La eliminación de defectos está en el ADN de cualquier responsable de fabricación. Se trata de algo lógico y natural por los numerosos beneficios que conlleva. Para acudir en su ayuda, las nuevas tecnologías, como la inteligencia artificial, han desarrollado modelos que permiten reducir al máximo la aparición de desperfectos en productos y piezas. ¿Cómo lo hacen?
La industria busca continuamente la perfección, no solamente por una cuestión de “ego” y por autocomplacerse por su propio saber hacer bien las cosas, sino porque esta perfección se traducirá en mayores ganancias, menos costes, profesionales más motivados, clientes más satisfechos… y así hasta completar una larga lista de beneficios.
Es por ello que la ausencia de defectos o la reducción al mínimo de estos es una de las principales preocupaciones de muchos responsables y altos directivos de plantas de producción. Tener productos finales o semielaborados defectuosos hará que hayamos consumido recursos materiales, humanos, energéticos y económicos innecesariamente. Esto puede suponer la diferencia entre el éxito o el fracaso en un entorno de competitividad máxima.
Aunque existe la identificación de defectos mediante los diferentes controles de calidad establecidos a lo largo de las líneas de producción, estos los detectan al final de la línea productiva o cuando se han utilizado ciertos recursos de la misma.
Por tanto, un aspecto clave para llegar a eliminar en la medida de lo posible estos defectos es actuar antes de que estos se materialicen, consiguiendo así una reducción muy significativa en los costes, ya que reducimos la merma y evitamos la utilización de la línea productiva para la obtención de productos que no se podrán comercializar.
¿Cómo enfrentarnos a la solución precoz de defectos?
Para alcanzar esta meta de cero defectos, aunque este concepto sea una definición idealizada, siendo más realista hablar de reducción al mínimo, el mantenimiento de las maquinarias y los equipos es uno de los aspectos más determinantes.
Aunque anteriormente ya os hemos hablado de los tipos de mantenimiento más habituales en una fábrica, no está de más hacer un breve repaso de sus principales características.
- Mantenimiento correctivo: implica una actuación a posteriori, una vez que la máquina ha fallado o que el defecto se ha hecho evidente.
- Mantenimiento preventivo: se interviene periódicamente sin considerar la situación de los equipos.
- Mantenimiento predictivo: usa métodos de análisis avanzado de datos e inteligencia artificial para detectar futuros fallos.
- Mantenimiento prescriptivo: supone la evolución del mantenimiento predictivo, nos aconseja cuándo actuar en función de los datos obtenidos y procesados.
Se puede deducir que para la detección precoz de estos defectos el mantenimiento predictivo y prescriptivo son los realmente útiles, ya que el correctivo actúa una vez el fallo ha surgido y con el preventivo puede ser que cuando vayamos a intervenir ya hayan tenido lugar defectos originados en el tiempo transcurrido entre revisiones programadas.
Identificando precozmente la defectología con inteligencia artificial
Como acabamos de comentar, la inteligencia artificial tiene mucho que decir en la prevención de defectos a la hora de fabricar un producto. Para ello se utilizan tecnologías propias de ella, como Internet de las Cosas para sensorizar los puntos clave a medir, y las técnicas avanzadas de tratamientos de datos como Big Data y Machine Learning.
Gracias a estas tecnologías los sistemas permiten detectar puntos del proceso de fabricación que vayan a ser tendentes a crear defectos. Por ejemplo, la detección de ciertos patrones de temperatura puede indicarnos que en un futuro no muy lejano va a haber un problema en el termosellado del envase de un producto alimenticio.
Esto no sólo puede crear problemas de puertas para dentro de la fábrica, sino que podría tener repercusiones negativas para la salud pública, puesto que un alimento no tratado correctamente es propenso a su deterioro y a la acción de agentes patógenos.
Continuando con el ejemplo de la industria alimentaria, en otros casos estos defectos únicamente alterarán aspectos relacionados con la textura o el sabor. Aunque no supondrán un peligro desde el punto de vista sanitario, sí que repercutirá en la calidad final del producto, pudiendo esto tener consecuencias muy negativas para las cifras de venta y, en consecuencia, para el crecimiento o la supervivencia del negocio.
Para conseguir el nivel necesario de precisión y exactitud en sus predicciones, los sistemas de inteligencia artificial van aprendiendo conforme van acumulando más y más datos procesados. La “máquina” o el sistema aprende solo, adquiriendo así sentido el término Machine Learning.
Los sistemas desarrollados hacen uso de diversos algoritmos, como las redes neuronales o algoritmos de aprendizaje supervisado, entre otros. En el primer caso es el propio algoritmo quien aprende de forma continua y mediante la generación de conexiones “neuronales”, siendo capaz de identificar defectos interpretativos o estéticos, pudiendo así estandarizar nuestro control de calidad en base a los modelos creados anteriormente. Por decirlo de alguna forma, capitaliza y encapsula el conocimiento de nuestro operador de calidad.
El segundo caso, aprendizaje supervisado, busca conocer qué circunstancias o características productivas son las que provocan el defecto, aprendiendo de los propios patrones de funcionamiento. También permite que los usuarios acoten y mejoren las predicciones realizadas por el sistema, obteniendo así un sistema que pueda adaptarse a los índices de calidad que se establezcan en cada momento, o incluso a los cambios en el proceso productivo.
¿Cómo instaurar soluciones para identificar precozmente defectos en fábricas?
La digitalización de los entornos productivos que acompaña a los términos industria 4.0 y smart factory va más allá de instalar una serie de dispositivos y softwares en las plantas. Hacerlo sin unos objetivos claros y definidos puede hacer que estemos invirtiendo más de lo necesario en herramientas que realmente no se adaptan a las necesidades concretas de esa fábrica.
Por ello aquí la estrategia es esencial. Una estrategia que debe cimentarse en un conocimiento profundo de cada rincón y proceso de la planta. Así sabremos cuáles son las máquinas o los procedimientos con más probabilidades de crear defectos. Será ahí donde debamos implementar estas soluciones tecnológicas, realizando así una inversión inteligente que vendrá acompañada de beneficios.
En cambio, instalar un sistema de mantenimiento predictivo en una máquina cuyo histórico de fallos es muy bajo o que, por su propia naturaleza, es poco probable que genere defectos, puede acarrear una derrama económica perjudicial.
A la hora de plantearnos esta digitalización industrial, otro aspecto que nos puede hacer ahorrar una importante cantidad de dinero es el del aprovechamiento de sistemas ya instalados, y es que para que una fábrica sea realmente inteligente no es necesario desecharlo todo y sustituirlo por nuevos dispositivos, sino que muchos de los que ya se disponen desde hace décadas pueden ser realmente útiles para los propósitos marcados.
Desde Datision contamos con la tecnología y la experiencia necesaria para desarrollar este tipo de soluciones que permiten mejorar las cifras de defectos en los productos industriales, independientemente de su naturaleza, ya que se trata de herramientas 100% adaptables y hechas a la medida de nuestros clientes. Si te gustaría saber mejor cómo podemos ayudarte a conseguirlo, no lo pienses y ponte en contacto con nosotros.
