Producción, máquinas y energía
lo que tu planta ya te está avisando.
Tu planta lleva años dejando un rastro: el parte de turno, el contador de horas de cada máquina, el albarán del material que entra, la factura de la luz, los sensores que registran y nadie abre. Ese rastro avisa antes de que la máquina pare, dice de qué turno sale el scrap y por dónde se escapa la energía. Aquí está cada problema del área abierto en ficha: el dolor, por qué pasa, cómo se resuelve, qué necesita y qué está en juego.
Toca cualquiera para abrirlo.
La máquina que para cuando le da la gana
La avería no llega de golpe. La semana antes de partirse, el equipo vibra distinto, calienta de más y suena raro — y eso ya está escrito en tus sensores, en el parte de turno y en el contador de horas. El problema no es que la señal no exista: es que ningún humano puede vigilar mil lecturas a la vez en cada máquina.
La máquina para cuando le da la gana y la reparación es lo de menos.
Una parada no programada no cuesta solo la pieza y al técnico. Cuesta el pedido que entra tarde, el cliente que llama molesto y la cuadrilla mirando al techo mientras cobra. La avería, sin embargo, casi nunca es repentina: el equipo da señales de fatiga días antes de partirse, y esas señales quedan registradas mientras tú estás atendiendo la producción del día.
Anticipar una avería exige leer la señal del equipo —vibración, temperatura, consumo, horas acumuladas— y reconocer el patrón que precede al fallo. Ese patrón es sutil: se confunde con el funcionamiento normal hasta que es tarde. Cruzar esas lecturas en continuo, en cada máquina de la planta a la vez, excede lo que puede vigilar una persona. El villano es el volumen de datos, no la falta de oficio del mantenedor.
A partir de tu propio historial de funcionamiento y averías pasadas se aprende cómo se comporta cada equipo justo antes de fallar. El sistema marca la desviación cuando empieza —no cuando la pieza ya está rota— y estima la vida útil que le queda al equipo, de modo que el mantenimiento se programa con días de margen en lugar de a la carrera.
Detección de anomalías sobre la señal del equipo y vida útil restante (Isolation Forest, autoencoders; supervivencia; RUL con GBM/LSTM).
Tu registro de funcionamiento del equipo (sensores, horas, partes de turno) y el histórico de averías con su fecha · cuanto más completo el rastro de fallos pasados, antes se reconoce el patrón.
El retorno está en convertir una parada de urgencia en una intervención planificada: la primera detiene la línea sin avisar, la segunda se hace en la ventana que tú eliges. Es el patrón universal de la señal débil — el hospital Johns Hopkins puso una alerta análoga sobre el deterioro de sus pacientes y, cuando el médico llegaba a tiempo a la señal, la mortalidad bajaba (estudio en 5 hospitales, 590.000 pacientes). La catástrofe avisa antes de estallar; lo que cambia es qué te juegas por hora de retraso. Tu número exacto lo da el diagnóstico sobre tu histórico.
Johns Hopkins lee en tiempo real las constantes de cada paciente y avisa horas antes de que la sepsis estalle; ganar esas horas cambia el desenlace. Es la misma forma de leer una señal débil antes de que sea irreversible — aquí, en una máquina en vez de en un paciente.
Adams et al., Nature Medicine (2022), sistema TREWS · fuenteEl presupuesto de mantenimiento no llega para todo y revisas por intuición.
No puedes revisar todos los equipos con el dinero y las horas que tienes. La decisión relevante no es si revisar, sino qué revisar primero — y por costumbre se atiende a la máquina más vieja o a la que más ruido hizo la última vez, que no es necesariamente la que más te conviene vigilar.
Priorizar bien exige cruzar dos cosas a la vez por cada equipo: su probabilidad de fallar y el coste real si falla — no es lo mismo la máquina que solo molesta que la que tumba la línea entera. Hacer ese cruce sobre todo el parque, y mantenerlo al día, no sale de una sensación: requiere ordenar el conjunto por una cuenta que combina riesgo e impacto.
Se construye un ranking de equipos por riesgo de parada multiplicado por su criticidad — lo que te cuesta cada uno si se detiene. El presupuesto de mantenimiento deja de repartirse por antigüedad o por la última urgencia y pasa a una cola ordenada: primero lo que más te duele perder.
Ranking de mantenimiento por riesgo × criticidad por equipo (scoring + matriz de criticidad).
Tu histórico de averías e intervenciones por equipo y una estimación del coste de parada de cada uno (producción detenida, plazos comprometidos) · con eso se pondera riesgo e impacto.
El retorno reside en gastar el mantenimiento donde más rinde: la misma inversión protege primero los equipos cuya parada te cuesta más, en lugar de repartirse a partes iguales o por antigüedad. Es la disciplina de asignar un recurso escaso por valor esperado y no por costumbre. Tu número exacto lo da el diagnóstico sobre tu histórico.
Tienes sensores registrando todo el día y nadie abre ese panel.
Temperatura, presión, caudal, consumo — tus equipos ya están midiendo, y esos números mueren en una pantalla que nadie abre salvo cuando algo ya ha fallado. Tienes la materia prima de la alerta temprana registrándose sola, sin que nadie la aproveche.
Vigilar un sensor a mano es inviable: o miras y no pasa nada el 99% del tiempo, o no miras y se te escapa el momento en que se tuerce. El dato útil no es la lectura, sino la desviación respecto a lo normal de ese sensor a esa hora — y "lo normal" cambia con el turno, la carga y la estación. Distinguir la desviación real del ruido, en continuo, no se hace observando un panel.
En lugar de vigilar las lecturas, el sistema aprende el patrón normal de cada sensor y solo levanta alerta cuando algo se sale de él: ninguna notificación mientras todo va bien, una clara cuando empieza a desviarse. El panel que nadie abría se convierte en un aviso que solo suena cuando importa.
Alerta por desviación del patrón normal (residuos sobre la estacionalidad con STL, z-scores robustos, ruptures).
El registro histórico de tus sensores con marca de tiempo · con un tramo de funcionamiento normal basta para aprender el patrón y detectar lo que se sale de él.
El retorno está en transformar un dato que se desperdiciaba en un aviso accionable: la desviación se atiende cuando aparece, no cuando ya ha derivado en avería o defecto. Es la misma lógica de la señal débil que en medicina permite llegar antes a la rampa — leer el deterioro mientras todavía es leve. Tu número exacto lo da el diagnóstico sobre tu histórico.
El defecto que se cuela hasta el cliente
El defecto que detectas en planta cuesta una pieza. El que se cuela hasta el cliente cuesta la pieza, el porte de vuelta, la confianza del cliente y, a veces, el cliente. La deriva de calidad y el origen del scrap están escritos en tu proceso — el problema es leerlos antes de que el lote malo salga por la puerta.
Se te cuelan defectos hasta el cliente y la inspección a ojo no llega.
Revisar el cien por cien de las piezas a ojo es inviable y muestrear deja huecos por donde se escapa el lote malo. Cuando el defecto llega al cliente, el coste ya no es la pieza: es la devolución, la gestión y el desgaste de la relación. Y la calidad rara vez se cae de golpe — se va desviando, y esa deriva es medible antes del fallo.
Un defecto no aparece de la nada: lo precede una deriva en la imagen de la pieza o en los parámetros del proceso — una cota que se va, un acabado que cambia. Esa deriva es gradual y sutil, fácil de pasar por alto en una inspección manual hasta que el lote ya está fuera. Detectarla exige comparar cada pieza o cada lectura contra el estándar, de forma sistemática y sin fatiga.
Sobre la imagen de la pieza o sobre los parámetros del proceso se detecta la deriva en cuanto empieza, antes de que el lote defectuoso salga. La inspección automática revisa el total sin cansarse y el control de proceso avisa cuando la calidad empieza a irse — cuando aún se puede corregir el ajuste, no cuando el albarán de devolución ya está sobre la mesa.
Inspección automática por visión y control estadístico de proceso (CNN/YOLO para la imagen; SPC; clasificación).
Imágenes de piezas buenas y defectuosas (para la inspección visual) o el registro de parámetros del proceso con la calidad resultante · marcando qué salió bien y qué mal, para que aprenda la frontera.
El retorno está en interceptar el lote en planta y no en casa del cliente: cada defecto frenado antes de salir es un porte de vuelta, una gestión y un roce de relación que no llegan a ocurrir. Es de nuevo el patrón de la señal débil — la deriva de calidad se lee antes del defecto igual que Johns Hopkins lee el deterioro antes de la crisis. Tu número exacto lo da el diagnóstico sobre tu histórico.
Johns Hopkins detecta la deriva de un paciente hacia la sepsis antes de que sea evidente y da margen para actuar. La misma idea aplicada a una línea: la calidad se desvía de forma medible antes de producir el defecto.
Adams et al., Nature Medicine (2022), sistema TREWS · fuenteTiras material a scrap y a retrabajo y no sabes de dónde sale.
El desperdicio parece mala suerte repartida: piezas que se descartan o se rehacen sin un porqué claro. No lo es. Cada pieza mala se fabricó en un turno, en una máquina, con un lote y unos parámetros concretos — y casi siempre son dos o tres combinaciones las que concentran la mayoría del scrap.
El origen del desperdicio está repartido en muchas variables a la vez —turno, máquina, lote de material, ajuste— y ninguna de ellas, mirada por separado, lo explica. La causa real es un cruce de varias, y ese cruce no salta a la vista revisando partes: hace falta analizar el conjunto para que el patrón emerja. Por eso parece azar: porque nadie está cruzando las variables que lo determinan.
Cruzando qué turno, qué máquina, qué lote y qué parámetros estaban detrás de cada pieza mala, se aísla el patrón que concentra el desperdicio. El scrap deja de ser azar y pasa a tener nombre, turno y número de máquina — y una vez identificado el foco, se ataca el origen en lugar de asumir la merma como inevitable.
Análisis de causa raíz del desperdicio (árboles de decisión, reglas de asociación, ANOVA sobre las variables del proceso).
Tu registro de producción con, por cada lote o pieza, el turno, la máquina, el lote de material, los parámetros y si salió buena o defectuosa · cuantas más variables apuntes, más fino sale el foco.
El retorno está en convertir una merma difusa en un foco concreto que se puede corregir: atacar las dos o tres combinaciones que concentran el desperdicio rinde mucho más que repartir esfuerzo por toda la línea. Es la lógica de Pareto aplicada con tus datos — lo poco que causa lo mucho, identificado en vez de intuido. Tu número exacto lo da el diagnóstico sobre tu histórico.
El material que te entra ya viene malo y lo descubres en producción.
Buena parte de los problemas de calidad entran ya por la puerta: el material del proveedor llega defectuoso y lo descubres cuando ya está metido en producción, mezclado con el bueno. Para entonces el coste no es solo el material — es la producción que arrastra el defecto y el tiempo de localizarlo.
Sin un control en recepción, todos los lotes que entran parecen iguales y el defecto del proveedor se camufla hasta que aparece aguas abajo. Distinguir al proveedor que sirve bien del que te está colando problemas exige medir la calidad de lo que recibes por proveedor y por lote, de forma sistemática — algo que no se hace abriendo cajas a ojo en el muelle.
Se controla la calidad de entrada por proveedor y por lote en el momento de la recepción, separando al que cumple del que falla. El defecto se intercepta antes de entrar en producción — y, además, queda documentado, de modo que tienes el dato para reclamar al proveedor en lugar de comerte el coste tú.
Control estadístico de recepción y scoring de lotes (SPC de entrada, scoring de proveedor/lote).
Tu registro de recepciones con proveedor, lote y resultado del control de calidad de entrada · con el histórico se ve qué proveedor y qué lotes fallan y con qué frecuencia.
El retorno está en parar el defecto en el muelle y no en la línea: el material malo interceptado en recepción no arrastra producción ni se mezcla con el bueno, y el registro te da el respaldo para reclamar al proveedor en vez de asumir su error. Tu número exacto lo da el diagnóstico sobre tu histórico.
La planta que no cuadra: OEE, cuellos y planificación
Sabes que tu planta no rinde lo que debería, pero el OEE bajo es un número que no señala a nadie. Dónde se pierde el rendimiento, dónde se forma el cuello de botella y cómo se ordena la producción son decisiones que hoy se toman a ojo — y que tu propio proceso ya contiene la información para resolver.
Tu OEE es bajo y no sabes qué se lo come.
El OEE bajo te dice que pierdes rendimiento, pero no dónde. Es un número agregado que no señala a nadie: puede ser parada de máquina, ritmo lento o piezas malas, y mientras no sepas cuál pesa más, no sabes por dónde empezar a arreglar.
El OEE junta en una sola cifra tres pérdidas distintas —disponibilidad, rendimiento y calidad— que se compensan entre sí y se confunden. Saber cuál te está costando más exige descomponer el indicador y ordenar las pérdidas por tamaño, no quedarse en el total. Esa descomposición, hecha a mano sobre los partes, es laboriosa y rara vez se mantiene.
Se descompone el OEE en sus tres componentes y se ordenan las pérdidas de mayor a menor — disponibilidad, rendimiento, calidad — sobre tus propios datos. El número agregado se convierte en una lista de tareas priorizada: qué reparar primero, que es lo que más rendimiento te está costando.
Descomposición del OEE + Pareto automático de pérdidas (disponibilidad, rendimiento, calidad).
Tu registro de producción con tiempos de parada, ritmo real frente al teórico y piezas buenas frente al total · con eso se reparten las pérdidas entre los tres componentes.
El retorno está en convertir un indicador opaco en una prioridad clara: atacar primero la pérdida que más pesa rinde más que repartir el esfuerzo por igual entre las tres. La cifra deja de describir el problema y empieza a señalar la solución. Tu número exacto lo da el diagnóstico sobre tu histórico.
El cuello de botella de tu planta no es el que crees.
Inviertes en la máquina que parece más lenta y el flujo sigue atascándose. El cuello de botella real no siempre es el equipo más lento a ojo: depende de cómo se encadena todo el proceso, y mover el recurso equivocado no mejora nada — solo desplaza el problema.
Dónde se forma la cola depende de la interacción entre tiempos, capacidades y secuencia de toda la planta, no de un equipo aislado. Esa interacción es difícil de razonar de cabeza: el atasco puede estar dos pasos antes o después de donde parece. Verlo de verdad exige reproducir el flujo completo con los tiempos reales, no estimarlo mirando una máquina.
Se simula tu planta con tus tiempos reales y se observa dónde se forma de verdad la cola. Antes de mover una sola máquina, se prueba el cambio en el simulador: si quitar el cuello de botella aquí lo desplaza allá, lo ves sin gastar un euro en mover nada en el mundo real.
Simulación de eventos discretos del flujo de planta.
Los tiempos reales de cada etapa de tu proceso, las capacidades y la secuencia de fabricación · con eso se reconstruye el flujo y se localiza el atasco.
El retorno está en invertir donde de verdad está el límite y no donde parece: ampliar el cuello de botella real libera toda la línea, mientras que mover el recurso equivocado solo desplaza la cola. Y se prueba en el simulador antes de gastar en la planta. Tu número exacto lo da el diagnóstico sobre tu histórico.
Planificas la producción con Excel y un pedido urgente revienta la semana.
Rehaces el cuadro de producción a mano cada vez que entra un pedido urgente, y cada cambio arrastra entregas, utillajes y capacidad. Es trabajo manual que consume horas y que, encima, rara vez da con la mejor secuencia — solo con una que cuadra a duras penas.
Ordenar la producción es un rompecabezas con muchas restricciones simultáneas: plazos de entrega, cambios de utillaje que cuestan tiempo, capacidad real de cada máquina. Las combinaciones posibles son demasiadas para encontrar la buena a mano, y por eso se resuelve con la primera que encaja en lugar de con la óptima. Este dolor —lo que haces a mano— se aborda de lleno en su propia página.
La carga manual de planificar se trata a fondo en lo que haces a mano te cuesta dinero. En producción, además, la secuencia de fabricación se ordena de forma óptima respetando entregas, cambios de utillaje y la capacidad que de verdad tienes — y se rehace sola cuando entra el urgente. Si lo que se tuerce es la compra de material para esa producción, eso vive en stock que sobra, stock que falta.
Secuenciación óptima con restricciones (MILP, constraint programming, metaheurísticas).
Tus pedidos con sus plazos, los tiempos de fabricación y de cambio de utillaje, y la capacidad de cada máquina · con eso se calcula la secuencia que cumple entregas con el menor coste de cambios.
El retorno está en recuperar las horas que hoy se van en rehacer el cuadro y en cumplir más entregas con la misma capacidad: la secuencia óptima encaja más pedidos sin añadir máquinas. Es la diferencia entre una solución que cuadra a duras penas y la mejor posible, calculada en lugar de improvisada. Tu número exacto lo da el diagnóstico sobre tu histórico.
Cada ajuste de máquina es una lotería: un setup sale fino y el siguiente arruina el lote.
El reglaje de la máquina al arrancar un lote es prueba y error: unas veces sale a la primera y otras te comes piezas hasta dar con el punto. Ese tanteo cuesta material, tiempo y un arranque que nunca sabes cuánto va a durar.
Los parámetros que hacen bueno un lote dependen de muchas variables que interactúan, y el operario los ajusta por experiencia y a tientas. El conocimiento de qué reglaje funcionó está en lotes pasados, pero disperso y sin sistematizar — de modo que cada arranque empieza casi de cero en vez de partir de lo que ya salió bien antes.
De tus lotes buenos se aprende qué combinación de parámetros los hizo buenos, y el siguiente arranque parte de ese punto en lugar de empezar a ciegas. El reglaje deja de ser una lotería: se apoya en la evidencia de lo que ya funcionó, y se afina con experimentos dirigidos en vez de a tientas.
Parámetros óptimos de proceso (optimización bayesiana, diseño de experimentos sobre los lotes buenos).
Tu registro de lotes con los parámetros de máquina usados y la calidad resultante de cada uno · marcando qué lotes salieron buenos, para aprender qué reglaje los produjo.
El retorno está en sustituir el tanteo por evidencia: arrancar desde el reglaje que ya demostró funcionar reduce el material y el tiempo que hoy se pierden buscando el punto en cada lote. Es la cultura de probar y medir en lugar de suponer — Capital One la convirtió en su ventaja, decidiendo por experimento controlado en vez de por opinión. Tu número exacto lo da el diagnóstico sobre tu histórico.
Capital One dejó de discutir las decisiones para testarlas: cada ajuste se probaba con grupo de control en lugar de fijarse por criterio — 45.000 experimentos en el año 2000. La misma disciplina que convierte el reglaje de un setup en un dato medido y no en una corazonada.
Stanford GSB, caso Capital One · fuenteLa factura de la luz que te mata
La factura sube cada mes y solo ves el total. Dónde se va el consumo, qué potencia pagas de más y por dónde se escapa la energía sin que nadie lo vea son preguntas que tu propia curva de carga y tus contadores ya responden — si alguien los lee.
La factura de la luz te mata y no sabes dónde se va el dinero.
El recibo sube cada mes y lo único que ves es el total al final. No sabes qué máquina, qué proceso o qué hora se está comiendo el dinero, y sin ese desglose no puedes hacer nada salvo resignarte al importe.
La factura agrega todo el consumo en una cifra opaca: no separa qué equipo gasta, ni en qué franja horaria, ni si ese gasto podría moverse a una hora más barata. Desagregar el consumo por proceso y por hora, y cruzarlo con la tarifa, exige analizar la curva de carga — no se deduce mirando el importe mensual.
Se desagrega tu consumo —qué proceso y qué hora gastan de verdad—, se prevé y se desplaza lo que se puede a las horas baratas. El recibo opaco se convierte en algo que puedes empujar: a menudo el coste no está en la tarifa, sino en la hora a la que enchufas, y la hora se puede elegir.
Previsión de consumo y reparto contra la tarifa (desagregación NILM, optimización horaria de cargas).
Tu curva de consumo eléctrico con marca de tiempo y tu tarifa con sus franjas horarias · con eso se ve dónde y cuándo gastas y qué se puede mover a horas más baratas.
El retorno está en mover lo movible a las franjas baratas y en hacer visible un gasto que antes era un total opaco: el mismo consumo cuesta menos si se reparte contra la tarifa en lugar de concentrarse en las horas caras. Tu número exacto lo da el diagnóstico sobre tu histórico.
Pagas una potencia contratada que ni usas — o te quedas corto y te penalizan.
En la misma factura está la potencia contratada: pagas un término fijo por una potencia que a lo mejor no llegas a usar, o te quedas corto y te penalizan en las puntas. En ambos casos pagas de más, y el importe está ahí mes a mes sin que nadie lo revise contra lo que de verdad mueves.
Ajustar bien la potencia exige conocer tu curva de carga real —cuánta potencia demandas en cada momento y con qué puntas— y contrastarla con lo contratado. Sin ese análisis, la potencia se fija con un margen de seguridad arbitrario: o sobra colchón que pagas sin usar, o falta y te penalizan. El dato para acertar está en tu medición, no en la intuición de quien firmó el contrato.
Mirando tu curva de carga real se ajusta la potencia contratada a lo que de verdad demandas: dejas de pagar un colchón que no tocas o de comerte penalizaciones por pasarte en las puntas. El término fijo deja de ser un número heredado y pasa a corresponderse con tu consumo real.
Ajuste del término fijo a la demanda real (análisis de curva de carga, optimización de la potencia contratada).
Tu curva de potencia demandada con marca de tiempo y la potencia que tienes contratada · con eso se ve si sobra o falta y cuánto.
El retorno está en pagar por la potencia que usas y no por la que un margen arbitrario dejó contratada: ajustar el término fijo a tu curva real elimina tanto el colchón que no tocas como las penalizaciones por pasarte. Tu número exacto lo da el diagnóstico sobre tu histórico.
Hay fugas de aire comprimido, agua o gas que silban de noche y nadie ve.
El aire comprimido que silba con la nave vacía, el agua que corre el fin de semana, el gas que se escapa: consumos que siguen corriendo cuando todo debería estar parado. Es dinero saliendo por una grieta que nadie ve porque ocurre cuando no hay nadie mirando.
Una fuga no se nota en el total mensual —se diluye entre el consumo normal— y solo se delata en el patrón: un gasto que no baja cuando la producción para. Detectarla exige comparar el consumo contra lo que debería ser a esa hora y ese día, en continuo. A mano, nadie está vigilando el contador un domingo por la noche, que es justo cuando la fuga canta.
Vigilando el contador, el sistema aprende cuál es el consumo normal según la actividad y levanta alerta cuando se sale del patrón. El fin de semana en que la nave gasta como un martes laborable es la pista de que algo gotea — y salta sola, sin que nadie tenga que estar mirando.
Detección de anomalías de consumo en contadores (gasto fuera del patrón de actividad).
El registro de tus contadores (aire, agua, gas, electricidad) con marca de tiempo · con el histórico se aprende el consumo normal por franja y se detecta lo que se sale.
El retorno está en cerrar una grieta que drenaba dinero en silencio: una fuga detectada al aparecer se repara antes de acumular meses de consumo perdido, frente a descubrirla cuando ya engordó la factura. Es el patrón de la anomalía — lo que no encaja con lo normal, señalado en cuanto ocurre. Tu número exacto lo da el diagnóstico sobre tu histórico.
Lo que haces a mano te cuesta dinero cada hora.
¿Cuánto se te va en scrap, paradas y luz sin que lo veas?
El número real lo da el diagnóstico: un backtest sobre tus propios partes, sensores y facturas. Sin promesas — tu número sobre la mesa.