Y para conseguirlo, esta nueva solución de análisis ofrece una respuesta a nivel de dispositivo. Se trata de una solución —suministrada en un dispositivo enchufable— capaz de rastrear las redes industriales y de descubrir los activos, tales como variadores de CA o sensores de estado. El sistema genera análisis útiles a partir de los datos obtenidos gracias a sus informes preconfigurados con indicadores de estado y de diagnóstico.
A medida que el dispositivo recopila información cómo los dispositivos se relacionan entre sí —determinando relaciones de causalidad entre fallos, por ejemplo— va comprendiendo el sistema en el que se ha instalado y puede realizar recomendaciones prescriptivas. Por ejemplo, si fuese necesario reconfigurar un variador para mantener un rendimiento óptimo, el sistema puede enviar una acción al smartphone o a la tablet del usuario.
En última instancia, este enfoque prescriptivo permite a los equipos de mantenimiento ser más proactivos y ayuda a minimizar los posibles tiempos improductivos.
Un cambio en las reglas del juego para la fabricación automotriz
El análisis escalable está cambiando por completo las reglas del juego en las aplicaciones discretas de la industria del automóvil. Y, además, su enfoque transformador también promete ser vital en procesos continuos complejos en los que el machine learning pueda tener un impacto significativo en la calidad del producto y en la velocidad de fabricación.
¿Un ejemplo? La producción de baterías de celdas prismática. A igual volumen, las celdas prismáticas proporcionan más energía que las cilíndricas, de ahí que cada vez tengan mayor aceptación en el mercado de vehículos eléctricos.
Sin embargo, para producir este tipo de celdas de batería son necesarios sistemas de gran precisión, que utilizan mucho movimiento y que ejecutan un procesamiento continuo. La optimización de procesos en este tipo de entornos dinámicos y multivariables no es tarea fácil. Es un reto hecho a la medida de los análisis escalables y el machine learning.
Estos sistemas, gracias al uso de modelos matemáticos dinámicos, aprenden a reconocer el impacto que una variable tiene sobre otra y ajustan automáticamente las acciones posteriores para conseguir un resultado óptimo. Al mismo tiempo, envían análisis críticos a los operadores —como gráficos SPC— que hacen posible una monitorización continua de la calidad y realizan ajustes de forma proactiva.
Tenga en cuenta, además, que un enfoque escalable como este puede ampliarse también a procesos y máquinas y no limitarse a actuar sobre los dispositivos. La plataforma también puede integrarse con sistemas MES, OEE y otros sistemas de análisis y de operaciones de fabricación para impulsar la optimización en toda la empresa, en áreas tan diversas como la programación de producción o la gestión energética.
Descubra más sobre análisis escalable y sobre cómo tomar mejores decisiones en el propio origen de los datos.
Coautor Todd Montpas
Director de producto de software de información, Rockwell Automation
