5 maneras en que IoT, la ciencia de datos puede ayudar al sector automotriz
M. K. GANDHI
El aumento de los costos operativos, la caída de la demanda y la complejidad de la cadena de suministro global hacen que las empresas automotrices busquen nuevas formas de seguir siendo competitivas. Para superar estos desafíos y mantenerse al día con el mercado, las compañías automotrices recurren a las tecnologías modernas. Las tecnologías que se espera que entreguen valor en el sector automotriz son el Internet de las cosas y la ciencia de datos.
IoT proporciona una visibilidad sin precedentes de las operaciones de planta de producción y cadena de suministro. Los sistemas IoT recopilan datos con la ayuda de sensores, etiquetas de identificación de radiofrecuencia y otras fuentes, proporcionan un almacenamiento confiable y escalable para los datos recopilados, ofrecen herramientas para análisis de datos básicos y presentan los conocimientos obtenidos con el análisis en forma de informes.
Para aprovechar las capacidades predictivas y obtener el valor operativo y comercial de los datos de IoT, la información recopilada se puede analizar con técnicas de aprendizaje automático, que se basan en la ciencia de datos.
Echemos un vistazo más de cerca a las mejoras operativas que las empresas automotrices pueden obtener adoptando soluciones inteligentes basadas en IoT y ciencia de datos.
Muchas empresas automotrices han usado métodos manuales basados en hojas de cálculo para monitorear la utilización del equipo y evaluar el rendimiento de la línea de producción. Sin embargo, los datos recopilados manualmente a menudo no son confiables: las estimaciones muestran que el 88 por ciento de las hojas de cálculo contienen errores. Además, los informes de utilización preparados manualmente suelen estar disponibles después de retrasos significativos, lo que puede dificultar la toma de decisiones.
IoT y la ciencia de datos brindan acceso a información casi en tiempo real sobre la disponibilidad y el rendimiento de la maquinaria de fabricación y ensamblaje automotriz.
IoT permite recopilar datos sobre los parámetros operativos del equipo (p. Ej., Tiempo de encendido, tiempo de ciclo, la cantidad de piezas producidas) y analizarlo para informes y visualización.
Al aplicar algoritmos de aprendizaje automático a los datos operativos recopilados, es posible detectar factores que obstaculizan el rendimiento de la línea de producción, calcular la efectividad general del equipo, revelar las mejores prácticas para aumentar la efectividad general del equipo y realizar otras tareas no triviales.
BMW aplica IoT y ciencia de datos para monitorear el rendimiento de las máquinas industriales que producen componentes de vehículos en tiempo real, lo que permite a la planta fabricar alrededor de 1,100 automóviles por día debido al rendimiento optimizado de la línea de producción.
Muchas empresas automotrices mantienen sus equipos utilizando horarios predefinidos. Por lo general, cuanto más antigua es la maquinaria, más frecuentes son los controles. Sin embargo, el 68 por ciento de la maquinaria industrial muestra patrones de falla aleatorios y fallas independientemente de la edad. Esto hace que el mantenimiento basado en la edad sea un camino dudoso.
IoT y la ciencia de datos ayudan a abordar el problema del mantenimiento ineficiente.
Las tecnologías permiten monitorear las condiciones del equipo para detectar problemas lo antes posible e identificar el momento adecuado para un chequeo.
IoT, en este caso, se convierte en la fuente de datos sobre el estado de las máquinas y sus componentes, así como sus parámetros operativos y ambientales. El papel de la ciencia de datos es revelar correlaciones ocultas en los datos de IoT y detectar esos patrones de datos que pueden ser una señal de deterioro potencial del equipo.
El análisis de los datos de IoT ayuda a predecir si una máquina muestra cambios emergentes que pueden convertirse en problemas graves, si es probable que una pieza del equipo falle dentro de un cierto período de tiempo, así como a estimar cuántos días / ciclos quedan hasta que una máquina falle si continúa funcionando bajo la configuración actual.
Toyota utiliza sensores para monitorear la condición del equipo de fábrica para lograr un programa de mantenimiento óptimo y ha experimentado ahorros significativos en los costos.
La gestión de inventario rentable se basa en dos pilares: seguimiento de inventario sólido y pronóstico de inventario confiable. Para llevar a cabo estas tareas, las empresas automotrices tienden a utilizar métodos basados en hojas de cálculo. Sin embargo, la mano de obra intensiva y la alta probabilidad de error asociada a estos métodos hacen que los fabricantes actualicen sus estrategias de gestión de inventario.
Para optimizar y automatizar el seguimiento del inventario, IoT se empareja con la identificación de radiofrecuencia. La identificación por radiofrecuencia se convierte en la fuente de datos sobre las ubicaciones y propiedades de los artículos de inventario, mientras que IoT proporciona almacenamiento escalable para los datos obtenidos de las etiquetas de identificación de radiofrecuencia y convierte estos datos en información informativa sobre las ubicaciones y propiedades de los artículos de inventario.
La ciencia de datos mejora la confiabilidad del pronóstico de inventario. Para eso, los algoritmos de aprendizaje automático toman los datos sobre la demanda de las últimas semanas para un vehículo en particular y los analizan en correlación con múltiples factores que van desde el tipo de vehículo hasta las ubicaciones de los clientes para evaluar los costos de mantenimiento frente a los costos de escasez y proyectar la cifra de inventario óptima.
Al administrar las actividades de la cadena de suministro con métodos tradicionales que involucran la recolección y preparación manual de datos, las empresas automotrices corren el riesgo de tomar decisiones comerciales importantes basadas en información fragmentada y a menudo desactualizada. Aprovechando el IoT y la ciencia de datos, las empresas se aseguran de que su toma de decisiones esté respaldada por datos precisos y detallados.
IoT se combina con la identificación por radiofrecuencia para proporcionar a los fabricantes información sobre las ubicaciones, propiedades y condiciones de detalles individuales y vehículos ensamblados en la cadena de suministro, mientras que el área clave de la aplicación de la ciencia de datos en la gestión de la cadena de suministro es el pronóstico de la demanda.
Para mejorar la precisión de los pronósticos de demanda, los algoritmos de aprendizaje automático consideran datos diversos, por ejemplo, la demanda de las semanas anteriores, SKU y campañas promocionales y capturan dependencias complejas no lineales en estos datos.
El control de calidad del producto basado en la tecnología se basa en el monitoreo de la condición, la calibración y los parámetros ambientales de los equipos de fabricación y ensamblaje de automóviles.
IoT se convierte en la fuente de datos sobre el estado del equipo (p. Ej., Temperatura del motor), calibración (p. Ej., Velocidad del husillo) y parámetros ambientales (p. Ej., Humedad del aire). Estos datos se recopilan con la ayuda de sensores conectados al equipo o ubicados cerca.
Los algoritmos de aprendizaje automático se aplican a estos datos para identificar aquellas combinaciones de condición del equipo y parámetros operativos y ambientales que causan el deterioro de la calidad de los componentes producidos y ensamblados.
En resumen, el uso de la IoT y la ciencia de datos en la industria automotriz traerá un mejor rendimiento de la línea de producción, un tiempo de ciclo de fabricación más corto, una mejor calidad de los vehículos producidos y mayores ahorros logrados a través de una mayor eficiencia operativa, menores desechos y menores costos laborales.