Desarrollar un sistema de análisis para un fabricante de neumáticos

Pirelli & C es uno de los fabricantes de neumáticos de coche de gama alta más importantes del mundo. La empresa posee 24 fábricas en 13 países, incluyendo dos fábricas en Rusia.

En 2020, la planta de neumáticos de Vorónezh, que pertenece a Pirelli & C, decidió desarrollar un sistema de análisis de fabricación e IoT para analizar los procesos de producción de la empresa. Pero las soluciones listas para usar no ofrecían las funciones necesarias. Por eso, la empresa se puso en contacto con Evrone y nos pidió desarrollar un sistema de análisis de datos único para la producción de fabricación, que permitiría analizar y visualizar los datos, así como identificar los cuellos de botella.

El desafío: recopilar datos de cientos de máquinas en un mismo lugar

La planta tiene cientos de máquinas que ejecutan millones de operaciones cada día. En ese momento, todos los datos sin formato se enviaban a un gran sistema común. Cada departamento los descargaba y procesaba manualmente, lo que consumía mucho tiempo. Aunque podían descargar datos desde el sistema mediante SQL, tenían que hacerlo especialistas contratados.

Después, cada departamento preparaba un informe según su perfil: planificación, evaluación de la calidad, etc. Como consecuencia, el equipo directivo recopilaba varios informes y, según los datos, recibía una visión general del proceso de producción.

Pero se recopilaban miles de estos informes: para un turno, día, mes, etc. Para crear el informe anual, los empleados de cada departamento tenían que procesar de forma manual enormes cantidades de datos. Esto ocupaba una gran parte de su tiempo de trabajo.

La planta tenía que desarrollar una plataforma de análisis industrial que aumentara la eficiencia de los procesos operativos, se encargara del análisis principal y el procesamiento de datos, y lo publicara en un formato fácil de entender, con gráficos, tablas y diagramas.

Requisitos básicos del sistema:

• Capacidad para trabajar con varios orígenes de datos
• Integración con sistemas de información empresarial
• Plataforma de generación de informes
• Generación flexible de resultados, en forma de gráficos y tablas
• Autenticación y autorización de los usuarios del sistema
• Implementación con los estándares corporativos internacionales de Pirelli

La solución: estructura de clúster y análisis

Análisis empresarial

Teníamos que idear una plataforma única de administración de datos industriales, así que llevamos a cabo una gran labor de preparación antes de empezar a desarrollar el sistema de supervisión de fabricación. Durante los primeros meses, trabajaron en el proyecto dos analistas de negocios de Evrone, estudiando la arquitectura y casos de uso de bases de datos existentes y solicitudes de usuario para un producto futuro.

El equipo técnico también visitó a la empresa para conocer el ciclo tecnológico y el equipamiento y comprender cómo funciona la producción y los sistemas y bases internos existentes.

Actualmente, hay un analista trabajando en el proyecto. Se encarga de aclarar las necesidades del cliente, recopilar comentarios sobre soluciones listas para usar, y formular tareas para los desarrolladores. Todas las comunicaciones con el equipo técnico del cliente, que en su mayoría se encuentra en Italia, se hacen a través de él.

Macrodatos en el sector

Teníamos que desarrollar una aplicación para la recopilación y procesamiento principal de macrodatos en fabricación. La empresa tiene un sistema industrial de Internet de las cosas (IoT). Además de los datos sobre las operaciones directas del equipamiento, las horas de funcionamiento y los tipos, el número y la duración de los ciclos, y los errores, las máquinas también envían datos sobre distintas fórmulas de mezcla de caucho y modelos de neumático a las bases de datos. Esta información se transfiere a bases de datos locales y, después, se acumula en el lago de datos general de Pirelli. La administración y el acceso a los datos se producen a través del sistema interno de la empresa.

Diseñamos la aplicación para que encuentre rápidamente los datos necesarios en el almacén, los filtre según los criterios especificados y, después, genere tablas y gráficos basados en esos datos. Pero la aplicación no solo recopila datos archivados; también es un sistema de supervisión de la producción en tiempo real que permite a los usuarios supervisar procesos actuales e informar sobre errores e infracciones. Además, los usuarios pueden corregir los resultados, en cuyo caso, la versión editada se guarda por separado.

Pila tecnológica

La plataforma principal para ejecutar y gestionar las aplicaciones es Kubernetes. Elegimos esta plataforma por varios motivos. Uno de los principales es la capacidad de escalar de forma rápida y flexible los recursos del entorno cuando aumente la carga sobre los servicios, sobre todo cuando se incremente el número de módulos de análisis del sistema. Los mecanismos integrados de aislamiento nos permitieron trabajar con datos de forma segura y precisa. Los compañeros de Italia ya han transferido algunos de sus servicios a esta plataforma, y optimizamos rápidamente nuestros procesos de implementación para trabajar en el entorno global de Kubernetes, gracias a herramientas y métodos unificados apoyados por la comunidad global de DevOps.

La distribución de la aplicación se implementa mediante Docker, que nos permite entregar rápidamente los cambios en el entorno de producción con los lenguajes de desarrollo óptimos para tareas específicas, así como cambiar de manera flexible entre versiones. Todo el proceso de compilar y entregar versiones está automatizado mediante herramientas y servicios de CI/CD, lo que elimina la influencia del factor humano en estos procesos.

La aplicación está escrita en Python con Django, y para el front-end se usa React. Para trabajar con bases de datos, se usa un nivel en forma de motor de consultas, lo que permite gestionar de manera flexible el acceso a las tablas, así como optimizar y paralelizar consultas al trabajar con macrodatos. El almacenamiento en caché de los datos frecuentes se implementa mediante Amazon ElastiCache.

Diseño

La petición para el diseño de la interfaz de la herramienta de BI provino de nuestro equipo de desarrollo, no del cliente, como suele ser habitual. El cliente no estaba satisfecho con el prototipo inicial que usaba soluciones ya preparadas: hay demasiados formatos de datos en el proyecto, y era muy difícil encontrar la información necesaria en los gráficos finales con herramientas de BI existentes en el sector de la fabricación.

Era necesario tener en cuenta algunas convenciones ya aceptadas en la empresa. Por ejemplo, la codificación por colores. Los colores condicionales se usan para indicar diferentes grupos de datos. También hay preferencias para los tipos de gráfico (en su mayoría, se usan gráficos en cascada y diagramas de Pareto).

Hemos escrito scripts para distintos grupos de usuarios con el fin de que el sistema sea más fácil de usar para distintos especialistas. Se puede elegir el período para mostrar estadísticas, el número de máquinas, los ciclos de producción, etc. Los botones más útiles tienen acceso rápido para que los elementos de la interfaz no interfieran con la percepción de la información básica.

Resultado: publicación del producto mínimo viable por módulos

La implementación de este sistema de análisis se divide en módulos que se encargan de los distintos aspectos de producción, implementados en el orden de prioridad del cliente. El proyecto se compone de 17 partes, y tres de ellas ya se han publicado en producción.

Nuevos tamaños

El primer módulo es responsable de supervisar los procesos de introducción progresiva: la transición de equipamiento al nuevo tamaño de neumático y la producción de ese tamaño. En este caso, hay dos tipos de introducción progresiva: BU y CU, que tienen conjuntos de puntos de control distintos. Para analizar estos procesos y optimizar el rendimiento de la producción, enseñamos a la aplicación a recopilar puntos de control para todas las fases de producción (montaje, vulcanización y finalización), y los comparamos con indicadores normales para que cualquier desviación se aprecie de inmediato.

Eficiencia del equipamiento

A continuación, implementamos el sistema OEE, que nos permite evaluar el rendimiento del equipamiento. Opera con datos sobre el funcionamiento de las máquinas directamente, sin referencia a modelos o recetas. Los datos se pueden filtrar por fechas, turnos, tipos de máquinas o máquinas específicas, o bien se pueden restablecer todos los filtros para ver una tabla de resumen general.

Ciclos de trabajo

El tercer módulo nos permite realizar un seguimiento de los ciclos de los equipos y el rendimiento de los operadores. El sistema genera estadísticas sobre el tiempo de los ciclos de funcionamiento de las máquinas, los modelos de goma y los operadores.

Planes futuros

Aún estamos al principio de este viaje, y tenemos previsto añadir muchas otras funciones útiles al sistema de análisis, como el seguimiento de la calidad del producto y la optimización del mantenimiento. Como resultado, la planta de neumáticos de Vorónezh tendrá su propio sistema automatizado de análisis principal y supervisión, lo que ofrecerá mejoras de eficiencia de procesos y ahorrará tiempo, dinero y recursos.

Si necesita soluciones personalizadas de análisis de fabricación o aplicaciones de inteligencia de producción para macrodatos y procesos industriales, envíenos un mensaje y nuestros expertos le ayudarán a desarrollar un producto personalizado basado en sus requisitos.