Especialistas en software CAD en 3D
902 121 073 L - J 08:00 a 18:00 y V 08:00 a 14:30
Especialistas en software CAD en 3D
902 121 073 L - J 08:00 a 18:00 y V 08:00 a 14:30

La Analítica del Big Data como Herramienta Valiosa para la Ingeniería

Los análisis del Big Data se promocionan como la salsa secreta detrás de muchas innovaciones, ayudando a los minoristas a adaptar nuevas experiencias de usuario para vender más productos, dotando a los profesionales de la salud de información que refuerza la atención al paciente y facilitando la detección de fraudes y nuevas fuentes de ingresos para las empresas del sector financiero.

Pero se oye menos acerca de los poderes del Big Data para el desarrollo de productos, sin embargo, puede ser igual de potente para la comunidad de ingenieros. Los grandes análisis de datos, impulsados por el auge de la Internet de las cosas (IoT) y los productos conectados, pueden proporcionar un contexto inestimable para dirigir las futuras iteraciones del diseño, optimizar el aprovisionamiento y la estandarización de las piezas, mejorar la experiencia del cliente, reforzar la excelencia operativa de los procesos de ingeniería y fabricación, y fomentar las correcciones preventivas de los productos con el objetivo de lograr el mantenimiento predictivo.

Esta innovación, no sólo en lo que respecta a las características y funciones, sino también a la entrega de productos y servicios, es fundamental hoy en día, dado el ritmo vertiginoso del cambio y el feroz clima competitivo. Sin embargo, la realidad es que la innovación en el diseño es una tuerca difícil de romper. Un estudio de Deloitte reveló que el 96% de las innovaciones de productos no devuelven el coste del capital y que dos tercios fracasan en un plazo de dos años. Para cambiar las cosas, muchos fabricantes tienen en la mira el análisis de grandes cantidades de datos como una forma de impulsar la innovación de productos al tiempo que controlan el éxito de su transformación digital.

Se están rediseñando sofisticados activos industriales como motores de aviones y turbinas eólicas, junto con equipos de consumo como termostatos inteligentes y blubs ligeros, utilizando sensores y conectividad a Internet para recopilar datos de uso casi en tiempo real en el campo. Esa avalancha de datos puede servir como un tesoro de conocimiento, que, si se gestiona y explota adecuadamente, puede orientar las decisiones de ingeniería a lo largo de todo el ciclo de vida de un producto. Mediante el registro diligente de todo, desde la temperatura hasta los puntos de estrés y la velocidad, esa mezcla de datos en el campo puede combinarse con fuentes de datos externas y analizarse para revelar patrones, por ejemplo, una parte en particular que está predispuesta a romperse bajo ciertas condiciones ambientales o un ensamblaje que opera rutinariamente a velocidades inferiores. Cualquiera de estas percepciones selectivas podría desencadenar un cambio de diseño en las iteraciones subsiguientes del producto o iniciar una solución proactiva que mantenga a los clientes contentos al evitar tiempos de inactividad imprevistos.

Sin duda, la adopción de un enfoque basado en datos a lo largo del ciclo de vida de un producto permite a las organizaciones de ingeniería aprovechar el capital de la propiedad intelectual y obtener conocimientos que, de otro modo, podrían haber pasado por alto o no saber que existían. Específicamente, la información obtenida del análisis de los datos de inspección de calidad puede ser vital para informar las iteraciones futuras de los productos, el análisis de la lista de materiales puede ayudar a afinar los diseños para alcanzar los objetivos de coste, y los datos captados de las reclamaciones de garantía y las llamadas de servicio pueden proporcionar una inteligencia crucial de los defectos que se pueden abordar en los rediseños posteriores de los productos.

Aunque los sistemas PLM albergan una gran cantidad de materiales relacionados con el producto -documentos de requisitos de material, modelos CAD en 3D, datos de listas de materiales, entre otros-, por lo general carecen de información sobre el producto una vez que sale de la línea de fabricación. Además, los sistemas PLM tradicionales tienen capacidades analíticas limitadas, si es que las tienen, y es un proyecto importante integrarlas con sistemas externos.

De hecho, la agregación de datos está demostrando ser uno de los mayores obstáculos para mantener la inteligencia del producto fuera del alcance de la mayoría de los ingenieros. Muchos en el diseño de productos siguen dependiendo en gran medida de Microsoft Excel para gestionar la información relacionada con el producto, y existen repositorios adicionales de modelos 3D bajo la jurisdicción de paquetes CAD individuales, la mayoría de los cuales no están integrados, por lo que no son accesibles como parte de una campaña de análisis más amplia. Añada a la mezcla una cantidad cada vez mayor de datos de productos relevantes que residen en proveedores o socios de desarrollo lejanos y podrá ver cómo los ingenieros terminan con escasa inteligencia que puede guiar la toma de decisiones relacionadas con los productos.

La fusión de los análisis de Big Data en una plataforma central de PLM puede ser un verdadero cambio en la solución de la carencia, y la mayoría de los proveedores líderes en este espacio están incrementando y aumentando sus plataformas con nuevas capacidades de análisis. Para ser efectiva, la analítica del Big Data debe operar dentro del contexto de un gráfico configurado con la capacidad de aprovechar la semántica y las palabras, debe ser accesible dentro de las herramientas principales como CAD, y las percepciones procesables y las decisiones resultantes deben ser manejadas dentro del entorno de ingeniería. “Si al final del día, la gente está enviando correos electrónicos como resultado de los análisis, una vez más se han recreado incomunicaciones y perdido la continuidad digital”, señala Morgan Zimmermann, CEO de NETVIBES-EXALEAD en Dassault Systèmes.

Dada la escala y la variedad de los datos de IoT, estas soluciones deben ofrecer algo más que analítica de base y funcionalidad de visualización: deben estar dotadas de aprendizaje automático, inteligencia artificial y capacidades de automatización para procesar e interpretar eficazmente los datos de IoT. De esta manera, pueden proporcionar el contexto para patrones y predicciones que pueden conducir a mejores decisiones de ingeniería, dar forma a futuros diseños de productos e impulsar a las empresas en su camino hacia la consecución de esa esquiva ventaja innovadora.

Deja un comentario

Uso de cookies

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información. ACEPTAR