemas industriales obsoletos: cuándo y por dónde empezar
Es muy probable que los sistemas industriales envejecidos sean más vulnerables a dejar de funcionar debido a sus años de actividad. Las reparaciones y la reducción de tiempos de inactividad de los equipos permiten un mayor ahorro y un Return On Investment (retorno sobre la inversión) en un plazo más reducido que comprando máquinas nuevas. Además, si un sistema de automatización obsoleto está directamente enlazado a una cadena de producción actual, debería ser digitalizado. Habría que fijarse primero en las medidas más fáciles de implementar que son la gestión del consumo de energía y el registro de datos sobre el estado de la máquina. Estas medidas proporcionan una visión general de la eficiencia del sistema. Otra medida sencilla es la monitorización de condiciones implementada como base del mantenimiento predictivo para reducir tiempos de inactividad. Como más datos estén registrados, mejor optimizado estará el sistema gracias al edge o cloud analysis en tiempo real. Hay que examinar las posibilidades que ofrecen los sistemas individuales, tomando en cuenta el retorno de la inversión en cada caso. Hay instalaciones viejas que pueden adaptarse para un futuro digital con un mínimo esfuerzo. Las empresas se beneficiarán de una mayor transparencia y flexibilidad para sus plantas de producción, que de hecho es un requisito que permite mantener la competitividad a gran escala. La eficacia y eficiencia en los tiempos de comercialización y en la fabricación de productos individualizados dependerá del grado de automatización digital. Se trata de una cuestión de “cuándo” y no “y si…”.
El siguiente nivel: El uso de inteligencia artificial en la industria
Las empresas que están empezando a implementar cambios para digitalizar su producción van a ser las primeras en beneficiarse de las tecnologías emergentes del sector como la inteligencia artificial (IA). Estas nuevas tecnologías serán claves para analizar el smart data y big data para optimizar la producción. El análisis del smart data y el big data permite que se tomen mejores decisiones referentes a la producción y las técnicas de deep learning y machine learning están apareciendo en la industria para automatizar la planificación de las tareas de producción. Esto sienta las bases para intensificar el uso la IA y así poder alcanzar una mejor flexibilidad en mercados volátiles en cuanto a su producción. De esta manera, se consigue que la fabricación de productos personalizados suponga el mismo coste que de productos de producción en masa. La combinación del análisis de smart y big data, y la inteligencia artificial será un factor competitivo clave para afrontar un mercado cada vez más exigente. El tiempo de comercialización es vital, por lo que los cambios de máquinas para nuevos productos deben ser tan rápidos como sea posible y esas máquinas deben ser capaces de producir productos perfectos desde el comienzo de la producción. Esto hará que los productos lleguen rápidamente a los clientes y optimizará la eficiencia de los recursos.
