Contacto
Por /

Caso de éxito · Industria

La productividad de planta, calculada sola y línea a línea

Cuánto produce cada línea frente a lo que podría. Por qué pierde rendimiento. Y cuándo va a fabricar una pieza defectuosa, antes de que ocurra. Con IA sobre los datos que tu planta ya genera.

OEE en tiempo real

Calidad predictiva con IA

Material reciclado bajo control

El punto de partida

Se sabía qué línea rendía menos, pero nadie sabía por qué

Un fabricante industrial de envases plásticos produce en varias secciones (inyección, soplado e impresión) y a varios turnos. Los datos existían: producción, mermas, calidad. Pero vivían repartidos entre el ERP y el MES propio de la fábrica, con estructuras distintas y difíciles de cruzar.
Calcular la productividad era trabajo manual. Cruces, hojas, horas. Y el resultado llegaba tarde, cuando el turno ya había terminado y la desviación ya se había pagado en merma.

El reto

Datos de producción, mermas y calidad dispersos entre ERP, MES y máquina, sin una definición común.

Productividad calculada a mano y con retraso, cuando ya no se podía actuar.

Se veía la caída de rendimiento, pero no su causa: paradas, tiempo de ciclo, cavidades inactivas o piezas caídas.

Calidad reactiva: la pieza defectuosa se detectaba cuando ya estaba fabricada.

Una línea nueva de inyección-soplado que había que controlar desde el primer día.

Lo que propusimos

Construimos un modelo de datos único y automático que integra ERP, MES y datos de máquina. Sobre él montamos un indicador de productividad total (producción real frente a producción teórica máxima), desglosado por sus causas, y el control de mermas y calidad por sección. Después conectamos la línea nueva en tiempo real y desplegamos un modelo de machine learning que avisa antes de que la máquina empiece a fabricar piezas defectuosas.

El cambio

De reconstruir el turno anterior a corregir el turno en curso

Antes

Productividad calculada a mano, días después

ERP y MES con estructuras distintas, imposibles de cruzar

Se veía la caída de rendimiento, no su causa

La pieza defectuosa se descubría al final de la línea

Ahora

Productividad y mermas actualizadas cada hora, sin cálculos manuales

Un solo modelo con ERP, MES y máquina, con validaciones y avisos de error

Cada pérdida desglosada: paradas, tiempo de ciclo, cavidades y piezas caídas

Alertas antes de que la máquina fabrique piezas defectuosas

secciones conectadas (inyección, impresión y soplado)
0
estados de calidad bajo control (no conforme, cuarentena, destruido y recuperado)
0
modelo de IA que aprende cada día
0

El valor generado

Qué gana tu planta, turno a turno

Productividad de planta, cada hora

Producción real frente a producción teórica máxima, línea a línea y sin un solo cálculo manual.

La causa de cada pérdida

Paradas, tiempo de ciclo, cavidades activas y piezas caídas, desglosadas para saber dónde se va el rendimiento.

Mermas medidas donde nacen

Kilos y unidades por sección, con no conformidades, producto en cuarentena, destruido y recuperado.

Un solo dato de planta

ERP, MES y máquina en un modelo único, con las mismas definiciones para todas las secciones y turnos.

Datos que se validan solos

Cada carga pasa controles de calidad del dato y avisa si algo falla antes de llegar al cuadro de mando.

Calidad predictiva con IA

El modelo anticipa cuándo la máquina va a fabricar piezas defectuosas y avisa al equipo de producción a tiempo.

Lo que dice el cliente

Antes sabíamos que una línea rendía menos, pero no por qué. Ahora vemos la productividad de cada línea cada hora, con la causa de cada pérdida, y el sistema nos avisa antes de que la máquina empiece a fabricar piezas defectuosas. Hemos pasado de explicar la merma a evitarla.

Dirección de Operaciones

Fabricante de envases

Dudas habituales

Preguntas frecuentes

¿Qué es el OEE y cómo se calcula de forma automática?
El OEE (Overall Equipment Effectiveness) mide qué parte del tiempo planificado produce una línea piezas buenas a su velocidad teórica, y se calcula como Disponibilidad × Rendimiento × Calidad. Para automatizarlo hay que unir en un único modelo las paradas de máquina, los tiempos de ciclo y cavidades activas, y las no conformidades y mermas, y que ese modelo se actualice solo. En BertIA, consultora de IA en Barcelona y Madrid, lo construimos sobre los datos que la planta ya genera en su ERP, su MES y sus máquinas.
Porque el MES registra lo que pasa en la máquina, pero no lo cruza con el ERP ni desglosa cada pérdida por su causa. El cuadro de mando de productividad une ERP, MES y datos de máquina con las mismas definiciones para todas las secciones y turnos. Así la conversación de planta pasa de «esta línea rinde menos» a «esta línea pierde por tiempo de ciclo en el turno de noche».
Un modelo de machine learning aprende del histórico de máquina y de calidad qué combinaciones de variables preceden a la producción defectuosa, y avisa antes de que ocurra. Se valida con datos que no ha visto antes de desplegarse, se reentrena cada día con la producción nueva y señala las causas principales de cada alerta. El modelo avisa; la decisión sigue siendo del equipo de producción.
No. La capa de datos se construye en Azure y se conecta a los sistemas existentes y a los datos que ya emite la máquina, sin sustituir nada ni parar la producción. El MES y el ERP siguen haciendo su trabajo; el modelo de productividad los lee, los cruza y valida cada carga automáticamente.
Basta con una planta que ya registre su producción en un MES o un ERP, acceso a esas fuentes y una línea piloto. Una o dos sesiones de diagnóstico en planta sirven para mapear líneas, fuentes de datos y dónde se pierde el rendimiento. El piloto pone el OEE automático en marcha en una línea antes de escalar al resto.
Sí, siempre que los datos de planta estén unificados y gobernados. Sobre un modelo único de ERP, MES y máquina, un agente conversacional en Microsoft Teams responde sobre productividad, mermas o paradas con las mismas cifras del cuadro de mando.

Tu próximo proyecto empieza aquí

Escríbenos
Llámanos