La evolución y dinamismo actual del mercado y la solicitud de productos cada vez más personalizados y ciclos de vida más cortos, hace inevitable buscar alternativas para mejorar su competitividad, siendo más adaptativa y reduciendo los costes. En una industria inmersa en su cuarta revolución, esta alternativa pasa por la digitalización de todos los procesos, recabando un mayor número de información y procesándola de una manera inteligente para su optimización. Dos los procesos donde esta optimización tiene mayor recorrido son los modos de operación y el mantenimiento de las industrias, donde la recogida y procesamiento de datos provenientes de diversas fuentes permitirá reducir los costes a la vez que se incrementa la disponibilidad técnica de los diferentes elementos.
La optimización de procesos tradicionalmente se ha basado en funciones de coste realimentadas en continuo a las que se les ha ido incorporando cada vez más parámetros (Tª de operación, residuo/kWh, tipo de cambio). La ingente cantidad de información disponible actualmente ha hecho tomar conciencia a la industria de la necesidad de soluciones Big Data, siendo un pensamiento unánime la posibilidad de reducir sus costes y tiempos, y dar respuesta a demandas de series más cortas si se aprovecha esta información.
Son muchos los procesos industriales sobre los que la digitalización de la cadena de valor puede aportar inteligencia y optimización de los mismos. El mantenimiento correctivo, que es no planificado y en muchas ocasiones no solucionan el problema, o el mantenimiento preventivo, en el que se planifican una serie de actuaciones, inspecciones y renovaciones de componentes para evitar que un fallo tenga lugar, han dejado de tener sentido en este contexto. El proyecto PRISMA irá un paso más allá centrándose en el mantenimiento predictivo, en el que las actuaciones de mantenimiento se realizan cuando se tiene la sospecha razonada de que se va a producir un fallo.
Para llevar a cabo tanto la optimización de los procesos como el mantenimiento predictivo, es necesario incluir información de monitorización obtenida a partir de diferentes fuentes de información. Actualmente, la industria integra eminentemente datos de sistemas SCADA, desaprovechando gran cantidad de información disponible en otras fuentes, e incluso desperdiciando en algunos casos los propios datos de los SCADA. Mediante el procesamiento inteligente de estos datos es posible determinar y programar modos de operación y mantenimiento óptimos, organizando los recursos disponibles tanto materiales como personales.
Estos sistemas es necesario que incluyan características como el aprendizaje y la evolución de modo que sean capaces de mejorar a medida que se vayan incorporando nuevos datos al sistema. Para desarrollar sistemas de predicción con características de aprendizaje es necesario recurrir a técnicas de inteligencia artificial que permitan dotar a los sistemas con estas características evolutivas. Además, es necesario proveer de medios para la incorporación de datos disponibles en fuentes no-SCADA, donde Internet de las Cosas (IoT) industrial y la información aportada por los humanos permite crear sistemas de predicción más precisos como son las máquinas sociales.
Finalmente, pensando en que estas soluciones Big Data irán migrando cada vez más hacia la nube de modo que sea posible el acceso de manera ubicua, es imprescindible tener en cuenta aspectos como la ciberseguridad y la fiabilidad de la información para garantizar que los datos son correctos.
