INDUSTRIA 4.0 Evaluar la eficacia del proceso de fabricación a través de medidas indirectas Dentro del proyecto Proactiv en el que participa Instituto Tecnológico AIDIMME se ha desarrollado el primer prototipo para calcular los indicadores básicos de la eficacia de un proceso de fabricación mediante la medición indirecta de sus variables de funcionamiento. José Luis Sánchez, responsable de Desarrollo Industrial de AIDIMME 141 El planteamiento del proyecto Proactiv surge de la necesidad de obtener, de la forma más sencilla posible, los datos bási- cos que permitan medir la eficacia de cualquier proceso de fabricación independientemente de la generación tecnológica a la que pertenezca la máquina. De todos es conocida la dificultad que presentan las máquinas fabricadas hace pocos años, antes del advenimiento de la Industria 4.0 y su popularización, para extraer datos de funcionamiento y volcarlos en repositorios externos para su análisis. Con frecuencia se hace necesario, y resulta mucho más sencillo y económico que acudir al fabricante del equipo, instalar sensores externos que midan automáticamente aquellas variables básicas que nos informarán sobre la eficiencia del proceso: tasa de producción, paradas y sus motivos y la calidad resultante. La hipótesis de partida del proyecto se basaba en trabajos pre- vios, como el realizado en 2017, un grupo de estudiantes de la Universidad Carnegie Mellon [1], que desarrollaron un dispositivo multisensor integrado, basado en un procesador Particle Photon STM32F205, cuyo propósito es medir la actividad en diferentes recintos de un edificio, e incluso del edificio entero. Ante la ausencia de elementos de aplicación industrial, se planteó el desarrollo de dispositivos multisensor que pudiesen captar de forma indirecta tanto el estado del proceso como la actividad del personal. Durante el transcurso del proyecto este segundo objetivo se sim- plificó mucho al considerar las implicaciones legales que podría tener la monitorización continua de la actividad de cada persona y la obtención de datos personales. Y adicionalmente los datos obte- nidos se podrían volcar en una plataforma cloud que no dependiese de la infraestructura informática de la empresa. Como resultado tangible del proyecto se ha obtenido un primer prototipo de los dos dispositivos que se planteaban inicialmente denominados D1 (control de proceso) y D2 (control del personal). El D1 incluye sensores de sonido, vibración en tres ejes, variación campo magnético, temperatura ambiente, iluminación y humedad ambiental. El D2 incluye sensores de movimiento, radiación térmica y lectura de sensores de RFID miniatura. Para convertir las señales indirectas en salidas comprensibles relacionadas con el control del proceso/personal es necesario utilizar técnicas de aprendizaje automático (machine learning), por lo que se ha diseñado una red neuronal de tres capas que trabaja a partir de los datos recogidos EchoFlex TempHum [31] • • Cao Wireless [32] • • • Sen.se Mother [33] • • • Enlightened Smart Sensor [34] • • • Sears WallyHome [35] • • • Samsumg SmartThings [36] • • • TL Sensorlink SensorTag [28] • • • • • Dialog IoT Sensor Dev Kit [37] • • • • Relayr Wunderbar [38] • • • • • Libelium Events Modu [37] • • • • Notion Sensor [39] • • • • • AdMobilize Matrix [40] • • • • • • • MiniZed TM [23] • • • XDK110 [24] • • • • • • • DropTag LOGGER [25] • • • • Figura 1.- Inventario de dispositivos comerciales y de investigación que ofrecen diversos elementos de medición integrados. (Fuente citada anteriormente y elaboración propia). Vibración Sonido Visión Temp. Ambiente Humedad Presión atm. Iluminiación Movimiento Campo magnético Posición (giroscopio)