34
Industria 4.0
tos? Los datos hablan, como los muertos en manos de un
médico forense, traen a la vida lo sucedido; permitiendo
extraer patrones que sin la tecnología actual (Big Data) y la
Analítica no serían visibles al personal de mejora continua
o de procesos.
Detección de condiciones de riesgo que comprometen
la calidad del producto
Anticipar defectos, evitar reclamos del cliente final son
dos de los grandes indicadores en el desempeño no solo
de los equipos de calidad sino de todo el personal involu-
crado en la manufactura y/o transformación del acero; sin
embargo, dada la naturaleza de los productos, antes de-
pendíamos de los ensayos y/o pruebas que “cortaban” un
pedazo de la lámina, tubo, varilla, trefilado y/o planchón
de acero con la consabida espera en horas, o incluso días,
mientras la producción seguía avanzando hacia su meta.
Hoy, soluciones ya implementadas han evitado cientos de
toneladas en reproceso al detectar en etapas tempranas
cuando hay desviaciones sobre los principales parámetros
de calidad, permitiendo que la gran mayoría de un lote o
colada de producción sea “salvada”, evitando ser re-clasifi-
cada.
Capturar el conocimiento experto que deviene de la ex-
periencia de los “masters” que están próximos a su retiro
Un ejemplo claro es aplicando la práctica de analítica
descriptiva a través de medios visuales (Dashboard) que, a
partir de un volumen significativo de datos históricos pue-
da ser un compendio de las causas–raíz al aplicarlo sobre
distintos defectos de calidad; no solo para preservar el “ex-
pertise” y entrenar a la siguiente generación, también para
evitar la llamada “ceguera de taller” que obtenemos en el
día al día.
Mejora del desempeño de equipos de instrumentación
por medio de “instrumentación aumentada”
En ciertos equipos de instrumentación donde la medi-
ción se obtiene por un cálculo indirecto o un modelo físi-
co, es posible mejorar el nivel de asertividad combinando
la salida del modelo físico con un modelo de datos, que
pueda capturar dependencias de variables que el modelo
físico no puede manejar por sus inherentes limitaciones.
Por ejemplo, es posible mejorar el desempeño de equi-
pos de medición sobre la resistencia a la atracción y el
límite elástico en las líneas de laminación continua. Esto
se logró, después un trabajo en equipo con el proveedor
del equipo, donde se agregaron variables que no estaban
originalmente incluidas en el modelo físico, como la ve-
locidad de la lámina de acero, el espesor del material, así
como la distancia entre el sensor del equipo medidor y la
lámina.
Sensores virtuales…
predictores donde es
difícil o imposible medir Optimización de
procesos en términos de
productividad, eficiencia
de equipos y costos
de producción Detección de condiciones
operativas de riesgo que
podrían producir paros de
máquina no planificados
Predicción de la
degradación de la
performance de equipos Detección de condiciones
de riesgo que
comprometen la calidad
del producto Capturar el conocimiento
experto que deviene
de experiencia de los
"masters" que están
próximos a su retiro
En conclusión
La Inteligencia Artificial, sus variantes y tecnologías, es
una práctica de negocio que ha alcanzado su madurez, mos-
trando a través de ejemplos prácticos, ya implementados
en nuestra realidad latinoamericana, beneficios al extraer
conocimiento de valor para tomar decisiones inteligentes.
Decisiones que han impactado en la reducción de costos, e
inclusive, en la creación de nuevos materiales.
En la realidad de la Industria 4.0, son tan
importantes los datos como el producto terminado.