{"id":1415,"date":"2019-03-04T14:29:30","date_gmt":"2019-03-04T14:29:30","guid":{"rendered":"https:\/\/lisdatasolutions.sidnpre.com\/2019\/03\/04\/casos-practicos-en-la-industria-4-0\/"},"modified":"2022-08-01T15:46:42","modified_gmt":"2022-08-01T15:46:42","slug":"casos-practicos-en-la-industria-4-0","status":"publish","type":"post","link":"https:\/\/www.lisdatasolutions.com\/es\/blog\/casos-practicos-en-la-industria-4-0\/","title":{"rendered":"Casos pr\u00e1cticos en la Industria 4.0"},"content":{"rendered":"
Despu\u00e9s de explicar\u00a0 \u201cQu\u00e9 es la Industria 4.0\u201d hemos presentado algunos de los aspectos m\u00e1s significativos de la revoluci\u00f3n digital que est\u00e1 afectando a los entornos productivos.<\/p>\n
A continuaci\u00f3n, os presentamos algunos casos pr\u00e1cticos de aplicaci\u00f3n de estas tecnolog\u00edas.<\/p>\n
Datos de ascensores en la nube<\/strong><\/p>\n Una empresa dedicada al dise\u00f1o y montaje de ascensores, ha desarrollado una soluci\u00f3n para el mantenimiento predictivo en real time basado en Cloud.<\/p>\n Es una soluci\u00f3n que combina las tecnolog\u00edas IoT, Cloud, Big Data e Inteligencia Artificial y pretende reducir las paradas gracias a un diagn\u00f3stico en tiempo real.<\/p>\n Los datos como movimientos de puertas, viajes, arranques, llamadas, errores, etc. son recopilados por los sensores antes de ser enviados a la nube de Microsoft (Azure) donde un algoritmo calcula el tiempo de vida \u00fatil de los componentes principales y se\u00f1ala los componentes que deben ser revisados o sustituidos. La predicci\u00f3n se hace comparando las variables de funcionamiento del ascensor con los datos de otras instalaciones que ya cuentan con hist\u00f3rico de datos.<\/p>\n La informaci\u00f3n es enviada a los t\u00e9cnicos de mantenimiento para que conozcan el estado de cada ascensor en tiempo real.<\/p>\n La potencia de esta soluci\u00f3n se basa en la posibilidad de comparar el estado de funcionamiento de miles de instalaciones y as\u00ed disponer de una gran cantidad de casos para generar valores estad\u00edsticamente significativos.<\/p>\n Se estima que esta empresa reducir\u00e1 las paradas en un 50%, adem\u00e1s de reducir los costes ya no solo de mantenimiento, si no tambi\u00e9n de la planificaci\u00f3n asociada.<\/p>\n <\/p>\n Mantenimiento predictivo de LIS<\/strong><\/p>\n Siguiendo en la l\u00ednea del mantenimiento predictivo, LIS-Solutions ha desarrollado una herramienta para el mantenimiento predictivo de los robots de una l\u00ednea de producci\u00f3n de un grande dentro del sector automoci\u00f3n.<\/p>\n Los datos transmitidos por los PLCs de los robots de la l\u00ednea son almacenados en bases de datos, as\u00ed como los hist\u00f3ricos de fallos e incidencias.<\/p>\n Con herramientas de Machine Learning se relacionan las incidencias con las variables de funcionamiento de los robots: par, consumo de corriente, velocidad y aceleraci\u00f3n. La relaci\u00f3n se consigue con el entrenamiento del algoritmo que, a partir del hist\u00f3rico, busca los patrones de valores que se manifiestan antes antes de llegar al fallo.<\/p>\n Una vez identificadas los valores de alarma, la herramienta monitorea constantemente los robots de la l\u00ednea, calculando para cada uno de ellos la Vida \u00datil (Remaining Useful Life – RUL), el Riesgo de Fallo (Risk of Failure \u2013 ROF) y el Overall Equipment Effectiveness (OEE).<\/p>\n Por ejemplo, si en un momento dado el robot requiere m\u00e1s corriente (a igualdad de otras condiciones) para realizar la misma tarea, esto es \u00edndice de una anomal\u00eda de funcionamiento y el sistema env\u00eda una alarma.<\/p>\n \u00a0<\/strong><\/p>\n Optimizaci\u00f3n de la ergonom\u00eda de los trabajadores<\/strong><\/p>\n Una empresa del sector automoci\u00f3n, dispone en Alemania de f\u00e1bricas donde algunas operaciones se realizan manualmente, debido al reducido tama\u00f1o de las piezas y a las caracter\u00edsticas de las tareas a realizar.<\/p>\n La planta cuenta con 400 estaciones de trabajo manuales y la plantilla se compone de alrededor de 350 trabajadores.<\/p>\n El objetivo del proyecto consisti\u00f3 en desarrollar una herramienta que ayudase a los jefes de producci\u00f3n a repartir las tareas entre los trabajadores teniendo en cuenta la naturaleza y dificultad de la tarea, las caracter\u00edsticas del trabajador (edad, nivel de experiencia, especializaci\u00f3n, limitaciones f\u00edsicas) y la presencia de turnos de trabajo.<\/p>\n Con limitaciones f\u00edsicas se entiende imposibilidad por parte del trabajador de realizar movimientos: levantar m\u00e1s de cierto peso, extender el brazo a m\u00e1s de cierta altura, estar m\u00e1s de un determinado tiempo de pie, etc.<\/p>\n Cruzando las bases de datos relativas a los trabajadores y relativos turnos, las limitaciones f\u00edsicas y de las tareas a realizar con relativa carga f\u00edsica fue posible identificar a cu\u00e1les tareas asignar cada trabajador, respetando las condiciones impuestas.<\/p>\n Share on facebook Despu\u00e9s de explicar\u00a0 \u201cQu\u00e9 es la Industria 4.0\u201d hemos presentado algunos de los aspectos m\u00e1s significativos de la revoluci\u00f3n digital que est\u00e1 afectando a los entornos productivos. A continuaci\u00f3n, os presentamos algunos casos pr\u00e1cticos de aplicaci\u00f3n de estas tecnolog\u00edas. Datos de ascensores en la nube Una empresa dedicada al dise\u00f1o y montaje de ascensores, ha […]<\/p>\n","protected":false},"author":1,"featured_media":1416,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0},"categories":[111,33],"tags":[],"acf":[],"yoast_head":"\nCOMPARTE ESTE POST<\/h4>\n
\nShare on google
\nShare on twitter
\nShare on linkedin
\nShare on pinterest
\nShare on print
\nShare on email<\/p>\n","protected":false},"excerpt":{"rendered":"