Seleccionar página
Predicción de tiempos de fabricación mediante el análisis de series temporales basadas en datos

Predicción de tiempos de fabricación mediante el análisis de series temporales basadas en datos

Predicción de tiempos de fabricación mediante el análisis de series temporales basadas en datos

CASO DE ESTUDIO | LIGHT UP YOUR BUSINESS

Predicción de tiempos de fabricación mediante el análisis de series temporales basadas en datos

El tiempo de fabricación de un elemento en una línea de producción es, debido a la naturaleza propia del proceso, un valor que no debe variar demasiado en el tiempo, tan solo debe verse afectado de manera significativa por la aparición de alguna anomalía. Esto lo convierte en el candidato idóneo para ser la base de la predicción inteligente. Veamos cómo.

Datos & IA | Digitalización | Industria 4.0

#Big Data #IA #Machine Learning

punto de partida

¿Te sientes identificado?

Detección de anomalías, tendencias y previsión de valores futuros. Predicción de tiempos de fabricación.

Cuando se acomete el diseño de un programa de digitalización para abordar los diferentes procesos que suelen encontrarse en un entorno productivo, quizás el primero que se nos viene a la cabeza es el Control de la Producción, y particularmente el control de los tiempos de fabricación y la obra en curso. No en vano, el tiempo de ejecución de una tarea y las formas de optimizarlo son, a priori, las variables que devolverán más beneficio al implementar mejoras sobre ellas.

En estos casos, es habitual comenzar de manera inmediata aplicando cambios sobre las rutas de fabricación, la estructura del puesto de trabajo, las herramientas usadas, el espacio disponible, la logística, … multitud de opciones que probablemente resulten positivas. Sin embargo, resulta extraño comprobar que en raras ocasiones se lleva a cabo un estudio pormenorizado del uso y comportamiento de los recursos y agentes que intervienen en el proceso, un análisis de tendencias y anomalías o, en general, una explotación eficaz de los datos que seguro ya se poseen sobre el proceso.

Sólo con tener datos históricos de los tiempos de fabricación de un elemento, se pueden llevar a cabo estudios de tendencias, anomalías e incluso predicciones que son muy útiles a la hora de determinar las acciones de mejora más adecuadas y óptimas sobre un flujo productivo.

retos & objetivos

¿Aplica a tus procesos?

¿Es posible obtener información útil sólo con los tiempos de fabricación?

Partimos de la necesidad de estudiar y analizar el comportamiento del proceso de fabricación de elementos específicos, teniendo como datos únicamente los tiempos de fabricación de cada uno de ellos.

¿Es posible obtener información útil sólo con los tiempos de fabricación? Por supuesto que si. El tiempo de fabricación es un indicador claro de multitud de situaciones, pero fundamentalmente se trata de una variable que se ve muy afectada por las posibles anomalías que sufre el proceso en cualquier área.

Tanto si un operario tiene un problema a la hora de ejecutar una operación debido a que no ha sido formado adecuadamente, como si se ha producido un problema logístico a la hora de despachar los materiales necesarios para realizar la tarea, el tiempo de fabricación se verá afectado de manera directa.

Sin embargo, el tiempo de fabricación tiende a ser lo más parecido posible al tiempo estimado de fabricación para cada tarea. Esto hace que, por su propia naturaleza, la distribución de los tiempos de fabricación sea estacionaria, lo que la hace ideal para poder detectar anomalías, tendencias y fluctuaciones, así como para poder predecir sus valores futuros.

El objetivo es analizar y tratar de explicar anomalías y tendencias en el proceso de fabricación de unos elementos contando tan sólo con el tiempo de fabricación como variable principal. Al mismo tiempo, se pretende aprovechar este análisis para poder llevar a cabo previsiones.

estrategia & solución aplicadas

Análisis de la distribución de los tiempos de fabricación de las operaciones de manufactura

Determinando unidades de trabajo análogas

El primer problema a resolver es determinar aquellas unidades de trabajo que sean análogas las unas con las otras, de manera que se puedan comparar. En industria manufacturera se suele trabajar con el concepto de orden de producción que se ejecuta sobre un determinado elemento.

Sin embargo, una orden de producción suele estar formada por un conjunto de operaciones, aquellas que hay que llevar a cabo sobre el material. En este caso, son las operaciones las que determinan la unidad de trabajo y no las órdenes de producción. Es el tiempo de ejecución de una misma operación a lo largo del tiempo lo que podemos estudiar como una serie temporal.

Una serie temporal es un conjunto de valores de una variable ordenados de manera cronológica, no necesariamente en intervalos iguales. En este tipo de variables, se pueden llevar a cabo estudios sobre la dependencia del valor de la variable en un momento dado respecto de sus momentos anteriores. Es lo que se denomina Análisis de Autorregresión, que consiste fundamentalmente en un modelo donde la variable dependiente se explica a través de un determinado número de observaciones pasadas.

Análisis autoregresivo y métodos estocásticos

Existen multitud de métodos para el análisis autoregresivo (AR), pero centrándonos en métodos estocásticos, existen una serie de modelos basados en AR que son muy útiles, fáciles de implementar y que, normalmente, arrojan buenos resultados para este tipo de estudios.

Se trata de los Modelos de Autorregresión con Medias Móviles (ARMA), que añaden un modelo de efecto por medias móviles al básico de autorregresión; los Modelos de Autorregresión Integrados con Médias Móviles (ARIMA), que incluyen un componente para la corrección de series no estacionarias; o los modelos Estacionales de Autorregresión Integrados con Médias Móviles (SARIMA), donde se incluye la posibilidad de estudiar series que fluctúan a lo largo de diferentes estaciones.

Big Data, anomalías y predicción

Una solución: metodología Box-Jenkins

La solución a nuestro problema pasa por aplicar la metodología Box-Jenkins, fundamentada en la identificación de los modelos candidatos y la estimación de sus parámetros, y en el análisis de la bondad de ajuste del modelo a través del estudio de los residuos, conocido como ruido blanco.

Una vez se ha determinado el mejor modelo para explicar el comportamiento de una serie, así como la estimación de sus parámetros, se usan las predicciones no sólo para anticiparnos al valor del tiempo de fabricación en este caso, sino también para determinar que si una observación real se aleja demasiado de la previsión, es muy posible que se trate de una anomalía en la serie, y por lo tanto sea necesaria una actuación.

Consulta un ejemplo completo del análisis realizado sobre una determinada operación de fabricación

Valor añadido

¿Necesitas resultados?

Predicción de fabricación, detección de anomalías… y toma de decisión

El estudio de series temporales no sólo es útil para la obtención de modelos de previsión de valores, sino también para la detección de anomalías.

En nuestro caso de estudio se obtuvo un método por el cual, para cada una de las operaciones bajo análisis, se obtiene el valor estimado del tiempo de fabricación para la próxima pieza.

Big Data, anomalías y predicción

Pero, al mismo tiempo, para cada valor observado, y dependiendo de la diferencia entre dicho valor y el previsto por el modelo, se puede establecer un mecanismo muy versátil para la detección de anomalías.

En nuestro caso, se usó este método para la implementación de un mecanismo por el cual, una vez registrado el tiempo real de fabricación de una pieza, y comparándolo con el que en su día se estimó, se considere una anomalía o no dependiendo de si la diferencia es mayor a la estándar.

Big Data, anomalías y predicción

Pero quizás el valor obtenido más importante en este caso fue conseguir métodos que, usando datos muy comunes, como es el registro de tiempos de fabricación de una pieza, devuelvan información muy útil para la toma de decisiones.

Digitalización eficiente para el impulso de tu negocio

Si tienes alguna duda, quieres saber más sobre Sixphere, te gustaría concertar una reunión con el equipo o deseas que te realicemos alguna demo de nuestros proyectos y resultados, ni te lo pienses. Contacta con nosotros y te ayudaremos.

Detección de anomalías en flujos de producción a través del análisis avanzado de datos

Detección de anomalías en flujos de producción a través del análisis avanzado de datos

Detección de anomalías en flujos de producción a través del análisis avanzado de datos

CASO DE ESTUDIO | LIGHT UP YOUR BUSINESS

Detección de anomalías en flujos de producción a través del análisis avanzado de datos

La digitalización de procesos de negocio, más allá de automatizar la operativa y arrojar información de valor para la toma de decisiones, genera datos que pueden ser reutilizados por mecanismos avanzados de inteligencia que aportan un salto cualitativo en la optimización de flujos. Entre ellos, la detección de anomalías.

Datos & IA | Industria 4.0

#Big Data #Industria 4.0 #Machine Learning

punto de partida

¿Te sientes identificado?

Detección de anomalías en flujos de producción, o cómo usar datos para descubrir secretos ocultos en nuestros procesos

La mayoría de empresas, en mayor o menor medida, ya conocen las ventajas de la digitalización. La implantación de sistemas de información ha agilizado los procesos, ha facilitado el registro y la compartición de información, y ha resultado decisiva en la mejora general de la operativa diaria.

No obstante, no todas saben (aún) que esos datos digitalizados que los sistemas de información han ido generando, no son residuos históricos a almacenar por si acaso. Esos datos son oro puro. En este artículo, explicamos algunas formas de aprovecharlos. Aquí, te contaremos un caso concreto sobre detección de anomalías.

Si bien el caso expuesto trata sobre un escenario funcional específico, la ciencia en la que se apoya es aplicable a cualquier otro escenario que se precie.

retos & objetivos

¿Aplica a tus procesos?

Cuál es el punto de partida, qué datos queremos utilizar y para qué

Dentro del proyecto de digitalización llevado a cabo en uno de nuestros principales clientes, uno de los bloques abordados fue el control de presencia por proximidad e IoT y el registro en tiempo real de entradas y salidas de útiles, piezas y herramientas sobre distintas regiones virtuales de la planta de producción.

Dichos datos, una vez procesados, nos permiten localizar de forma aproximada cada elemento en tiempo real y, más allá, trazar de manera precisa qué caminos siguen dentro del flujo de producción.

En definitiva, la información aportada por los datos recogidos facilitan una foto en tiempo real del estado de la producción desde el punto de vista físico. No obstante, se planteó un reto mayor: ¿podemos utilizar esos datos para saber si algo va mal? La respuesta es sí.

¿Objetivo? Implementar un modelo IA que, alimentado por los datos recogidos de manera continua relativos a posicionamiento y entradas y salidas, alerte en tiempo real de que algo puede estar yendo mal. La mayoría de sistemas de análisis se limitan a comparar desviaciones respecto a un plan preestablecido. Sin embargo, queremos una solución capaz de descubrir patrones ocultos.

estrategia & solución aplicadas

Detección de patrones y machine learning, la receta para atrapar posibles anomalías

Qué datos quiero: patrones a partir de series temporales

Lo primero que nos preguntamos, obviamente, es qué datos específicos debíamos utilizar. Esta elección condiciona la calidad del modelo, pues éste se construye en torno a ellos.

Cada vez que se produce la entrada o la salida de una entidad sobre una región concreta, el sistema almacena un registro a tal efecto en tiempo real, obteniendo de este modo series temporales de eventos que pueden ser explotadas para la extracción de modelos o patrones de comportamiento. La solución pasa, por tanto, por implementar un modelo capaz de detectar anomalías en dichos patrones.

No obstante, el primer problema surge por no disponer al inicio de registros previamente etiquetados o categorizados, es decir, no existe información o conocimiento previo sobre qué es una anomalía y qué no dentro del análisis de las series definidas.

Saltamos el obstáculo con el uso de un sistema no supervisado

Hasta que el sistema reciba dicha información etiquetada, solo se puede usar un método no supervisado, consistente esencialmente en un proceso de clasificación de registros en varios grupos, cada uno de ellos con sus propias características y centroides calculados.

Para la construcción del modelo, se utilizó el algoritmo K-means, implementado a su vez a través de la librería scikit-learn integrada en el proyecto. El modelo resultante es un clúster entrenado con tres centroides, de modo que todos los puntos (eventos de entrada o salida en el escenario práctico) que sean clasificados por el modelo dentro de un clúster que contenga menos del 20% de los puntos (eventos) totales, podrían considerarse como una anomalía.

En referencia al entrenamiento del modelo, se utilizan eventos de entrada y salida de entidades sobre regiones virtuales calculados y almacenados por el core del sistema de forma continua. En concreto, en las primeras pruebas se utilizaron 77.000 registros para ello. En el gráfico puede diferenciarse, por colores, el grupo o clúster en el que entra o es clasificado cada evento de entrada o salida. Es evidente concluir, a la vista de los resultados, cómo el modelo considera anomalías aquellos casos que arrojan valores altos.

Detección de anomalías, patrones y clasificación

Un par de mejoras: integración y chequeo

Muy bien pero ¿cómo se usa el modelo? ¿cómo se integra en el sistema de control de la producción? El uso del modelo de detección de anomalías por parte de terceros se materializa a través de la implementación de sus servicios sobre el API REST del sistema, sirviendo sus resultados en tiempo real a cada petición que se desee realizar.

Cabe destacar por último que la acción manual del usuario final puede resultar decisiva para el entrenamiento y la mejora constante del modelo en relación con la clasificación de anomalías. Más allá de la automatización no supervisada que propone, se considera de interés aportar interfaces que permitan a un usuario declarar de forma manual algún evento o suceso como anómalo, ayudando de este modo a la categorización llevada a cabo y, por tanto, a la mejora continua del sistema.

Detección de anomalías, chequeo manual

Valor añadido

¿Necesitas resultados?

Un paso más en la mejora de procesos a través del uso de datos

La solución aportada, más allá de suponer un elemento funcional que suma en la mejora de procesos, propone mecanismos novedosos y diferenciadores que abren una nueva vía de progreso: el uso de datos.

IA aplicada
al proceso de producción de forma sencilla, accesible y eficiente
Reutilización
de datos generados por sistemas terceros que redundan en mejoras
Descubrimiento
de cuellos de botella ocultos, no visibles o difícilmente detectables

Digitalización eficiente para el impulso de tu negocio

Si tienes alguna duda, quieres saber más sobre Sixphere, te gustaría concertar una reunión con el equipo o deseas que te realicemos alguna demo de nuestros proyectos y resultados, ni te lo pienses. Contacta con nosotros y te ayudaremos.

Planificación industrial asistida y optimizada en base a estrategias y  restricciones de negocio

Planificación industrial asistida y optimizada en base a estrategias y restricciones de negocio

Planificación industrial asistida y optimizada en base a estrategias y restricciones de negocio

CASO DE ESTUDIO | LIGHT UP YOUR BUSINESS

Planificación industrial asistida y optimizada en base a estrategias y restricciones de negocio

La planificación, especialmente en entornos industriales, es de vital importancia en la producción, pero supone elevados costes de generación y presenta alta complejidad a la hora de obtener resultados óptimos. Mejora tus prestaciones aplicando modelos de planificación optimizada basada en restricciones y estrategias de negocio.

Datos & IA | Industria 4.0 | Software

#Agile #Choco Solver #Node.js #planificación

punto de partida

¿Te sientes identificado?

Planificación optimizada basada en restricciones y estrategias

Alestis es una compañía líder en ingeniería y tecnologías de fabricación y montaje de aeroestructuras, y uno de los tres TIER 1 que operan en España, con presencia internacional y grandes proyectos innovadores. Participa en los programas más relevantes de los mayores fabricantes del sector como son Airbus, Boeing o Embraer, y cuenta con cinco plantas de producción en España y otra en Brasil.

Dado su alto nivel productivo y la importancia del cumplimiento de plazos en el sector, para Alestis es esencial elaborar planificaciones óptimas de recursos tanto humanos como logísticos que le aseguren el cumplimiento de sus hitos a tiempo y, a su vez, propicien un aprovechamiento eficiente y eficaz de estos.

El proceso de planificación era eminentemente manual. Todos los datos y restricciones aplicables se encontraban registrados en hojas Excel, y la tarea de generación de una planificación final podía llevar horas, amén de los costes derivados de posibles replanificaciones.

Por ello, para conseguir planificar con semanas de antelación el trabajo de cada operario en cada planta y en cada puesto, se hacía fundamental contar con un proceso digital y automatizado que optimizase tanto los costes de generación de las propias planificaciones, como los resultados arrojados por estas.

retos & objetivos

¿Aplica a tus procesos?
  • Automatizar el proceso de generación de planificaciones, reduciendo muy significativamente los costes de personal dedicado a ello.
  • Integrar de manera automática y digital todos los datos y las restricciones aplicables a una planificación (horarios, calendario, fechas límite, disponibilidad, etc.).
  • Implementar múltiples estrategias de planificación en base al objetivo de negocio marcado (producción en menor tiempo, reducción de tiempos muertos, etc.).
  • Integrar en tiempo real y de manera bidireccional la planificación obtenida con el sistema digital de control de la producción para facilitar la operativa en planta y seguir el progreso de la obra en curso.

estrategia & solución aplicadas

Modelos matemáticos de optimización, IA y desarrollo de herramientas web amigables.

Modelado de restricciones y estrategias

Ante un proyecto de tal envergadura, ambición y complejidad, el primer paso no podía ser otro que modelar digitalmente e integrar las restricciones de negocio que intervienen en el proceso de planificación (operarios/as, calendarios, turnos, líneas de producción, disponibilidad, etc.); y modelar e implementar, través de métodos matemáticos avanzados, las estrategias de cálculo de planificaciones basadas en las mencionadas restricciones. 

Para ello, se llevó a cabo la implementación de un módulo central orientado a servicios encargado, por un lado, de absorber de manera automática y desde distintas fuentes los datos requeridos para llevar a cabo una planificación y, por otro lado, de calcular ésta de forma óptima en base a las restricciones indicadas y a la estrategia seleccionada. 

Este módulo central está basado en tecnología Choco Solver, una biblioteca JAVA abierta para programación con restricciones. Se encuentra entre los «solucionadores» más eficientes disponibles y tiene una alta calidad de código. Además, al ser una biblioteca Java, se puede integrar muy fácilmente con otros sistemas.

Una herramienta amable

Una vez obtenido el núcleo del planificador, se hacía esencial construir un entrono gráfico amigable, usable y sencillo que convirtiese la experiencia del usuario ante un problema complejo y engorroso en una tarea más ágil e intuitiva. Para ello, se diseña y construye una aplicación web que permite al usuario final gestionar las restricciones, seleccionar las estrategias, lanzar el cálculo de las planificaciones, y visualizar e incluso modificar sobre diagramas Gantt las planificaciones resultantes.

Para el desarrollo del sitio web, conectado en tiempo real con el sistema central de cálculo, se hace uso de Node.js. Se trata de un framework de código abierto JavaScript diseñado para generar aplicaciones en red escalables. Es una librería y entorno de ejecución de E/S dirigida por eventos y por lo tanto asíncrona, que se ejecuta sobre el propio intérprete de JavaScript.

El enlace con la producción

Más allá de agilizar y optimizar al máximo la generación y gestión de las planificaciones, la implementación del nuevo planificador digital abría la puerta a su conexión efectiva y en tiempo real con el sistema de control de la producción, un aspecto muy necesario pero poco común y de difícil consecución.

Para ello, se lleva a cabo la construcción de una interfaz de comunicación basada en microservicios y orientada a eventos plenamente bidireccional, de modo que el planificador «comunica» al sistema de control de la producción qué, dónde y cuándo hay que ejecutar cada operación, y el sistema de control de la producción comunica a su vez al planificador los avances en las operaciones ya ejecutadas, permitiendo un seguimiento integral de la obra en curso en estricto tiempo real.

Valor añadido

¿Necesitas resultados?

Planificación optimizada basada en restricciones y estrategias

«El planificador implantado por Sixphere en planta ha ampliado la efectividad a la hora de organizar las líneas de producción por parte de los usuarios y no sólo eso, sino que ha optimizado de manera rápida la vida de todos los procesos.»

Reducción de costes
de planificación derivado de la reducción del tiempo empleado
Eficiencia
y optimización de recursos de producción derivada de la calidad de las planificaciones calculadas
Integración
en tiempo real con sistemas de gestión de la producción y fabricación

Digitalización eficiente para el impulso de tu negocio

Si tienes alguna duda, quieres saber más sobre Sixphere, te gustaría concertar una reunión con el equipo o deseas que te realicemos alguna demo de nuestros proyectos y resultados, ni te lo pienses. Contacta con nosotros y te ayudaremos.