Un porcentaje de OEE te dice que la línea rindió por debajo del objetivo. No te dice por qué. Cerrar esa brecha no requiere un modelo más inteligente, requiere telemetría industrial que ya lleve la respuesta: un código de fallo de PLC, una máquina, un turno, una línea base de funcionamiento de la máquina con la que comparar.
¿Puede una IA responder por qué se paró tu línea, o solo te muestra un gráfico?
Un dashboard de OEE te dice que la línea rindió al 68% en lugar del 85%. No te dice por qué. Pregunta esa cuestión directamente a la mayoría de sistemas y recibes el mismo gráfico, a veces envuelto en una frase.
Una capa de IA industrial sí puede responder esa pregunta, pero no porque el modelo sea inteligente. Puede responderla porque la telemetría industrial de debajo estaba lo bastante bien etiquetada como para que la pregunta tuviera respuesta posible. Esa distinción es el punto central de este artículo.
Un dashboard y una respuesta no son lo mismo
Un dashboard muestra un número y una tendencia. Una respuesta es una causa raíz: un código de fallo de PLC, una máquina, un turno, un patrón que se repite. La mayoría de plantas tienen mucho de lo primero y muy poco de lo segundo.
Poner un chatbot encima del mismo gráfico no soluciona esto. Si le preguntas por qué se paró la línea y solo tiene el porcentaje de OEE para trabajar, describirá la caída con otras palabras. Eso no es una respuesta, es el mismo gráfico leído en voz alta.
La estructura, no la inteligencia, es lo que hace que una pregunta tenga respuesta
Un modelo de IA responde una pregunta sobre tu proceso igual que lo haría un ingeniero nuevo el primer día: mirando lo que está escrito. Si nada conecta la parada con una causa, una máquina y un turno, no hay nada a lo que el modelo pueda apuntar. Adivinará, y una suposición que suena convincente es peor que no tener respuesta.
Dale en cambio un histórico estructurado y etiquetado, y la misma pregunta se vuelve fácil de responder. No porque el modelo haya cambiado, sino porque ahora la telemetría industrial lleva lo que la pregunta necesita.
Datos etiquetados significa código de fallo, máquina, turno y línea base
En la práctica, etiquetar significa añadir un puñado de campos a cada lectura, no montar un proyecto de big data.
El código de fallo o alarma del PLC, para que una parada sea un evento etiquetado y no solo un hueco en el registro. El identificador de la máquina o el activo, para que un patrón se pueda vincular a una unidad concreta y no a toda la línea. El turno y la marca de tiempo, para que un problema que se repite a la misma hora o con el mismo equipo se haga visible en lugar de quedar oculto en una media. Una línea base de funcionamiento de la máquina, el rango normal de esa máquina, para que una desviación tenga algo con lo que compararse.
Nada de esto necesita ser complejo. Necesita ser consistente, y necesita capturarse en el origen, no reconstruirse después a partir de la memoria o un registro en papel. Esta es la misma estructura que hace posible más adelante el monitoreo de condición y la detección de anomalías, ya sea con una regla de umbral sencilla o con un modelo de IA entrenado.
El hardware basado en open source es lo que hace realista este tipo de integración con IA
Sacar telemetría industrial estructurada y etiquetada de planta es un trabajo distinto según qué esté corriendo en el PLC. En una pila cerrada y propietaria, suele significar una pasarela del fabricante, una licencia de pago, o un ticket de soporte solo para sacar un código de fallo de PLC en un formato que otra cosa pueda leer.
El hardware de Industrial Shields está construido sobre el ecosistema abierto de Arduino y protocolos industriales estándar como Modbus, MQTT y OPC-UA. Eso significa que el etiquetado descrito arriba usa documentación, librerías y herramientas que ya son públicas y que la mayoría de ingenieros de automatización ya conocen, no un conjunto de herramientas cerrado controlado por un solo fabricante. La misma telemetría etiquetada puede alimentar un historian, un sistema SCADA, o un MES, no solo una capa de IA. Eso es lo que convierte añadir una capa de IA más adelante en un siguiente paso realista, no en un proyecto de integración aparte.
Estos datos ya vienen del retrofit, no de un proyecto nuevo
Si has leído nuestro anterior artículo sobre el retrofit de un PLC antiguo, el método no invasivo que describimos allí, sondear el PLC sin tocar su lógica, es exactamente donde ocurre este etiquetado. No estás montando un segundo proyecto para preparar la IA. Estás capturando código de fallo de PLC, ID de máquina, turno y línea base de funcionamiento de la máquina al mismo tiempo que capturas la telemetría industrial para IIoT. En la práctica, esto significa que un PLC antiguo puede volverse listo para IA sin sustituir el hardware, solo con un retrofit no invasivo.
Esto importa porque el motivo principal por el que estos proyectos se estancan no es la edad de la máquina, es el coste percibido de un segundo esfuerzo. Aquí no hay un segundo esfuerzo.
Una capa de IA cambia la búsqueda, no el criterio
Para dejar claro qué hace esto y qué no: una capa de IA busca en el histórico etiquetado más rápido de lo que puede hacerlo una persona, y puede marcar un fallo que se repite en distintos turnos, algo que un solo informe de OEE nunca mostraría. No sustituye el criterio del ingeniero sobre qué hacer a continuación.
Una de las mayores empresas energéticas del mundo ya utiliza este tipo de monitoreo de condición, vigilando pequeñas desviaciones, como el ángulo de paso de una pala que se desvía de su rango normal, en sus aerogeneradores. El mismo enfoque de mantenimiento predictivo se aplica a un rodamiento que se calienta, una bomba que pierde presión, o un compresor que consume más corriente de lo habitual. La capa de IA marca el patrón y señala cuándo empezó. La decisión de programar mantenimiento, ajustar un punto de consigna, o dejarlo funcionar sigue siendo de la persona que entiende el proceso.
Consigue el código: PLC Solution Library
Si quieres ver la captura de datos no invasiva en la práctica, la PLC Solution Library tiene ejemplos funcionales para etiquetar y leer telemetría de PLC con ESP32 PLC y GateBerry. Empieza por ahí, y la capa de IA se convierte en una cuestión de qué le preguntas a los datos, no de si puedes sacarlos.