Los retos de Big Data en la manufactura 4.0

Las empresas de todos los sectores deben ser capaces de sacar ventaja de los datos arrojados por cada uno de sus procesos y máquinas, obteniendo información oportuna y valiosa para todas sus actividades, siendo hábiles para tomar decisiones que optimicen sus procesos. Se sabe que el concepto de manufactura 4.0 está cambiando la producción a todos niveles; las máquinas en una smart factory son capaces de interactuar con sus entornos, ser conscientes del contexto y por ende, ser autodidactas. Por lo que big data en manufactura 4.0 se convierte en una realidad, pero al mismo tiempo se enfrenta con distintos tipos de retos, ¡conócelos!

Para quienes apenas comienzan a aprovechar las virtudes de la Industria y manufactura 4.0, los términos y conceptos que los expertos utilizan, pueden parecer meramente abstractos. Sin embargo, esto no debería disuadirte para experimentar nuevas soluciones y adoptar procesos del “futuro”. El primer paso para implementar estas tecnologías con éxito, es comprender qué son y cómo pueden utilizarse.

¿Qué es big data en manufactura 4.0?

De acuerdo a un estudio de Price Water House Coopers, la tecnología asociada con la Industria 4.0, entre ésta big data, aumentará los ingresos en un 37% durante los próximos 5 años. Business Insider, por su parte, informa que los manufactureros globales invertirán $70 mil millones en soluciones de IoT para el 2020. Este sector, de entre el resto de las industrias, es quien más ha invertido en estas soluciones, tan solo $ 189 mil millones durante el 2018.

Big data en manufactura 4.0 es posible gracias al IIoT (Industrial Internet of Things), y la gran cantidad de datos proporcionados por estas nuevas capacidades, le da a las compañías de manufactura una mayor seguridad, calidad, eficiencia, flexibilidad, seguridad y optimización para todos sus procesos en planta y la cadena de suministro.

Los hallazgos obtenidos del big data tienen la capacidad de impulsar el análisis predictivo. Las soluciones avanzadas de MES (manufacturing execution system), pueden reconocer una anomalía en los datos, registrarlo como un patrón que conduce a un resultado específico y alertar al equipo de producción de un posible error. Si se observa, por ejemplo, que ocurren una serie de vibraciones en una cinta transportadora, sin fallar, cuatro días antes del mal funcionamiento, podrá determinar que dicho patrón significa que es hora de reemplazar la correa. Éste es el poder del big data, aunque, detrás de su correcta ejecución, hay una serie de retos que vale la pena tomar en cuenta antes de su implementación.

Principales retos de big data en manufactura 4.0

El uso de big data trae consigo desafíos en distintas escalas, desde el acceso y la integración, hasta el intercambio de datos industriales. Además, a menudo la industria de manufactura se enfrenta con datos masivos producidos por diferentes fuentes, difíciles de interpretar o sacar provecho.Reunir estos datos, comúnmente se convierte en el desafío clave, ya sea porque los datos no están preparados adecuadamente para su integración y gestión, o por las infraestructuras técnicas existentes.

Algunos de los retos más comunes son los siguientes:

• Falta de visibilidad espacio-tiempo de los datos a gran escala:

En las plantas de manufactura cada dispositivo o sensor para obtener datos se coloca en una ubicación específica y cada uno de estos sensores cuenta con una huella de tiempo. La correlación entre ambas unidades resulta ser imprescindible para el correcto análisis y procesamiento de la información.

El gran volumen de datos industriales producidos por las diferentes fuentes, se interpretan a menudo utilizando distintos métodos de representación y especificaciones estructurales, tener estos datos juntos se convierten en un gran desafío, ya que la información no siempre está preparada adecuadamente para la integración del espacio-tiempo y la tecnología de interpretación carece de la adecuada infraestructura para apoyar el análisis de los mismos.

• Carencia de procesos de gestión para el ciclo de vida de la información:

Los sistemas físicos de tecnologías de la información, están generando datos a un nivel sin precedentes, con tasas y escalas que superan por mucho algunos sistemas de almacenamiento. Uno de los retos más urgentes es la necesidad de tecnologías de gestión y administración, ya que los sistemas de almacenamiento actual no son capaces de alojar las grandes cantidades de datos generados.

En general, el valor del big data en manufactura 4.0 depende de la puntualidad de los datos; por lo que es imprescindible configurar la calidad de la información y la seguridad asociada con el valor de análisis, para decidir qué partes de los datos deben archivarse y qué partes deben ser retiradas.

• Necesidad de servicios en línea efectivos y eficientes:

El big data industrial puede tener soporte gracias al machine learning, y el IIoT, a su vez, ofrece diferentes características en comparación con el big data general, ya que los diferentes tipos de datos generados incluyen características mucho más convencionales como heterogeneidad, variedad, características no estructuradas, ruidos y alta redundancia.

Por el contrario, muchos de los escenarios de análisis de datos industriales incluyen detección masiva de anomalías de máquinas y su correspondiente seguimiento, para lo cual se requieren respuestas instantáneas. La aplicación del aprendizaje automático a gran escala y en línea proporciona descubrimientos de conocimientos eficaces y eficientes, las técnicas tradicionales, por su parte, están diseñadas para una sola fuente de datos. Por lo que éste se convierte en otro de los grandes retos para el análisis de big data industrial.

• Falta de mecanismos de confidencialidad para los datos industriales:

La mayoría de los proveedores de servicios de big data en manufactura 4.0 no podrían mantener y analizar efectivamente, conjuntos de datos tan grandes debido a su limitada capacidad, por lo que se ven obligados a confiar en profesionales o herramientas de análisis de datos que aumentan la vulnerabilidad de su confidencialidad.

Los conjuntos de datos transaccionales, por ejemplo, generalmente incluyen grupos de datos operativos completos para impulsar procesos clave del negocio, dichos datos contienen detalles de importancia baja, sin embargo, algunos otros incluyen información sensible como números de tarjetas de crédito. Por lo tanto, el análisis de big data entregado a un tercero, sin tomar las medidas preventivas necesarias para proteger la información sensible, se vuelve un reto importantísimo en la práctica.

En conclusión, las empresas de manufactura actuales, necesitan soluciones de proveedores que formen parte de la revolución de la Industria 4.0 y que puedan aportar, a su vez, un valor medible a sus clientes en múltiples sectores. Necesitan soluciones que recopilen, procesen y produzcan datos de diversas fuentes y combinen éstos para proporcionar análisis en perspectiva en tiempo real. Lo más importante es que la industria de manufactura 4.0 necesita estas soluciones para integrarse sin problemas a los sistemas empresariales existentes y alinear los procesos de producción y calidad manteniendo sus principales objetivos de negocio.