Big Data y Data Analytics: una herramienta poderosa para la ingeniería

Las empresas que fabrican productos físicos están acumulando muchos, muchísimos datos sin realmente usar su valor potencial. En este artículo se explora por qué los datos en los procesos de ingeniería no se están aprovechado como se debería y cómo la analítica de datos abre nuevas oportunidades para mejorar productos y procesos.

El valor encerrado en el interior de los datos

fea_example.png

Las empresas fabricantes de hoy en día están produciendo una variedad más amplia y un mayor volumen de datos que nunca en su historia.

Durante el desarrollo de los productos, por ejemplo, las empresas almacenan muchísimos datos de diseño (3D, 2D, conceptos, distintas versiones…) y de análisis (FEM, simulaciones de todo tipo, hojas de cálculo, bases de datos de resultados…). Son grandísimas cantidades de datos que suelen servir a un fin particular, no tienen más vida más allá del diseño.

Durante la fase de pruebas o testing, el análisis de las propiedades mecánicas, eléctricas, estructurales y térmicas (y otras) del producto producen aún más datos. Nuevamente, se almacenan de forma separada.

Durante la fabricación, se capturan y registran parámetros de proceso y de máquina, tanto a nivel local como a nivel fábrica. Variables como velocidad, temperatura o incluso defectología, son frecuentemente registrados.

BMW-Side-Impact.gif

Y además, mientras que antes las empresas capturaban hasta hace muy poco sólo una pequeña cantidad de los datos durante la vida operativa de sus productos; hoy en día, los productos inteligentes y conectados generan datos a través de sus componentes electrónicos y sensores integrados. Se siguen almacenando datos ingenieriles incluso después de fabricar un producto.

Encerrado en estos conjuntos de datos existe un valor incalculable que podría ayudar a las empresas de ingeniería no sólo a crear productos aún mejores, sino también crearlos más rápidamente y a un coste menor. Pero antes de que los ingenieros puedan desbloquear el valor capturado dentro de estos vastos volúmenes de datos crudos, deben reducirlos a un volumen manejable, lo cual es increíblemente difícil.

Además, aunque las empresas generan muchos datos, normalmente no se comparten entre los departamentos ni se combinan para proporcionar una imagen completa. Cada departamento utiliza estos datos de forma aislada. Incluso los programas PLM que gestionan el desarrollo del producto completo, no comparten suficientes datos relevantes fuera de una fase de desarrollo específica.

Haciendo que los datos trabajen más duro

overview-of-machine-learning-and-feature-engineering-21-638

Entonces, ¿cómo pueden las empresas hacer que sus datos “trabajen mejor”?

En primer lugar, mediante la definición de los datos necesarios que proporcionen una visión integral del ciclo de vida completo del producto. Este panorama facilitará la transición a medida que el producto fluya de la conceptualización al diseño, las pruebas, la fabricación y el uso operativo.

En segundo lugar, las empresas de ingeniería pueden aprender de los sectores que ya han establecido la mejor manera de capturar, organizar y extraer grandes volúmenes de datos. Los sectores de Telecomunicaciones, por ejemplo, tienen una gran experiencia en metodologías y soluciones analíticas avanzadas.

El ejemplo del sector aeroespacial

sensor_data_flight-1000x590.png

Cuando los ingenieros de cálculo analizan una aeronave, los modelos de elementos finitos que utilizan a menudo sólo son capaces de interpretar un subconjunto de los datos disponibles. Mediante el uso de Data Analytics y Machine Learning, los ingenieros pueden explorar todo el conjunto de datos para obtener una comprensión más profunda de cómo se comportan las distintas partes. Incluso pueden descubrir patrones de rendimiento estructural no revelados por análisis clásicos.

Además, el análisis de todos los datos disponibles ayudará a los ingenieros de diseño a mejorar la próxima generación de aviones. Los datos analizados por otros equipos les permiten comprender mejor el comportamiento de los diferentes componentes de la aeronave, mientras que los datos operativos revelan cómo los clientes utilizan realmente sus productos, por ejemplo.

Adoptar este nuevo enfoque no será fácil, pero los beneficios valdrán la pena. Además de los cambios tecnológicos y metodológicos, maximizar el valor de los datos actuales requiere cambios organizativos y culturales. Otros sectores han demostrado que el viaje es realizable, pero requiere una nueva forma de pensar junto con nuevas herramientas, tiempo y experiencia.

Después de todo, el futuro de la fabricación se construirá a partir de datos y de análisis. Los enfoques modernos de “diseño de experimentos” y “diseño generativo” utilizan análisis de datos, Machine Learning y simulaciones de optimización topológica. Requieren una gran variedad de datos de todas las fases del ciclo de vida del producto. Además, los simuladores de productos “Digital Twin” del futuro requerirán enormes cantidades de información y una amplia variedad de datos para ayudarles a imitar el mundo real.

Entramos en una nueva era de la Ingeniería impulsada por los datos y la IA, Ser ingeniero ya no va a ser lo que era.

articulo_oficial

javier_buhigas Javier Buhigas

Publicación original en Ascent.

 

 

Deja un comentario