Grandes datos, grandes resultados

Con suerte, sus operaciones de fabricación serán como pescar en un barril. Pero sin un monitoreo sólido de las máquinas y el IIoT, lo más probable es que tengas que disparar en la oscuridad.

Es sólo un humilde transportador de virutas. Su única función es sacar las virutas de metal de la máquina herramienta CNC y colocarlas en un tambor en espera, con suerte para su eliminación en un centro de reciclaje cercano. Es una pieza esencial del equipo, pero no es un componente crítico de la estrategia de fabricación de un taller, ¿verdad?

Ahora imagine invertir decenas o incluso cientos de miles de dólares en la fabricación de luces apagadas, sólo para que el motor del transportador se queme mucho después de que todos se hayan ido a casa a pasar la noche. Las virutas se siguen acumulando y no pasa mucho tiempo antes de que atasquen las obras.

Mejor caso: solo habrá unos 30 minutos de tiempo de inactividad inesperado por la mañana mientras el operador saca la pala y los alicates y luego comienza a cavar. Pero si la pila es lo suficientemente alta, los operadores podrían tener que lidiar con algunas herramientas rotas. ¿El peor de los casos? Podría haber un incendio.

Calamidades similares pueden surgir de sucesos menores, a menudo cotidianos (una fresa desafilada, un inserto desconchado o un punzón dañado), cualquiera de los cuales puede provocar horas de inactividad y posibles daños a la máquina. Además, tales eventos pueden ocurrir en talleres mecánicos y casas de fabricación menos automatizados y completamente atendidos, particularmente aquellos donde los procesos de fabricación se llevan al límite.

Rob Caron puede ayudar a los propietarios y operadores de máquinas herramienta a evitar este tipo de días malos. Como propietario y presidente de Caron Engineering Inc. en Wells, Maine, él y su equipo dedican sus días a desarrollar la tecnología para abordar ambas necesidades (monitoreo de la máquina y optimización de procesos) mediante la recopilación de datos de la máquina en tiempo real y luego presentándolos a el operador o tomar acciones basadas en esa información.

"Uno de los parámetros de las herramientas de corte que rastreamos es la potencia a lo largo del tiempo", dijo Caron. "Calculamos un número único que cambia a medida que la herramienta se desgasta, brindando información sobre su vida y salud que ayuda a las personas a comprender cuándo es el momento de cambiar la herramienta, por ejemplo, o ajustar los valores de avance y velocidad".

El análisis de dichos datos también puede ayudar a identificar problemas con la propia máquina herramienta, añadió. Los operadores pueden comparar la potencia a lo largo del tiempo y métricas similares en múltiples tiradas de piezas o incluso en varias máquinas que cortan la misma pieza.

"Si la tendencia de una máquina difiere de las demás, es un motivo para investigar más a fondo", dijo Caron. "También tenemos la capacidad de analizar la salud de los rodamientos a través del análisis de vibraciones, lo que se logra instalando sensores en el husillo para analizar la vibración y la temperatura en el herramienta de máquina."

Caron señaló que la mayoría de los talleres (al menos aquellos que tienen un departamento de mantenimiento) revisan periódicamente los husillos de las máquinas con herramientas de diagnóstico. Pero esto a menudo es insuficiente o a veces se pasa por alto, lo que provoca paradas no planificadas y, dependiendo de la máquina herramienta, reparaciones muy costosas.

"A medida que la automatización y la operación desatendida se vuelven más frecuentes, habrá incluso menos oportunidades para el mantenimiento manual", dijo. “Nuestro sistema puede probar los rodamientos del husillo diariamente y proporcionar un análisis continuo y desatendido de los rodamientos. Esta información se puede enviar al departamento de mantenimiento de forma automática. Si tiene componentes críticos, puede planificar reparaciones o reemplazos en lugar de descubrir inesperadamente un husillo atascado”.

Unas sólidas rutinas de mantenimiento son fundamentales para el éxito de cualquier empresa de fabricación. También lo son los procesos sólidos. Esto es especialmente cierto en los talleres con poca actividad, donde la vida útil predecible de la herramienta, el control de la viruta y el estado del fluido de corte pueden marcar la diferencia entre el éxito y el fracaso. Como señaló Caron, instalar sensores para estas y otras variables de mecanizado (incluidos transportadores de virutas y sistemas de refrigeración) es una póliza de seguro simple y de costo relativamente bajo; pero también existe la posibilidad de realizar ajustes de proceso automatizados e inteligentes basados ​​en la retroalimentación de estos sistemas de monitoreo avanzados.

"Ofrecemos varios productos en nuestra línea, siendo el más conocido TMAC, nuestro sistema de control adaptativo de monitoreo de herramientas", dijo Caron. "Pero también tenemos productos como ToolConnect, que utiliza etiquetas RFID que contienen información de preajuste para cargar herramientas, y AutoComp, que recopila datos dimensionales durante el proceso de mecanizado y ajusta automáticamente las compensaciones de herramientas o activa herramientas alternativas en función de esa información".

Una empresa muy familiarizada con estos productos es Wolfram Manufacturing Inc., con sede en Austin, Texas, que el presidente Nathan Byman describe como un “taller de máquinas en funcionamiento y una empresa de consultoría tecnológica”. Después de muchos años en la industria del petróleo y el gas, abrió las puertas de lo que se ha convertido en un taller mecánico establecido al comprar un torno multitarea Okuma Multus B400 en 2011.

En el camino, Byman aprendió una valiosa lección: las máquinas herramienta son poderosas, precisas y sorprendentes, pero también son simplemente tontas. “Ante cualquier oportunidad, se lastimarán, se romperán y harán piezas malas sin avisarte”, lamentó. "Son inherentemente riesgosos".

Este punto de vista, junto con una mentalidad técnica y el deseo de "hacer las cosas de manera diferente", llevó al taller de Texas a Caron Engineering y TMAC. “Empezamos con la idea de que íbamos a enseñar a las máquinas a cuidarse solas con datos. Los productos de Caron fueron absolutamente clave para eso, junto con cosas como máquinas herramienta multifunción, que minimizan la manipulación de piezas. También nos centramos en promover la uniformidad a través de sistemas de refrigerante de alta presión, sondeo durante el proceso y simulación de trayectorias de herramientas. Estas fueron las tecnologías centrales sobre las que construimos el negocio”.

El uso de datos para analizar procesos para una toma de decisiones más efectiva también ha sido una parte importante del enfoque del equipo de Wolfram. Con este fin, la empresa recopila, analiza y archiva cantidades masivas de información de toda su planta. Algunos dirían que es excesivo.

"Cada herramienta de corte que utilizamos sabe cuántas piezas y ejecuciones de programas ha realizado", explicó Byman. “Podemos observar una fresadora que utilizamos hace dos meses y ver que ejecutó 400 de esta pieza, 25 de la siguiente y 45 de la siguiente. Sin embargo, hemos creado el sistema para que no sea necesario ningún esfuerzo adicional para recopilar esta información.

“Por definición, se desperdician montones de datos con los que no se hace nada”, continuó, “por eso tenemos un panel de control mediante el cual podemos administrar nuestro taller, con máquinas que piden ayuda cuando es necesario. Esto permite a nuestro personal concentrarse en diseñar procesos y pensar en nuevas formas de hacer las cosas”.

Al hacerlo, se crean empleos mejores y más respetuosos con los seres humanos, señaló Byman, añadiendo que también se pagan mejor. “Es un círculo virtuoso. Cuando algo sale mal, todos esos datos nos ayudan a identificar inmediatamente la causa sin tener que depender de métodos tradicionales de hacer preguntas a las personas. Podemos examinar los datos, como cambios de herramientas, análisis de características y curvas de potencia para encontrar la causa raíz del problema”.

El equipo de Wolfram se ha vuelto tan bueno en la gestión de datos que desarrolló su propio sistema, OnTakt, que la empresa comercializó recientemente. Wolfram también llamó la atención de Rob Caron y se convirtió en distribuidor e integrador de sus productos hace unos seis años.

Cuando se le preguntó si esto estaba ayudando a su competencia, Byman pareció desconcertado. “Sabíamos desde el principio que lo que haríamos aquí no sería tan fácil como podría parecer, pero para las personas que obtienen tecnología y la aprecian, incluso aquellos que podrían estar citando las mismas partes, estoy feliz de poder ayudar.

“Odio decirlo, pero a veces siento que las generaciones anteriores a la mía estaban demasiado concentradas en extender la fabricación estadounidense a otras partes del mundo”, confió Byman. "Nuestro objetivo ahora debería ser traerlo de vuelta a casa y ayudar a la gente a volver a hacerlo bien".

Al parecer, hay mucho interés en hacer precisamente eso. Jeff York ha sido gerente de marketing de Scytec Consulting Inc. durante aproximadamente dos años y estima que la competencia de la firma de consultoría y desarrollo de software con sede en Englewood, Colorado, se ha duplicado durante ese tiempo.

"Los beneficios de la recopilación y el análisis de datos no provienen simplemente de generar un montón de gráficos y paneles", dijo York. “Los beneficios provienen de utilizar esos gráficos y paneles y empoderar a los operadores fomentando la comunicación entre todas las facetas de la empresa, ya sea el trabajador de nivel inicial empacando cajas en la fábrica o el gerente de nivel C en la oficina de la esquina trabajando para mejorar la línea de fondo."

Big data tiene que ver con la mejora continua, afirmó. La capacidad de monitorear métricas de productividad como ciclos de máquina, anulaciones de velocidad de avance, recuentos de piezas y niveles de defectos en tiempo real ayuda a los usuarios a encontrar caminos de éxito ocultos y, a menudo, brinda resultados inmediatos. De hecho, no es raro que los talleres identifiquen problemas a los pocos minutos de conectar las máquinas a la red y disfruten de aumentos de utilización del 10% al 30% poco tiempo después.

York también señaló que hacer estas conexiones y luego recopilar los datos es más fácil de lo que la mayoría de la gente espera; lo que es más difícil es el cambio cultural necesario para implementar las oportunidades de mejora resultantes. "Muchas tiendas todavía operan con lápiz y papel, por lo que lograr que adopten una estrategia de recopilación de datos digital y altamente automatizada requiere una discusión y educación significativas de todos los involucrados", dijo.

Es debido a esta posible inquietud que Scytec recomienda comenzar poco a poco. Invierta en un sistema básico, por ejemplo, el nivel bronce del DataXchange de la empresa para el seguimiento básico del tiempo de inactividad, y luego agréguelo según sea necesario. Este enfoque alivia el dolor de una implementación a gran escala, al tiempo que proporciona beneficios tangibles rápidamente y con una interrupción mínima.

“Ya sea que esté utilizando Modbus TCP, OPC UA o MTConnect, puede colocar los resultados en un dispositivo móvil, en un monitor grande en el taller o en un sistema de terceros mediante una API [interfaz de programación de aplicaciones]. ] o mediante integración directa con VERICUT de CGTech, por ejemplo”, dijo York. “También tenemos la capacidad de monitorear robots e incluso células de fabricación completas. Cualquiera que sea el enfoque, existe un beneficio inmediato al simplemente implementar estas cosas y ver lo que sucede ahí fuera”.

Graham Immerman, director comercial de MachineMetrics Inc., Northampton, Massachusetts, comparte puntos de vista similares, pero sugirió que la tarea 1 en cualquier proyecto de recopilación de datos de este tipo podría no ser lo que muchos esperan. "Las fábricas que pretenden avanzar hacia análisis avanzados y obtener información de sus operaciones a menudo enfrentan desafíos para obtener datos confiables en tiempo real", dijo. “Hay varias razones para esto, una de las cuales es la creación de redes. A pesar de la llegada de Wi-Fi y 5G y el entusiasmo que brindan estas tecnologías, conectar una fábrica mediante Ethernet sigue siendo la mejor y más efectiva forma de obtener acceso confiable a esas máquinas, sin el cual las oportunidades de mejora seguirán siendo limitadas”.

Dicho esto, a Immerman y sus competidores rara vez les importa qué protocolo de red o tecnología de comunicación se utiliza, siempre que sea confiable y tenga suficiente ancho de banda para la tarea en cuestión: llevar datos del taller al sistema de monitoreo de producción de la compañía. Sugiere que quienes inviertan en tales capacidades obtendrán un retorno de la inversión (ROI) muy rápido. "Recientemente tuve una conversación con un cliente que experimentó mejoras de utilización multimillonarias al aprovechar nuestra plataforma en cuatro de sus instalaciones".

Immerman continuó: “Hemos descubierto que la visibilidad en tiempo real de las operaciones generalmente genera un retorno de la inversión para nuestros clientes en cuestión de semanas. Por ejemplo, algunas organizaciones más grandes descubren que el análisis de la utilización de la capacidad por sí solo puede generar decenas de millones de dólares de valor final a partir de ahorros de CapEx. Es sorprendente la cantidad de oportunidades y frutos al alcance de la mano que existen cuando los datos están en el contexto correcto que ayuda a describir lo que realmente está sucediendo ahí fuera. Es como estar ciego, pero finalmente poder ver por primera vez”.

Pero ¿qué significa “análisis básico” en este contexto? Quizás lo más importante sea ¿cuándo se vuelve avanzado y qué deberían esperar las tiendas de ambos? La respuesta a estas preguntas con frecuencia se reduce a la marca y la antigüedad de las máquinas herramienta que se supervisan. Los análisis avanzados a menudo requieren una ciencia de datos más avanzada, explicó Immerman, extrayendo datos de los controles de las máquinas a velocidades de muestreo más altas o equipando máquinas heredadas con sensores capaces de revelar firmas invisibles para soluciones de monitoreo más básicas.

Para un típico taller familiar con una combinación de máquinas herramienta (algunas nuevas, otras viejas, algunas básicas, otras premium), es importante establecer expectativas y tener objetivos claros desde el principio en cuanto a para qué se pueden lograr los datos capturados. . Pero incluso con maquinaria más antigua, es probable que llegue una gran cantidad de datos: mucha más información de la que los humanos tendrán tiempo o ganas de analizar manualmente.

"Por eso es crucial discutir también la IA y el aprendizaje automático y la capacidad de detectar tendencias automáticamente en este contexto", dijo Immerman. “Las tecnologías como MachineMetrics simplifican enormemente el proceso de análisis de datos, lo que permite a los talleres beneficiarse incluso si tienen una combinación de máquinas más antiguas y más nuevas. De cualquier manera, el futuro de la analítica consiste en ayudar a los clientes a comprender lo que sucederá a continuación y brindarles recomendaciones sobre lo que pueden hacer al respecto. Hay un valor tremendo en ambos aspectos, pero la conclusión es que perderse lo más fácil puede impedir que las empresas experimenten el éxito inicial y el valor que las inspira a continuar invirtiendo en este tipo de tecnologías”.

Jordan Kathe, gerente de mejora continua de Flexible Steel Lacing Co. (Flexco), con sede en Chicago, puede hablar de este valor. Durante casi un siglo, la empresa ha fabricado soluciones diseñadas para optimizar la eficiencia, la productividad y la seguridad de los sistemas de cinta transportadora para una amplia variedad de industrias globales como la minería, el procesamiento de alimentos y la manipulación de paquetes. Una de las responsabilidades de Kathe es ayudar con la recopilación y el análisis de datos de producción del taller, una función que ha desempeñado durante los últimos cinco de sus siete años en la empresa.

“Nos dimos cuenta desde el principio de que no había una forma eficaz de comprender la capacidad de nuestra máquina más allá de las matemáticas con servilletas (rascar notas sobre la marcha) y las estimaciones aproximadas”, dijo. “Dada la diversa gama de productos mecanizados, estampados y de cabezal en frío que fabricamos aquí, era difícil programar y observar estos procesos a medida que sucedían. Esto nos llevó a considerar cómo podríamos utilizar mejor la información dentro del control de la máquina”.

Kathe y sus colegas eran muy conscientes de que las máquinas herramienta “saben” si están encendidas o apagadas y el número de ciclos que han completado. Sin embargo, enfrentaron desafíos a la hora de extraer estos datos internamente debido a su experiencia limitada en esta área, junto con la dificultad para encontrar una solución integral y escalable.

"Buscamos ayuda de proveedores externos, pero la mayoría se especializaba en análisis predictivo y no podían ayudarnos con la recopilación de datos", dijo Kathe. "Fue entonces cuando recurrimos a Graham y MachineMetrics, quienes prometieron una solución única compatible con nuestros distintos tipos de equipos".

Eso fue en 2019. Desde entonces, las promesas de Immerman han dado sus frutos. Flexco instaló el sistema en 20 de sus máquinas de gran volumen, un proceso que Kathe describió como "muy sencillo". El equipo se ha centrado en sentirse cómodo con la tecnología, recopilar datos de referencia, registrar códigos de tiempo de inactividad y estudiar tendencias a largo plazo. La empresa también reevaluó su estrategia de fabricación ajustada y colocó a MachineMetrics en el centro de las actividades de gestión de producción, con discusiones periódicas sobre códigos de tiempo de inactividad que sirvieron como punto de partida para conversaciones sobre posibles oportunidades de mejora.

Un evento Kaizen reciente destacó el valor de este enfoque. "Contamos con equipos de ensamblaje automatizados que colocan remaches en tiras de plástico intercaladas", dijo Kathe. “Pero este proceso experimentó atascos frecuentes, lo que provocó paradas molestas en las que la máquina tuvo que apagarse y luego volverse a encender después de resolver el problema. La naturaleza recurrente de este problema nos impulsó a reunir un equipo para investigar y pronto descubrimos que la configuración de aire de la máquina estaba mal calibrada. Después de hacer algunos ajustes al proceso, vimos un aumento del 42 % en el rendimiento semanal de ese equipo. Esta mejora comenzó con la capacidad de visualizar la acumulación de paradas molestas, enfatizando la importancia de los datos que recopilamos”.

Si bien la aplicación MachineMetrics tiene capacidades adicionales más allá de la recopilación de datos de estado de la máquina y códigos de motivo de tiempo de inactividad (y Kathe planea explorar estas características pronto), el poder de estos simples puntos de datos ha demostrado ser invaluable.

"La capacidad de ver una línea de tiempo de cuándo la máquina estuvo encendida y apagada a lo largo del día es fundamental para comprender y optimizar nuestros procesos", dijo Kathe.

“Y, sorprendentemente, también ha reducido la fricción entre las preguntas de la gerencia sobre las causas del tiempo de inactividad de la máquina y el hecho de que el operador tenga que explicar lo que sucedió hace tres días. Todo está ahí en el sistema”.

Conéctate con nosotros