86 AUTOMATIZACIÓN Ya estamos en condiciones de abordar la última etapa. Disponemos de conocimiento explícito de los procesos que nos permite regular- los inteligentemente, pero también hemos aprendido que el control de los procesos depende sensiblemente del punto de operación y que éste es cambiante y nos obliga a adoptar cambios cuando el contexto varía. Un paso adelante es embeber esa inteligencia en los propios procesos, de forma que aprendan y dispongan de funciones que les permitan la auto-adaptación a las condiciones de operación de cada momento. Cómo acometer el cambio Pensemos en un proceso de fabricación familiar en nuestras fábri- cas para entender algunas herramientas que nos pueden ayudar. Vamos a centrarnos en una célula de mecanizado robotizada fabri- cando piezas con una cadencia aproximada de 1 pieza/minuto. Nivel físico. Dotamos a la célula de elementos IOT que permiten la recogida de las variables de operación máquina en tiempo real. Adicionalmente incorporamos unidades de marcado láser de cada pieza y un scanner sin contacto que muestrea entre 10 y 15 medi- das de cada pieza. Nivel lógico. En la capa TIC implantamos un sistema Manufacturing intelligence que aporta las siguientes funciones: • Producción: Monitorización de las instalaciones, KPIs y dash- boards en tiempo real y herramientas de soporte a la toma de decisión. • Calidad: SPC integrado en tiempo real, permitiendo disponer de información de la capacidad del proceso y prevenir desviaciones en tiempo real. • Mantenimiento: monitorizando en tiempo real la salud de los activos. • Trazabilidad: SPT (single part traceability) integrando trazabili- dad de producto (materia prima) y la trazabilidad de proceso de forma individualizada. • Regulación: la información sobre parámetros de mecanizado de cada unidad es utilizada en las líneas de montaje, aguas abajo, permitiendo el ajuste pieza a pieza. Nivel Smart Factory. A partir de las variables de operación máquina, los registros de medidas recogidos para cada pieza y los parámetros de contexto de fabricación, el gemelo virtual generado por el sistema machine learning permite: • Predicción de la necesidad de cambio de la herramienta de meca- nizado, asegurando el índice de calidad deseado y optimizando la vida útil y el número de cambios, • Pronóstico de aparición de un modo de fallo de la instalación ase- gurando la fiabilidad de los activos, • Dominio del proceso, identificando la relación entre variables de proceso, características de la materia prima y resultados de cali- dad obtenido. Conclusiones Ya no estamos hablando de la Fábrica del Futuro, Smart Factory es un modelo plenamente presente en nuestras industrias que debe retornarnos resultados tangibles. Se trata de un apasionante camino que cualquier empresa, inde- pendientemente de su grado de madurez, puede recorrer. Importante: identificar con precisión el punto de partida, y trazar con determinación el roadmap hasta el primer punto de destino, ayudándose de herramientas probadas. •