Predicción de tiempos de fabricación mediante series temporales
Cuando se acomete el diseño de un programa de digitalización para abordar los diferentes procesos que suelen encontrarse en un entorno productivo, quizás el primero que se nos viene a la cabeza es el Control de la Producción, y particularmente el control de los tiempos de fabricación y la obra en curso. No en vano, el tiempo de ejecución de una tarea y las formas de optimizarlo son, a priori, las variables que devolverán más beneficio al implementar mejoras sobre ellas.
En estos casos, es habitual comenzar de manera inmediata aplicando cambios sobre las rutas de fabricación, la estructura del puesto de trabajo, las herramientas usadas, el espacio disponible, la logística, … multitud de opciones que probablemente resulten positivas. Sin embargo, resulta extraño comprobar que en raras ocasiones se lleva a cabo un estudio pormenorizado del uso y comportamiento de los recursos y agentes que intervienen en el proceso, un análisis de tendencias y anomalías o, en general, una explotación eficaz de los datos que seguro ya se poseen sobre el proceso.
Sólo con tener datos históricos de los tiempos de fabricación de un elemento, se pueden llevar a cabo estudios de tendencias, anomalías e incluso predicciones que son muy útiles a la hora de determinar las acciones de mejora más adecuadas y óptimas sobre un flujo productivo.
El tiempo de fabricación de un elemento en una línea de producción es, debido a la naturaleza propia del proceso, un valor que no debe variar demasiado en el tiempo, tan solo debe verse afectado de manera significativa por la aparición de alguna anomalía. Esto lo convierte en el candidato idóneo para ser la base de la predicción inteligente.
¿Es posible obtener información útil sólo con los tiempos de fabricación?
Partimos de la necesidad de estudiar y analizar el comportamiento del proceso de fabricación de elementos específicos, teniendo como datos únicamente los tiempos de fabricación de cada uno de ellos.
¿Es posible obtener información útil sólo con los tiempos de fabricación? Por supuesto que si. El tiempo de fabricación es un indicador claro de multitud de situaciones, pero fundamentalmente se trata de una variable que se ve muy afectada por las posibles anomalías que sufre el proceso en cualquier área.
Tanto si un operario tiene un problema a la hora de ejecutar una operación debido a que no ha sido formado adecuadamente, como si se ha producido un problema logístico a la hora de despachar los materiales necesarios para realizar la tarea, el tiempo de fabricación se verá afectado de manera directa.
Sin embargo, el tiempo de fabricación tiende a ser lo más parecido posible al tiempo estimado de fabricación para cada tarea. Esto hace que, por su propia naturaleza, la distribución de los tiempos de fabricación sea estacionaria, lo que la hace ideal para poder detectar anomalías, tendencias y fluctuaciones, así como para poder predecir sus valores futuros.
El objetivo es analizar y tratar de explicar anomalías y tendencias en el proceso de fabricación de unos elementos contando tan sólo con el tiempo de fabricación como variable principal. Al mismo tiempo, se pretende aprovechar este análisis para poder llevar a cabo previsiones.
Determinando unidades de trabajo análogas
El primer problema a resolver es determinar aquellas unidades de trabajo que sean análogas las unas con las otras, de manera que se puedan comparar. En industria manufacturera se suele trabajar con el concepto de orden de producción que se ejecuta sobre un determinado elemento.
Sin embargo, una orden de producción suele estar formada por un conjunto de operaciones, aquellas que hay que llevar a cabo sobre el material. En este caso, son las operaciones las que determinan la unidad de trabajo y no las órdenes de producción. Es el tiempo de ejecución de una misma operación a lo largo del tiempo lo que podemos estudiar como una serie temporal.
Una serie temporal es un conjunto de valores de una variable ordenados de manera cronológica, no necesariamente en intervalos iguales. En este tipo de variables, se pueden llevar a cabo estudios sobre la dependencia del valor de la variable en un momento dado respecto de sus momentos anteriores. Es lo que se denomina Análisis de Autorregresión, que consiste fundamentalmente en un modelo donde la variable dependiente se explica a través de un determinado número de observaciones pasadas.
Análisis autoregresivo y métodos estocásticos
Existen multitud de métodos para el análisis autoregresivo (AR), pero centrándonos en métodos estocásticos, existen una serie de modelos basados en AR que son muy útiles, fáciles de implementar y que, normalmente, arrojan buenos resultados para este tipo de estudios.
Se trata de los Modelos de Autorregresión con Medias Móviles (ARMA), que añaden un modelo de efecto por medias móviles al básico de autorregresión; los Modelos de Autorregresión Integrados con Médias Móviles (ARIMA), que incluyen un componente para la corrección de series no estacionarias; o los modelos Estacionales de Autorregresión Integrados con Médias Móviles (SARIMA), donde se incluye la posibilidad de estudiar series que fluctúan a lo largo de diferentes estaciones.
Una solución: metodología Box-Jenkins
La solución a nuestro problema pasa por aplicar la metodología Box-Jenkins, fundamentada en la identificación de los modelos candidatos y la estimación de sus parámetros, y en el análisis de la bondad de ajuste del modelo a través del estudio de los residuos, conocido como ruido blanco.
Una vez se ha determinado el mejor modelo para explicar el comportamiento de una serie, así como la estimación de sus parámetros, se usan las predicciones no sólo para anticiparnos al valor del tiempo de fabricación en este caso, sino también para determinar que si una observación real se aleja demasiado de la previsión, es muy posible que se trate de una anomalía en la serie, y por lo tanto sea necesaria una actuación.
El estudio de series temporales no sólo es útil para la obtención de modelos de previsión de valores, sino también para la detección de anomalías.
En nuestro caso de estudio se obtuvo un método por el cual, para cada una de las operaciones bajo análisis, se obtiene el valor estimado del tiempo de fabricación para la próxima pieza.
Pero, al mismo tiempo, para cada valor observado, y dependiendo de la diferencia entre dicho valor y el previsto por el modelo, se puede establecer un mecanismo muy versátil para la detección de anomalías.
En nuestro caso, se usó este método para la implementación de un mecanismo por el cual, una vez registrado el tiempo real de fabricación de una pieza, y comparándolo con el que en su día se estimó, se considere una anomalía o no dependiendo de si la diferencia es mayor a la estándar.
Pero quizás el valor obtenido más importante en este caso fue conseguir métodos que, usando datos muy comunes, como es el registro de tiempos de fabricación de una pieza, devuelvan información muy útil para la toma de decisiones.
