Beneficios de aplicaciones IOT en la industria
La evolución tecnológica permite dotar a las fábricas de equipamientos avanzados, caracterizados tanto por un aumento de su inteligencia, como por disponer de comunicaciones rápidas con el entorno.
La evolución tecnológica permite dotar a las fábricas de equipamientos avanzados, caracterizados tanto por un aumento de su inteligencia, como por disponer de comunicaciones rápidas con el entorno. Cada dispositivo es capaz de generar un enorme volumen de datos, aunque hasta la actualidad sólo un bajo porcentaje de los mismos se aprovecha, y una proporción mucho menor es compartida con otras aplicaciones. Con las nuevas plataformas IOT es posible dar un salto cualitativo y cuantitativo a esta situación; permitiendo acceder a todos estos datos de forma sencilla, creando potentes cuadros de mando, realizando análisis avanzado, machine learning, realidad aumentada, y utilizando otras capacidades que aseguran nuevos beneficios de productividad.
Perspectivas en la fabricación
La situación actual del mercado refleja un conjunto de tendencias que acaban influyendo en las operaciones industriales. Observamos un crecimiento continuado de las clases medias en mercados emergentes, que condiciona e incrementa
la fabricación de todo tipo de productos; desde agua potable a componentes alimentarios, derivados farmacéuticos, equipos electrónicos, automóviles, edificios, hasta llegar a todas las infraestructuras que los hacen posibles.
Tanto la demanda como la oferta se han globalizado; Cuando existe abundancia de un producto o recurso su presencia es alta a nivel mundial, pero también ocurre lo contrario; si un determinado componente escasea el impacto se hace patente en todas las economías del planeta.
Otra de las características es la creciente dificultad de encontrar personal suficientemente cualificado, para gestionar toda la tecnología que requieren las empresas industriales, con objeto de alcanzar la productividad y calidad necesaria. Todo esto, unido a la retirada progresiva de la fuerza productiva de más edad y altamente preparada, ocasiona una importante brecha de recursos que dificulta la competitividad.
En paralelo estamos viviendo años de rápida evolución tecnológica, con enormes reducciones de costes en sistemas de control, conectividad y en todo tipo de aplicaciones informáticas. La aparición de soluciones de movilidad, cloud computing, inteligencia artificial, machine learning, realidad virtual, realidad aumentada, robótica o blockchain han acentuado aún más las nuevas posibilidades. Además, la convergencia entre los niveles de IT (Tecnologías de Información) y OT (Tecnologías de Operación) sin duda ayuda a compensar alguna de las dificultades mencionadas con anterioridad. Como consecuencia, han aparecido estrategias productivas de fabricación inteligente, también conocidas como Empresa Conectada o Industria 4.0, que han generado
una ola de transformación, modificando el enfoque de los procesos de productivos.
La forma de fabricar se mantiene en un constante progreso, pasando de la producción artesanal hasta hace un siglo a la fabricación en masa, que se ha perfeccionado durante varias décadas. Pero en los últimos años han crecido las propuestas a favor de la variedad, regionalización y personalización de los productos, que han replanteado muchos de
los sistemas que fueron válidos durante muchos años. Yoram Koren, de la Universidad de Michigan, lo expresa mediante un gráfico, donde compara la variedad de producto con el volumen por cada variante, y permite ver claramente la evolución en la que estamos inmersos (1).
Como ejemplo de este cambio podemos citar a la empresa de análisis tecnológico IDC, que en el pasado mes de enero mencionaba en sus previsiones para el 2019, un incre
mento mundial del 15,4% en las inversiones en IOT comparadas con las del 2018, llegando a una cifra de 745 miles de millones de dólares. Este crecimiento, seguirá a nivel de dos dígitos por lo menos hasta 2022, donde sobrepasará los 1.000 millones de dólares. Según IDC este negocio se centrará básicamente en los sectores de: fabricación, consumo, transportes y energías (2).
La repercusión de IOT en las fábricas dependerá, tanto de las estrategias de integración de la información que se adopten, como de lo complejos que sean los procesos manufactureros. El beneficio esperado estará en la disminución del tiempo para poner el producto en el mercado (time to market), con una reducción de los costes operativos, y una mejora del tiempo de funcionamiento de los diversos activos de planta.
Organización de sistemas productivos
A partir de los años 80, con las estrategias como la pirámide CIM, muy difundida e impulsada por IBM en esos momentos, se intentaba ordenar la disposición en capas de los diferentes sistemas presentes en entornos fabriles. Poco después aparecieron las normativas ISA S88 y S95, que siguieron perfilando los diversos niveles de equipos presentes, desde los sensores más básicos hasta los softwares corporativos de planta.
Por ejemplo, podemos ver que la normativa ISA S95 divide la planta en cinco niveles de: sensores/ actuadores, monitorización, ejecución de la producción MES/MOM, gestión/planificación y sistemas corporativos (3).
Este tipo de recomendaciones han sido muy ampliamente aceptadas, y están presentes en la mayor parte de fábricas, donde estructuran la organización de los diversos sistemas. La aplicación de estas reglas ha sido una ventaja durante muchos años, pero con la aparición de IOT, el incremento exponencial de los dispositivos inteligentes y el gran volumen de datos que proporciona cada uno de ellos, la situación ha cambiado mucho. Ahora nos encontramos con un enorme potencial de información valiosa, repartida por muy diversas localizaciones, a veces de difícil acceso, y donde no siempre es fácil comunicar adecuadamente.
Es bastante habitual encontrar fábricas con decenas de sistemas, cada uno con mucha información útil, pero que es difícil de compartir, comparar y resumir. Para obtener cuadros de mando y conseguir beneficios de estos datos acostumbra a ser necesario emplear muchas horas y recursos, y si no se hace con objetivos claros, puede generar el efecto contrario, desmotivando muchas veces a los participantes en estos proyectos, que finalmente generan mínimos beneficios.
A raíz de este problema es cuando han empezado a surgir soluciones de software para IOT, que son capaces de obtener rápidamente información de los sistemas exis
tentes, extrayendo patrones e inteligencia del comportamiento, y proporcionando de forma muy gráfica e intuitiva los resultados. Apoyándose en las nuevas plataformas electrónicas portátiles, ahora es posible poner en disposición de cualquier persona de fábrica la información e imágenes adecuadas, para que pueda mejorar de forma continua sus tareas en planta.
Plataformas IOT para generar conocimiento
Llegados a este punto, seguramente nos preguntaremos ¿Cómo es posible obtener información de esa gran cantidad de datos que nos ofrece cada dispositivo inteligente?, y también ¿Cómo extraer y correlacionar la información de las decenas de aplicaciones de fábrica? La respuesta está en las plataformas de software IOT especializadas, que han sido diseñadas para esos fines.
Los softwares que se nutren de dispositivos IOT y aplicaciones industriales, se basan en un proceso de construcción de conocimiento, a partir de los datos que capturan desde todos estos sistemas. Por ejemplo, la solución Factorytalk Innovationsuite de Rockwell Automation, que cuenta con la tecnología Thingworx de PTC, estructura este procedimiento en los cinco pasos siguientes:
Obtención de datos: Incorporando y agregando los valores desde cualquier fuente, ya sea directamente desde sistemas o sensores, desde PLC/DCS, gateways IOT a pie de línea, desde aplicaciones existentes en el cloud, desde sistemas de ingeniería y diseño 3D, y desde otros sistemas comerciales como CRM, ERP y PLM.
Una obtención de datos flexible es clave para acceder a cuantas más fuentes de información posibles, a todos los niveles de fábrica, y que nos permita adaptarnos a los cambios que se producen en los procesos productivos.
En este entorno se valorará especialmente aquellas plataformas que proporcionen el máximo número de protocolos de acceso a dispositivos, y puedan consolidar la información de modo rápido y eficiente. Si es posible deberán de disponer de entornos de desarrollo (SDK) para construir agentes de obtención de datos seguros, sobre aquellas plataformas que no dispongan de un protocolo estándar de intercambio de datos.
En algunos casos, añaden opciones de filtrado y limpieza de datos, especialmente si después se van a utilizar para realizar analíticas predictivas.
Contextualización: Una vez capturados los datos es indispensable darles una estructura de forma que tengan sentido. Por tanto, es básico dotar a los datos principales de un contexto con otros valores que los haga comprensibles y obtengamos patrones de la realidad física. Para lograrlo es conveniente organizar los datos digitales de sistemas y productos físicos, y vincularlos con otros valores adicionales, como geometría 3D, esencialmente creando un gemelo digital.
En este apartado se acostumbra a construir modelos de objetos, como colecciones de entidades que representan equipos, procesos y sistemas. Cada objeto lógico proporciona un contexto de datos, dispone de una estructura y unas relaciones con otros objetos, de forma que reproduce las características de un objeto físico. En definitiva, es un modelo orientado a objetos, donde sus características se agrupan en: propiedades, eventos, visualizaciones, servicios y subscripciones.
Una vez tenemos un objeto modelizado será más fácil definir sus diferentes instancias, observar y modificar su comportamiento, y analizar sus interacciones con el resto de objetos de su entorno.
Sintetizado: Después de interpretar la realidad física con un modelo de objetos, es cuando empezamos
a obtener información valiosa, originada por el análisis, simulación y predicción de comportamientos de los productos y el sistema. Para extraer estas conclusiones es necesario disponer de potentes herramientas analíticas, y construcciones de modelos adaptados. En esta parte es cada vez más frecuente el uso de Inteligencia Artificial y Machine Learning (ML), que facilita la extracción de resultados con la rapidez y precisión necesaria (4).
Cuando una tecnología de ML se conecta a un modelo de objetos y a un conjunto de datos históricos, estos datos se dividen en dos partes; normalmente el 80% de ellos sirve para cargarlos al modelo y entrenarlo, mientras que el 20% restante se utiliza para validar el funcionamiento del modelo. La tecnología ML comienza a aprender sobre un resultado que mapea dentro del conjunto de datos, lo que se conoce como un enfoque de aprendizaje automático supervisado. A medida que la tecnología comienza a aprender sobre un sistema, se crean cientos de prototipos de modelos predictivos y/o de simulación en paralelo, y se verifican constantemente con el conjunto de validación de datos que se retuvo a partir del conjunto de datos original. Esencialmente, la tecnología de Inteligencia Artificial intenta predecir los datos que ya ocurrieron, ponderados adecuadamente, para probar la validez del modelo. El modelo que mejor resultado proporciona contra el conjunto de validación, es el que se considera listo para pasar a producción.
Por ejemplo, en el caso concreto de Thingworx Analytics Server no es una caja negra; Le dice a un usuario cómo se creó el modelo, cuáles fueron las puntuaciones en comparación con el conjunto de validación de datos y, finalmente, las tasas de error para los modelos que creó. Esto permite comprender mejor el rendimiento de la tecnología de aprendizaje automático / Inteligencia Artificial y no sólo los datos de salida. Esto es importante para los desarrolladores, científicos de datos y analistas de negocio que utilizan esta plataforma.
Orquestado: A continuación, se generan acciones y resultados sobre los sistemas físicos y digitales, mediante la automatización de procesos que conectan datos, productos y operaciones físicas de los diversos sistemas de la empresa, ubicados tanto en local como en el cloud.
Habitualmente se gestiona por medio de flujos de trabajo (workflows) que conectan los diversos sistemas, reduciendo las tareas manuales y el tiempo en realizarlas. Las plataformas IOT más avanzadas disponen librerías de objetos, que hacen posible definir estos flujos de operaciones
de forma totalmente visual y sin necesidad de programación. Este tipo de herramientas se diseñan para ser utilizadas por tecnólogos expertos en el proceso productivo, de modo que les permita realizar cambios y ajustes frecuentes, sin que tengan que recurrir a personal técnico especializado.
½ Participación: Como quinto y último paso, se involucra a las personas en el sistema, para que optimicen su desempeño y puedan tomar mejores decisiones. Implica presentar claramente informaciones relevantes y convincentes en aplicaciones para PC, web y móviles, así como extender el conocimiento mediante experiencias de realidad aumentada.
Típicamente uno de los resultados más solicitados son los cuadros de mando, que concentran información clave en tiempo real, proveniente de diversas fuentes y cálculos. Su diseño es muy gráfico para facilitar la lectura de los datos, independientemente de la tecnología de visualización que se utilice. La navegación y cambios dinámicos son otros puntos donde se presta una especial atención durante el desarrollo de estas pantallas, considerando el rol de los diversos usuarios y sus condiciones de empleo.
En otros casos, llegados a este nivel, se precisa trabajar con entornos de Business Intelligence, que facilita a los usuarios avanzados analizar más detalladamente la información. En esta ocasión ya no se trabaja con datos en tiempo real, sino con conjuntos de datos históricos, gestionados mediante un entorno de alta flexibilidad, que hace posible obtener predicciones de los procesos. Un ejemplo de solución de estas características es Factorytalk Analytics Dataview.
Las plataformas IOT acostumbran a admitir la creación de aplicaciones (APPS) específicas para resolver diversas problemáticas comunes en producción como: Cálculos de eficiencia (OEE), KPIS, gestión predictiva, diagnóstico de dispositivos, gestión de comunicaciones, etc.
Al final es posible construir rápidamente cuadros de mando y consultas muy avanzadas, enlazando varias fuentes de información distintas, y siendo distribuidas a muchos usuarios. Típicamente estas consultas se realizan desde navegadores web, que podemos encontrar presentes principalmente en PCS, teléfonos, tabletas inteligentes y otros soportes de visualización.
Realidad aumentada Podríamos describir la Realidad Aumentada (RA) como la experiencia que nos permite visualizar una imagen en vivo de una situación, y que contiene superpuesta información gráfica añadida, que nos amplía el conocimiento de esa imagen. Para que el efecto sea posible, es necesario contar con dispositivos que sean capaces de solapar y sincronizar información digitalizada, sobre las imágenes reales.
Por ejemplo, podríamos considerar que los paneles de tráfico que encontramos en algunas carreteras fueron precursores de RA en la vida cuotidiana. Aunque evidentemente estas señales son directamente visibles sin necesidad de tecnología, si es cierto que nos aumentan la información que tenemos sobre una determinada
vía de tráfico como: la velocidad a la que podemos ir, el tiempo actual para llegar al centro de la ciudad, incidencias de tráfico, afectaciones meteorológicas, etc. De algún modo este conocimiento de la vía nos permite tomar decisiones en tiempo real en la ruta y nos facilita el viaje.
Con la popularización de los sistemas informatizados, actualmente la RA puede estar presente en ámbitos tan diversos como: campañas de marketing, catálogos comerciales, aplicaciones educativas, software de entretenimiento entre otras. Volviendo al ejemplo anterior de tráfico; hoy podemos encontrar vehículos que disponen de realidad aumentada incorporada mediante un proyector sobre el propio cristal parabrisas del coche. En este caso el conductor puede ver superpuesto a la carretera diversos gráficos sobre: señales de tráfico, velocidad máxima y actual, indicaciones del GPS, alertas del vehículo, información de dispositivos móviles conectados, etc., de modo que es posible mejorar su comodidad y experiencia de conducción (5).
Quizás nos preguntemos si en las fábricas ya se emplea también la realidad aumentada. La respuesta es afirmativa, precisamente es en este sector donde tiene mucho potencial, y ya se empiezan a visualizar algunos modos de uso. Por ejemplo, como casos típicos podríamos citar entre otros:
Aplicaciones de ingeniería: Utilizada para desarrollar aplicaciones de diseño, preparación y ajuste de maquinaria, donde es posible contar con un entorno gráfico virtual con acceso a múltiples ventanas de personalización y observación de resultados. Estos entornos presentan gran cantidad de datos y gráficos a partir de una sencilla navegación, con actuaciones in situ. Soluciones de visualización: Permiten contemplar una máquina o instalación en funcionamiento, añadiendo información relacionada con esos dispositivos, según el rol de usuario y la situación productiva. Por ejemplo, la información puede tener que ver con el rendimiento de equipo, la calidad, las órdenes de fabricación en curso, los materiales, los operadores, etc. Soporte a mantenimiento: Una de las áreas donde se concentran más aplicaciones de RA son las tareas
de mantenimiento predictivo, preventivo y correctivo. En este caso pueden generarse diversos tipos de guías visuales, para orientar a los operarios, tanto en el diagnóstico como en la reparación del equipo, tanto en condiciones de producción como ante una avería. Es posible seguir instrucciones de desmontaje-montaje paso a paso, con las recomendaciones correspondientes de seguridad, recambios y herramientas necesarias.
Entornos de formación: hacen posible el entrenamiento de los diversos perfiles de personas que tienen que interactuar con la máquina o proceso. Es habitual definir puntos de actuación sobre la maquinaria para su puesta en marcha o ajuste, con textos y guías complementarias, que facilitan la práctica y asimilación de los contenidos. Precisamente en estos días, donde la mano de obra profesionalizada escasea, y donde la formación debe ser continua, la RA es una de las principales herramientas para mejorar la preparación de los técnicos en un tiempo reducido.
Las aplicaciones de realidad aumentada pueden residir en diversos tipos de dispositivos, siendo los más frecuentes:
Teléfonos y tabletas inteligentes: Son electrónicas cada vez más extendidas en la industria, y pueden disponer de APPS específicas que utilizan su cámara para visualizar imágenes, a la que superponen la información digitalizada correspondiente. La mayor parte de softwares de RA soportan los sistemas operativos más habituales, como: Android, IOS y Windows 10, adaptándose a los principales estándares de las aplicaciones móviles.
Gafas de realidad aumentada 2D: Consisten en dispositivos que proyectan una imagen digital sobre uno de los ojos del usuario, mientras que el otro ojo queda libre para la visión usual de la realidad. Debido a su diseño, este tipo de equipos es posible combinarlos con gafas de seguridad industrial convencionales. Se eligen cuando es necesario disponer de libertad en ambas manos para realizar otras tareas. Ejemplos: Vuzix M300, Realwear HTM-1.
Gafas de realidad aumentada 3D: En este caso son electrónicas incorporadas a unas gafas completas y autónomas, que proyectan la imagen digital sobre una pantalla frente ambos ojos, consiguiendo un efecto de ubicación de la imagen di gital sobre el espacio real en tres dimensiones. También en esta ocasión quedan libres ambas manos. Por supuesto, el operador puede interaccionar con los entornos digitales mediante movimientos con la mano, consiguiendo cambios de pantalla, entrada de datos, y todo tipo de acciones al igual que si estuviera delante de su ordenador. Ejemplo: Microsoft Hololens.
La realidad aumentada está cambiando muchos enfoques y métodos productivos que han venido aplicándose desde hace años. Sin duda es una gran aportación, tanto por la vertiente de ayuda a las personas, como por la mejora de los procesos y tiempo que supone.
Referencias Koren, Yoram. The University of Michigan (2010). “The Global Manufacturing Revolution” IDC – International Data Corporation (Ene 2019). “IDC Forecasts Worldwide Spending on the Internet of Things to Reach $745 Billion in 2019, Led by the Manufacturing, Consumer, Transportation, and Utilities Sectors” ANSI/ISA-95.00.01 (2010) a 95.00.05 (2013). “Enterprise-control System Integration Part 1 to 5” Rockwell Automation (Nov, 2017). “New Scalable Analytics Capabilities for Industrial IOT Applications” Porter, Michael E. / Heppelmann, James E. – Harvard Business Review (Nov/dic, 2017). “Why every organization needs an augmented reality strategy”
Antoni Rovira, responsable Arquitecturas Integradas Rockwell Automation Iberia