Las condiciones del mercado fluctuantes, las limitaciones de la cadena de suministro, la escasez de mano de obra y una industria global acelerada están obligando a los fabricantes de todos los tamaños a reevaluar la forma en que operan. Muchos fabricantes han comenzado a adoptar tecnología para mantener una ventaja competitiva y abordar los desafíos comerciales de larga data. Desde la automatización hasta las tecnologías digitales, el IoT industrial y más, las empresas pueden aprovechar estas innovaciones para capturar datos de diversos sistemas, procesos y personas para proporcionar las ideas estratégicas necesarias para tomar mejores decisiones.
No hay duda de que estas compañías tienen muchos datos con los que trabajar. Según un estudio de McKinsey, la fabricación genera 1.9 petabytes o 1.900, 000 terabytes de datos anualmente. El problema era que necesitaban una mejor manera de capturar y analizar datos y convertirlos en información utilizable, y necesitaban hacerlo rápidamente. Como resultado, muchas empresas están recurriendo a la inteligencia artificial (IA) para encontrar oportunidades con sus datos para mejorar sus operaciones.
¿Por qué la IA es perfecta para el análisis de datos?
Desde mejorar los rendimientos de fabricación y el tiempo de actividad, hasta pronosticar con precisión la demanda y monitorear de forma remota, e incluso controlar los activos y mejorar la calidad del producto, la IA puede aprovecharse para mejorar significativamente la eficiencia general y las métricas de productividad.
No es mágico, sino un conjunto complejo de algoritmos que analizan grandes cantidades de datos, correlacionan o aprenden patrones en diversas variables, y aplican ese conocimiento a las condiciones actuales para ayudar a predecir futuros estados. Esto no quiere decir que los humanos no puedan realizar estas tareas, sino que Al puede hacerlos más rápido y procesar más datos con mayor precisión, mejorando los resultados comerciales.
Por ejemplo, en cualquier entorno de fabricación, tradicionalmente hay varios grupos de trabajo y máquinas diferentes que recopilan sus propios datos. La información de cada dispositivo puede variar en calidad, formato y tiempo, lo que puede crear obstáculos y dificultar la analización y obtener cualquier información significativa de los datos.
Con la ayuda de la tecnología de IA, se pueden procesar grandes cantidades de datos rápidamente, lo que permite a las empresas combinar de manera rápida y precisa la información operativa, predecir los resultados basados en alternativas y permitir a los fabricantes tomar decisiones ágiles y informadas. Esta capacidad predictiva preventiva es donde se encuentra la fuerza de la IA, y puede aumentar en gran medida los rendimientos de los productos.
Al identificar la causa raíz de los problemas de calidad del producto, la IA puede ayudar a reducir los defectos del producto y las tasas de desecho y aumentar los rendimientos de fabricación. Con información y análisis detallados, los fabricantes pueden abordar los problemas de control de calidad antes de afectar directamente los resultados de la compañía. Veamos uno de esos ejemplos.
Use la IA para mejorar la calidad del motor
Un fabricante mundial de motores produce grandes motores diesel para conjuntos de generadores, aplicaciones navales y marinas, y vehículos militares. Después del ensamblaje, cada motor está sujeto a pruebas rigurosas. Durante las pruebas, incluso los operadores más experimentados a menudo no detectan signos sutiles de un problema, lo que lleva a fallas catastróficas durante las pruebas o una vez que el motor está en servicio. Estas fallas han causado pérdidas significativas, envíos retrasados, crearon áreas de prueba atrasadas y producción aguas arriba, le costaron a la compañía millones de dólares anuales e afectaron negativamente las entregas a tiempo a tiempo.
El problema no es la falta de datos, sino cómo se usa. De hecho, la planta había estado recopilando datos de procesos durante años, pero solo los usó para el trabajo de seguimiento después de que ocurrió una falla. Al observar los datos de esta manera reactiva, el equipo no puede entender por qué estas fallas están ocurriendo o abordarse de manera proactiva. En última instancia, estos problemas se consideran un costo de hacer negocios hasta que la compañía considere el uso de AI en los datos existentes para predecir fallas críticas de los activos antes de que ocurran.
El fabricante comenzó con un programa piloto para sentar las bases de datos necesarias para que la IA tenga un impacto. Dada la necesidad de usar datos históricos, la compañía realizó por primera vez la limpieza y el análisis de datos, con la ayuda de IA, reduciendo 20 mil millones de puntos de datos de 100 motores a 6 mil millones de los puntos de datos más influyentes en 48 horas.
A continuación, conecte múltiples conjuntos de modelos por tiempo y modelo para visualizar los datos e identificar cualquier brecha de datos. Según el análisis de brecha, se hicieron ajustes para extraer ciertos datos con más frecuencia, mejorando así el modelado. Al usar una plataforma AI, todo el análisis se realiza en un entorno de bajo riesgo sin ningún impacto en la producción actual.
A partir de estos datos, los fabricantes pueden establecer líneas de base, identificar tendencias y anomalías, y desarrollar planes para poner en acción la información. En solo unas semanas, produjeron un informe que identifica un grupo de motores de riesgo por número de serie. Según esta información, los fabricantes sospechan que estos motores tienen una mayor probabilidad de problemas durante las pruebas de control de calidad o en el campo. Al vincular los datos de la prueba con las fallas reales del producto, el informe identificó con precisión más del 80 por ciento de los problemas del motor durante varios años.
Es importante tener en cuenta que este proyecto es un proceso iterativo, ya que el modelo AI está constantemente aprendiendo. En aproximadamente 45 días, el modelo pudo predecir fallas con 30 minutos de anticipación con una tasa de falsos positivos cero.
Minimizar la interrupción de las operaciones
Durante el lanzamiento oficial, la solución AL está conectada a los datos en tiempo real generados por el sistema de control de prueba y la interfaz de la máquina humana (HMI). Esto no tiene ningún efecto en el funcionamiento normal. De hecho, el modelo se había integrado con el software de prueba estándar de la compañía, y el operador ni siquiera sabía que se había implementado. Solo necesitan saber que ahora su interfaz HMI les informará sobre cualquier problema potencial inminente y cómo lidiar con ellos.
En los primeros 90 días, la aplicación AI detectó 20 eventos en tiempo real, evitó más de $ 4.5 millones en daños en el motor y logró un retorno de la inversión (ROI) de 10 veces para el proyecto.
Como ilustra este caso, Aprovechar la IA puede proporcionar a los fabricantes una forma de reducir de manera proactiva los defectos de calidad, ahorrar dinero y mejorar las tasas de entrega al tiempo que minimiza la interrupción de las operaciones. Comenzando con una base sólida de datos y trabajando con socios experimentados, AI puede proporcionar las ideas necesarias para impulsar los resultados comerciales y ayudar a los fabricantes a competir en el entorno empresarial en rápida evolución actual.
Pero la IA no tiene que ser una solución única para todos. Dependiendo de sus necesidades, aplicación y situación específica, se deben personalizar diferentes soluciones. Por lo tanto, es importante tener una pareja de confianza a su lado. Cuando se trata de IA, pueden evaluar dónde se encuentra en su viaje de transformación digital, comprender sus objetivos o desafíos e identificar la solución de los principales proveedores que mejor se adaptan a sus necesidades reales.