Estudio de las aplicaciones de Machine Learning y Deep Learning en el ámbito de la logística y la fabricación
Abstract
Departamento de Organización de Empresas y Comercialización e Investigación de Mercados
Full text
UNIVERSIDAD DE VALLADOLID ESCUELA DE INGENIERIAS INDUSTRIALES Grado en Ingeniería en Organización Industrial Estudio de las aplicaciones de Machine Learning y Deep Learning en el ámbito de la logística y la fabricación Autor: Herrero Moretón, Alberto Tutor: Sanz Angulo, Pedro Departamento de Organización de Empresas y Comercialización e Investigación de Mercados Valladolid, julio 2019.
Agradecimientos En primer lugar, me gustaría agradecer a mi tutor, Pedro Sanz Angulo, por todo el trabajo realizado y por todo el apoyo que me ha dado durante este periodo. Después quiero dar las gracias a todos los compañeros del grado con los que he compartido tantos momentos durante estos años. A la Universidad de Valladolid y a todos los profesores que forman la Escuela de Ingenierías Industriales, por toda la formación recibida. También me gustaría dar las gracias a mis mejores amigos, que, aunque no han sido compañeros de carrera, han sufrido conmigo en los malos momentos y me han apoyado como pocos y se han alegrado de cada pequeño logro como si fuera suyo. Por último, quiero agradecer especialmente a las personas que más quiero, mi familia. Sin vosotros no hubiera sido posible alcanzar esta meta. Gracias por el apoyo, los consejos, la paciencia y el amor incondicional que me dais cada día.
Resumen El presente TFG explica la cuarta revolución industrial, en qué consiste y todas las tecnologías en las que se basa. Para entender mejor lo que implica una revolución industrial primero se explican las anteriores revoluciones industriales. Se cuenta cuál es la situación actual, tanto de Europa como de España, y cómo puede afectar a la cuarta revolución industrial. También se explica brevemente la filosofía de trabajo Lean Manufacturing. Finalmente, el trabajo se centra en el estudio mediante ejemplos de las distintas aplicaciones que se están dando al Machine Learning y al Deep Learning en los ámbitos de la logística y la producción. Palabras clave Machine Learning, Deep Learning, aplicaciones, logística, fabricación. Abstract This TFG explains the fourth industrial revolution, what it is and all the technologies on which it is based. In order to better understand what an industrial revolution implies, the previous industrial revolutions are explained first. The current situation of both Europe and Spain is explained and how it can affect the fourth industrial revolution. A brief explanation of the Lean Manufacturing work philosophy is also given. Finally, the work focuses on the study through examples of the different applications that are being given to Machine Learning and Deep Learning in the fields of logistics and in production. Keywords Machine Learning, Deep Learning, applications, logistics, manufacturing.
Índice INTRODUCCIÓN ........................................................................................................................... 1 Antecedentes ................................................................................................................................ 1 Motivación .................................................................................................................................... 2 Objetivo y alcance ......................................................................................................................... 3 Organización de la memoria ......................................................................................................... 3 1. LA INDUSTRIA Y EL LEAN MANUFACTURING ........................................................................... 5 1.1 Introducción ............................................................................................................................ 5 1.2 Historia de las revoluciones industriales ................................................................................ 5 1.2.1 Primera Revolución Industrial (1760-1840) ..................................................................................... 6 1.2.2 Segunda Revolución Industrial (1850-1914) .................................................................................... 6 1.2.3 Tercera Revolución industrial (1945-2013) ..................................................................................... 7 1.2.4 Cuarta Revolución Industrial (2013-Actualidad) ............................................................................. 8 1.3 Situación actual de la industria en Europa y España .............................................................. 8 1.4 Lean Manufacturing .............................................................................................................. 12 1.4.1 Just in time (JIT, Justo a tiempo) ................................................................................................... 14 1.4.2 Jidoka ............................................................................................................................................ 14 1.4.3 VSM (Value Stream Mapping, Mapeo de Flujo de Valor) .............................................................. 15 1.4.4 Las 5S ............................................................................................................................................ 15 1.4.5 QFD (Quality Function Deployment, Despliegue de la Función de Calidad) .................................. 16 1.4.6 TPM (Total Productive Maintenance, Mantenimiento Productivo Total) ...................................... 17 1.4.7 Kanban .......................................................................................................................................... 17 1.4.8 SMED (Single Minute Exchange of Die, Intercambio de un solo minuto de muerte) ..................... 18 2. INDUSTRIA 4.0 ....................................................................................................................... 19 2.1 Introducción .......................................................................................................................... 19 2.2 Definición .............................................................................................................................. 19 2.3 Origen, evolución y futuro .................................................................................................... 20 2.4 Modelo, tendencias, retos y oportunidades ......................................................................... 21 2.5 Bases tecnológicas ................................................................................................................ 22 2.5.1 IoT ................................................................................................................................................. 22 2.5.2 Big Data ........................................................................................................................................ 24 2.5.3 La nube (o Cloud Computing) ........................................................................................................ 26 2.5.4 Robótica colaborativa ................................................................................................................... 28 2.5.5 Fabricación Aditiva ........................................................................................................................ 29 2.5.6 Ciberseguridad .............................................................................................................................. 31 2.5.7 Inteligencia Artificial (IA) ............................................................................................................... 32
3. APLICACIONES. PARTE I ......................................................................................................... 35 3.1 Introducción .......................................................................................................................... 35 3.2 Drones en logística ................................................................................................................ 35 3.3 Camiones autónomos ........................................................................................................... 40 3.4 Optimización del transporte de mercancías por carretera ................................................... 44 3.5 Robots en logística interna ................................................................................................... 45 3.6 Robots para picking............................................................................................................... 47 3.7 Robots colaborativos ............................................................................................................ 49 4. APLICACIONES. PARTE II ........................................................................................................ 53 4.1 Introducción .......................................................................................................................... 53 4.2 Previsión de demanda .......................................................................................................... 53 4.3 Gestión del inventario de almacenes.................................................................................... 54 4.4 Control de calidad ................................................................................................................. 57 4.5 Mantenimiento predictivo .................................................................................................... 59 4.6 Máquinas herramienta ......................................................................................................... 61 4.7 Gafas inteligentes ................................................................................................................. 64 4.8 Chatbot en logística .............................................................................................................. 65 4.9 Evaluación y selección de proveedores ................................................................................ 65 5. ESTUDIO ECONÓMICO ........................................................................................................... 67 5.1 Introducción .......................................................................................................................... 67 5.2 Profesionales partícipes del proyecto ................................................................................... 67 5.3 Definición de las fases ........................................................................................................... 68 5.4 Análisis económico ............................................................................................................... 69 5.4.1 Horas efectivas y tasas horarias del personal ............................................................................... 69 5.4.2 Amortizaciones del equipo informático ......................................................................................... 70 5.4.3 Coste del material consumible ...................................................................................................... 70 5.4.4 Costes indirectos ........................................................................................................................... 71 5.4.5 Tiempos asociados a cada fase del proyecto ................................................................................ 71 5.5 Costes asignados a cada fase del proyecto ........................................................................... 71 5.5.1 Planificación inicial ........................................................................................................................ 72 5.5.2 Recogida de información............................................................................................................... 72 5.5.3 Elaboración de la documentación ................................................................................................. 73 5.6 Resultados finales ................................................................................................................. 73
CONCLUSIONES Y LÍNEAS FUTURAS ........................................................................................... 77 Conclusiones ............................................................................................................................... 77 Líneas futuras .............................................................................................................................. 80 BIBLIOGRAFÍA ........................................................................................................................... 81
Alberto Herrero Moretón 5 1. La industria y el Lean Manufacturing 1.1 Introducción En este capítulo se habla de las diferentes revoluciones industriales que han desencadenado en la cuarta revolución industrial. También se trata la situación actual de la industria en Europa y más concretamente en España. Por último, se explica el Lean Manufacturing, la filosofía de cualquier industria de hoy en día. 1.2 Historia de las revoluciones industriales Se entiende revolución como un gran cambio que se da en la sociedad, ya sea en un plano económico, tecnológico o moral, que además se produce en un breve periodo de tiempo. En la historia se han producido múltiples revoluciones que han conducido al ser humano a su situación actual. Desde un punto de vista industrial, se entiende por revolución industrial al cambio en la forma de producción. En este caso, ese cambio viene por la introducción de novedades tecnológicas que sustituyen el trabajo animal o del ser humano por el trabajo mecánico; en la actualidad, está sucediendo la considerada cuarta revolución industrial. La Figura 1.1 muestra un cronograma en el que sitúa cada revolución industrial en el tiempo y en función de su complejidad. Figura 1.1. Evolución de la industria. Fuente: Adaptado de (Ministerio de industria, comercio y turismo, s.f.)
1. La industria y el Lean Manufacturing 6 1.2.1 Primera Revolución Industrial (1760-1840) La primera revolución industrial surge en Inglaterra y aunque, como se dijo anteriormente una revolución se caracteriza por ser un cambio rápido, en este caso no fue así. Esto es debido a que el mundo en ese momento no era el mundo globalizado de hoy en día: pasaron años hasta que se implantó en otros países, primero de Europa y luego en el resto del mundo, principalmente Estados Unidos y Japón (Chaves Palacios, 2004). Hubo muchos cambios tecnológicos, empezando por el empleo de materiales nuevos como el acero, continuando por la aparición de máquinas como la hiladora, el telar mecánico para tejer y, por supuesto, la máquina que sería el epicentro de esta gran revolución, la máquina de vapor, que se utilizó tanto en la industria textil como en el transporte, tanto en barcos como en trenes. Debido a la utilización de la máquina de vapor, la demanda de carbón se disparó y por tanto las industrias se asentaron cerca de las zonas carboníferas. Esto hizo tener una ventaja a Inglaterra sobre otros países que carecían de este recurso. El progreso industrial generó un cambio social muy grande; antes, la mayor parte de la sociedad vivía del campo y de la artesanía y, después, se produjo un éxodo de los pueblos a las ciudades para vivir de la industria, lo que produce una nueva clase obrera y brota la clase burguesa. Fruto del progreso también aumenta la natalidad y la esperanza de vida (Gepeese, 1990). 1.2.2 Segunda Revolución Industrial (1850-1914) La segunda revolución industrial comienza, aproximadamente, cuando finaliza la primera, por lo que no hay una fractura muy grande entre ambas. Se puede decir que termina con el comienzo de la Primera Guerra Mundial. Si no hay un gran distanciamiento entre la primera y la segunda se podría pensar que es difícil distinguirlas, pero la realidad es que hay cambios sustanciales que marcan esta nueva revolución. Aparece la producción en cadena, siguiendo el modelo de Taylor que reducía el coste de la producción y aumentaba la productividad. Cambian las fuentes de energía: se utilizan derivados del petróleo, lo que deriva en la invención del motor de combustión, y apareció la electricidad (Uriarte, 2017). Este periodo fue muy prolífero en grandes inventos. De ello se benefició la industria con la automatización de las máquinas, lo que se tradujo en una mayor producción y competitividad. También, disminuyeron los costes de fabricación puesto se necesitaba menos mano de obra y, por tanto, originó un mayor desempleo en la industria.
Alberto Herrero Moretón 7 Otros grandes descubrimientos que marcaron esta revolución fueron el telégrafo, que cambio la forma de comunicarse, el cinematógrafo, el aeroplano y se produce una evolución de los métodos de transporte que surgieron en la primera revolución como el ferrocarril que ahora es eléctrico y el barco con motor de caldera en vez de vapor. La segunda revolución industrial estuvo marcada no solo por avances en el campo tecnológico, sino también por avances en el campo de la ciencia: Darwin publica su teoría de la evolución de las especies, y se inventaron la pasteurización y la aspirina, lo que redujo la mortalidad. También se dan grandes experimentos en la industria química para dar fertilizantes, caucho, fibras artificiales y explosivos. 1.2.3 Tercera Revolución industrial (1945-2013) Esta revolución se distancia más de las otras dos anteriores debido, principalmente, a la base tecnológica de la que parte. Este periodo estuvo muy marcado por la energía, con el paso del tiempo se buscó utilizar energías alternativas más eficientes, limpias y alguna de ellas inagotables, como la solar, eólica, hidráulica y también aparece la energía nuclear. Se sirven de las mismas materias primas, pero se investiga para mejorar sus propiedades, minimizar su consumo y abaratar su coste, y se trabajan más que antes los materiales no metálicos en la industria, como los cerámicos y la fibra de vidrio. También se buscó tecnología de gran impacto. Esta situación propició la aparición de tecnología en telecomunicaciones, la robótica y también la bioingeniería (Roel Pineda, 1998). Las telecomunicaciones han cambiado no solo la forma de trabajar de las empresas, sino también han cambiado por completo la vida de la gente. Un cambio marcado por inventos como el ordenador, internet y el teléfono móvil. Todos ellos sustentados en el desarrollo de semiconductores, la tecnología sin cables y la fibra óptica. La robótica ha supuesto un gran cambio en las fábricas, que se fueron incorporando poco a poco a los procesos productivos. Esto permite que sean procesos más automáticos, lo que abarata costes, porque se produce más y se necesitan menos trabajadores, y origina un cambio en el tipo de contrataciones de las empresas, que buscan mano de obra más cualificada. El ámbito de la bioingeniería empezó con el descubrimiento del ADN y siguió con el desarrollo de la manipulación genética. Esto hizo crear una fuerte industria biogenética, en la que actualmente existen muchas empresas que se dedican a la producción de medicamentos y alimentos.
1. La industria y el Lean Manufacturing 8 Se emplean nueva maquinaria para modernizar tanto la industria pesada como la ligera. Y se desarrollan nuevas industrias punta con una gran inversión tecnológica, como la aeronáutica, la salud y medicina. Además de lo mencionado anteriormente, esta época se caracteriza por una industrialización en cualquier continente, con la salvedad de los países subdesarrollados. 1.2.4 Cuarta Revolución Industrial (2013-Actualidad) Actualmente se están dando los pasos de la implementación de la cuarta revolución industrial, también llamada Industria 4.0. Esta se basa en la hiperconectividad, en las fábricas y productos inteligentes, apoyándose siempre en el internet de las cosas, el big data y los sistemas ciber-físicos (Ministerio de industria, comercio y turismo, s.f.). Toda esta nueva revolución se desarrollará en el Capítulo 2. 1.3 Situación actual de la industria en Europa y España La industria se encuentra en un punto complejo en Europa y las decisiones que se tomen próximamente desde el parlamento europeo marcaran el futuro su industria. El entorno global es extremadamente competitivo y muy cambiante. Se necesita conseguir una industria competitiva, sólida y sostenible, ya que es la actividad económica, junto al sector servicios, más grande de Europa, y aunque de este eje principal a finales de 2018 aportaba entorno al 19% del PIB (Producto Interior Bruto) de Europa y genera cerca del 15% del empleo, dando trabajo a más de 32 millones de personas, la realidad es que esta aportación ha descendido en los últimos años, hace veinte años aportaba cerca del 23% del PIB (El país, 2018). Este descenso en la importancia de la industria en Europa se debe principalmente a la externalización de algunos servicios, la competencia internacional, a veces con medidas comerciales que protegen a otros países, y, sobre todo, a la deslocalización de la producción a países con menores costes. Si Europa quiere liderar los mercados mundiales necesita una política industrial con más apoyo a la investigación e innovación, que impulse la transformación digital en las pymes, que ayude a la transformación energética, que garantice a sus empresas igualdad competitiva en el libre comercio y es fundamental marcar una estrategia que fortalezca sus cadenas de valor. La producción industrial en Europa descendió un 4,2% en diciembre de 2018 respecto a diciembre de 2017. La gráfica de la Figura 1.2 muestra que ha sido el
Alberto Herrero Moretón 9 peor dato en los últimos nueve años, cuando los países europeos estaban en plena crisis económica (Jorrín, 2019). Figura 1.2. Evolución interanual de la producción industrial. Fuente: (Jorrín, 2019) Como se puede ver en la Figura 1.3, España e Italia han sido las más perjudicadas de las grandes economías europeas (Jorrín, 2019). Figura 1.3 Evolución de la producción industrial por países, dato interanual de diciembre de 2018. Fuente: (Jorrín, 2019)
1. La industria y el Lean Manufacturing 10 El índice de producción industrial (IPI) es un indicador que mide mes a mes la evolución conjunta de la calidad y cantidad de la actividad productiva del sector industrial, excluyendo a la construcción y sin tener en cuenta la influencia de los precios (Instituto Nacional de Estadística, 2019). Con la Figura 1.4 se aprecia la evolución de algunos de los países más importantes en materia de industria de Europa. Figura 1.4 . IPI de Alemania, España, Francia y Reino Unido. Fuete: (El país, 2019) España es la octava potencia industrial en el mundo por el valor de la producción obtenida, quinta en Europa, aunque las dos primeras potencias no son europeas ya que son Estados Unidos y Japón. Merece la pena destacar que países asiáticos como China, Corea del Sur o India son los que están creciendo más rápidamente (Instituto Geográfico Nacional, s.f.). Si observamos la situación en España se puede ver un reflejo de la situación europea, su importancia fue creciendo desde que entre los años 2009 y 2012 alcanzase su mínimo, debido a la crisis que sufrió el país, hasta llegar a estar cerca del 14% del PIB en el año 2018 y ofreciendo más de dos millones de empleos, que suponen sobre el 11% del total del empleo del país (Macario Gañán, 2018). Pero la industria española ha seguido la misma tendencia que han sufrido en el resto de países más industrializados dentro de la Unión Europea (UE) y ha perdido importancia en las últimas dos décadas. Esto se puede ver en los datos, el porcentaje de empleados que pertenecía a la industria era casi el doble hace veinte años y su aportación al PIB se acercaba al 20%.
Alberto Herrero Moretón 11 La industria es una parte importante de la economía de cualquier país, porque además de lo que genera directamente también impulsa el desarrollo en otros sectores, mejora la competitividad, invierte en I+D+i (Investigación, Desarrollo e innovación, en España de cada diez empresas que invierten en I+D+i cuatro pertenecen al sector industrial) y ayuda al desarrollo y crecimiento su zona geográfica. La distribución geográfica de la industria española es muy irregular, esto se debe a que se la industria se asienta en lugares estratégicos, se tiene en cuenta la disponibilidad de recursos naturales, las buenas comunicaciones, la cantidad de mano de obra y otros muchos factores. En España, la industria se establece principalmente en Madrid y Barcelona, seguidos por lugares con tradición de industria como en el País Vasco y también por la cuenca del Ebro como Zaragoza o Navarra, también por la zona del Mar Mediterráneo como Valencia o Alicante, en el sur de la provincia el máximo exponente se encuentra en Sevilla y los casos más atípicos por ser los pocos que se encuentran en el interior son lugares como Valladolid, Burgos o Toledo (Instituto Geográfico Nacional, s.f.). Con la aparición de la Industria 4.0 se está produciendo la llamada trasformación digital, que lleva consigo la digitalización del proceso productivo, que abarca desde el diseño, pasando por la fabricación y mantenimiento, hasta la venta del producto. Con el propósito de que la industria lleve a cabo la transformación digital y que el sector pueda beneficiarse de todo lo que conlleva, el Gobierno de España, a través del Ministerio de Industria, Comercio y Turismo, presentó en el año 2015 la Estrategia Nacional Industria Conectada 4.0 que tiene como líneas maestras garantizar el conocimiento y el desarrollo de competencias de la industria 4.0, fomentar la colaboración multidisciplinar, impulsar el desarrollo de una oferta de habilitadores y promover las actuaciones adecuadas para la puesta en marcha de la industria 4.0 (Ministerio de industria, comercio y turismo, s.f.). El objetivo de esta estrategia es que se aumente el valor añadido y el empleo cualificado en la industria española, mejorar la oferta local mediante soluciones digitales y favorecer las exportaciones creando palancas competitivas. Para que esta estrategia tenga éxito se crearán unos órganos de gobernanza con representación de los organismos públicos, las empresas del sector, centros de investigación y enseñanza, agentes sociales y expertos en la industria 4.0. El futuro industrial español pasa por abordar ciertos problemas que tienen las empresas para ser competitivos. El más importante de todos es el precio de la energía, que es muy superior al de otros países de Europa y del resto del mundo. Después, desde el sector se demandan otros aspectos como la necesidad de nuevas infraestructuras en materia de transporte, que la normativa sobre medioambiente no suponga una desventaja, que se apueste por una economía circular, se ayude desde
1. La industria y el Lean Manufacturing 12 las instituciones públicas en la internacionalización de las empresas y se apueste por invertir en I+D+i (Macario Gañán, 2018). El problema del precio de la energía para las empresas industriales, que necesitan consumir grandes cantidades, parece estar en proceso de solucionarse. A finales del 2018 se presentó el Proyecto de Real Decreto por el que se regula el Estatuto de Consumidores Electrointensivos, por el cual se implantarán unas medidas para igualar la situación con los principales competidores europeos. Además, el patrón de consumo de la industria española favorece la transición energética con la implantación de las energías renovables que en los próximos años aportará tres mil megavatios anuales procedentes de las energías eólica y fotovoltaica. 1.4 Lean Manufacturing El término Lean Manufacturing significa fabricación magra, es decir sin grasa, por lo que no se suele traducir al castellano debido a que la traducción literal no explica bien el término en sí mismo. Lo que viene a significar el término es fabricación sin desperdicios (Padilla, 2010). El Lean Manufacturing se empezó a desarrollar después de la segunda guerra mundial en Japón. Se dio la circunstancia que el mercado de la automoción de posguerra en Japón se parecía al mercado globalizado actual, ya que había mucha competencia debido a los productos occidentales, los precios de los diversos factores eran muy elevados por a la escasez que ocasiona una guerra y el mercado local pequeño se caracterizaba por la diversidad de la demanda. Debido a esta situación, Eiji Toyoda, presidente y familia de los fundadores de la empresa Toyota Motor Company, visitó la factoría Rouge de Ford en Dearborn (Michigan), ya que era la factoría más grande y eficiente del mundo. Después de estudiar la planta de Ford vio que copiar y mejorar su sistema de producción en masa no era la mejor solución y que no iba a funcionar bien en la cultura japonesa (Padilla, 2010). Al final Eiji, junto al directivo Taiichi Ohno, desarrollaron su propio sistema. Crearon el Sistema de Producción Toyota (TPS, Toyota Production System), el cual es ahora conocido como Lean Manufacturing. Al poco tiempo, el mercado mundial se llena de productos japoneses y entonces, rápidamente, otras empresas copiaron este sistema, que consiste en un conjunto de técnicas para optimizar y mejorar los procesos operativos. Este sistema se basa en los conceptos Just in Time y Jidoka y busca eliminar el despilfarro. Usando siempre la mejora continua, quiere obtener el producto cuando el cliente lo necesita (estrategia Pull). Además, parte de la base que todo es mejorable y que se puede aplicar tanto a la fabricación como a servicios, independientemente del tamaño de la empresa. Trata de reducir costes y tiempos de
Alberto Herrero Moretón 13 espera, la base del sistema son los trabajadores y busca satisfacer al cliente en términos de calidad, plazo de entrega y precio. Implementar Lean Manufacturing es, ante todo, una forma de trabajar y no un fin. Dentro de esta forma de trabajar encontramos cinco etapas. La primera es el concepto de valor que es lo que el cliente está dispuesto a pagar. La segunda sería identificar el flujo de valor, porque hay que optimizar el proceso y acudir a una cadena de valor para ver cuáles de los procesos que realizamos para obtener el producto aportan valor al mismo y cuáles no. Todo lo que no aporta valor es un despilfarro. Si los identificamos reduciremos el tiempo de actividad y el coste. La tercera etapa consiste en conseguir un flujo continuo y equilibrado. Quiere decir que hay que encontrar una manera de trabajar en la que todos los procesos vayan a un ritmo de manera que se relacionen de forma fluida y funcionen como una cadena. Después, tendríamos el Sistema Pull (tirar), lo que significa que la demanda es la que marca la producción. Por último, estaría la mejora continua, que debe aplicarse de forma progresiva y necesita de continuidad. Existen tres enemigos del Lean: el Muda, que es el despilfarro; el Muri, que hace referencia a la demanda del cliente y su inflexibilidad; y, finalmente, el Mura, que es la inestabilidad del proceso. Se han identificado principalmente nueve cosas que provocan despilfarro: la sobreproducción, los stocks, no utilizar el talento, los transportes, las operaciones sin calidad, los movimientos, las esperas, los sobreprocesos y la resistencia al cambio. En la Figura 1.5 se puede apreciar las herramientas en las que se basa la estructura del Lean Manufacturing. En los próximos subapartados se van a explicar lo que serían los pilares y los cimientos de la casa del Lean. Figura 1.5 Herramientas del LEAN. Fuente: Adaptado de (Lazala Rosario, 2011)
2. Industria 4.0 20 2.3 Origen, evolución y futuro El origen de este concepto surge en Alemania y se presenta al mundo en el año 2013 con la publicación del informe Recommendations for implementing the strategic initiative INDUSTRIE 4.0 a cargo de la Academia Alemana de Ciencias e Ingeniería (Acatech). Este informe surge por petición del gobierno alemán después de que el concepto de Industria 4.0 fuera utilizado por primera vez en el Salón de Tecnología Industria de Hannover en 2011 como medio para lograr mantener el liderazgo competitivo de la industria en Alemania (Joyanes Aguilar, 2018). La evolución de la industria 4.0 ha sido parecida en todos los países. El gobierno de Alemania rápidamente adoptó una Estrategia de Alta Tecnología con la que quiere preparar al país para esta nueva revolución industrial mediante su cooperación. En el resto de países de Europa poco a poco se van instalando las bases de esta nueva forma de entender la industria. Esto es debido, principalmente, a la fuerte evolución de las TIC (Tecnologías de la Información y la Comunicación) que ha cambiado de manera radical la forma de consumir y de relacionarse de la población, aunque ningún país de Europa tiene un impulso tan grande por parte de su gobierno como Alemania a la hora de implicarse para que las empresas adopten esta nueva forma de trabajar. En España, como en el resto de países desarrollados, el gobierno ha tomado medidas para que las empresas adopten esta nueva forma de producción. Si bien es cierto que los gobiernos de los países juegan un papel importante en el impulso de este cambio, a día de hoy, donde se aprecia un mayor avance en la implementación del ecosistema para el desarrollo de la Industria 4.0 es en las grandes empresas multinacionales, las cuales tienen una visión más global del sector y adoptan las medidas necesarias para llevar a cabo la transformación de todas sus fábricas debido a la alta competitividad que requiere el mercado. El futuro pasa por que, poco a poco, todas las empresas, las grandes empresas marcarán el camino a las pymes, vayan introduciendo los cambios necesarios para adaptarse a esta nueva forma de producir. Y es que, aunque no quieran afrontar el cambio, se van a ver obligadas a hacerlo debido a la alta competitividad del mercado, a las tendencias de consumo y al imparable auge de las nuevas tecnologías que están interrumpiendo en la industria y que hacen que cambie por completo el sector.
Alberto Herrero Moretón 21 2.4 Modelo, tendencias, retos y oportunidades Si bien hay algunos profesionales que piensan que todos los cambios que están surgiendo y que van a llegar son parte de una evolución de la tercera revolución industrial, pero en realidad estamos inmersos en una nueva revolución que cambiará la forma de vida de las personas, tanto en el trabajo como en las relaciones personales. La cuarta revolución industrial estará marcada por gran evolución tecnológica que va a involucrar a muchos campos distintos. Existen tres razones que explican que es un modelo de revolución y no de evolución. En primer lugar, el impacto de los sistemas: los sistemas están cambiando mediante la agrupación de países, empresas y sociedad en general. También encontramos la velocidad, dado que la tecnología actual evoluciona de forma exponencial. Por último, la amplitud, pues la irrupción de nuevas tecnologías conectadas entre sí está afectando a todas las industrias, negocios y personas (Joyanes Aguilar, 2018). Las tendencias tecnológicas se pueden agrupar de diversas maneras, pero en general se puede decir que, independientemente del grupo, todas ellas están relacionadas y se retroalimentan unas a otras. Una posible clasificación sería la que hizo Klaus Martin Schwab, director y fundador del Foro Económico Mundial (World Economic Forum, también conocido como Foro de Davos) (Schwab, The fourth industrial revolution, 2016). Por una parte, están las tendencias físicas en las que se puede hablar de nuevos materiales, fabricación aditiva, robótica avanzada y de vehículos autónomos. También encontramos las tendencias digitales; en este grupo se encuentran el modelo reciente de economía bajo demanda o economía colaborativa, las tecnologías financieras blockchain (cadenas de bloques) y el internet de las cosas. que es el punto más importante de este grupo para la industria. Finalmente, están las tendencias biológicas; la tendencia en este campo discurre principalmente por la ingeniería genética y la ingeniería de sistemas biológicos. Estas tendencias conllevan importantes desafíos a nivel ético, social y médico. La cuarta revolución industrial trae consigo múltiples ventajas y es por ello por lo que su avance es imparable, pero también es verdad que tiene unos riesgos que pueden generar inconvenientes si no se tiene cuidado en su implantación. El riesgo principal tiene que ver con la seguridad ya que, al estar todo conectado, cualquier fallo hace más vulnerable al sistema. También existe el riesgo de crear una mayor desigualdad social y que no todas las empresas puedan lograr la transformación digital que es necesaria en esta nueva revolución. Existen muchas nuevas oportunidades porque el potencial que tiene la cuarta revolución industrial es innegable y si se utiliza bien las empresas serán más eficientes y sostenibles, conectará a miles de millones de personas e incluso podrá ayudar al medioambiente. Ya se ha visto las tendencias tecnológicas que existen y
2. Industria 4.0 22 que estas se retroalimentan entre sí, creando un gran avance muy rápidamente. Todo esto tendrá un impacto directo en el empleo futuro y en la educación de las personas. 2.5 Bases tecnológicas Las tecnologías clave en el desarrollo de la industria 4.0, como se puede ver en la Fifura1.1, son el IoT, la nube, la fabricación aditiva, la IA, el Big Data, la robótica colaborativa y la ciberseguridad. De una forma u otra, todas ellas están relacionadas. Figura 2.1. Tecnologías clave de la Industria 4.0. Fuente: Creación propia 2.5.1 IoT Es una red de objetos físicos conectados a internet para conectarse entre sí e intercambiar datos. En estos objetos se pueden medir parámetros físicos mediante sensores y también se puede actuar sobre ellos utilizando API (Application Programming Interface, interfaz de programación de aplicaciones) (SAP, s.f.). Las plataformas del IoT se basan en la nube (cloud), que conectan los mundos reales y virtuales. Ayudan a las empresas a gestionar la seguridad y la conectividad de los dispositivos IoT, y también a recoger datos de eso dispositivos, vincularlos y construir y operar aplicaciones IoT. Actualmente, hay una generación masiva de datos debido a que cada vez se utilizan más dispositivos inteligentes y estos producen una gran cantidad de datos que son analizados y utilizados en el momento. Es aquí donde se necesitan las analíticas
Alberto Herrero Moretón 23 predictivas y el Big Data. El machine learning se utiliza para dar un contexto a los datos y generar acciones sin intervención humana. En fabricación se usa tecnología de M2M (Machine to Machine, máquina a máquina) para apoyar en diversos tipos de cosas, por ejemplo, desde monitorear de forma remota y obtener una telemetría hasta para realizar mantenimiento predictivo (SAP, s.f.). En las fábricas se utiliza el IoT y la tecnología M2M para dar un impulso a la automatización industrial y prevenir los posibles fallos en los equipos y, también, entre otras cosas, para mejorar la seguridad en el trabajo. Los fabricantes de automóviles y las empresas tecnológicas están usando IoT para ayudar a los conductores de vehículos conectados a eludir accidentes, prever posibles problemas con el mantenimiento, ayudas con el estacionamiento, asistencia en carretera y otras cosas (SAP, s.f.). El ejemplo claro de esto se ve en la aparición del vehículo autónomo gracias a la utilización del IoT y del machine learning. Es el componente tecnológico fundamental sobre el que se basa la Industria 4.0. El término “Internet de las Cosas” es bastante reciente. Se utilizó por primera vez, de forma pública, en el año 2009 en el RFID journal por Kevin Ashton, profesor del MIT (Massachusetts Institute of Technology, Instituto Tecnológico de Massachusetts) en ese momento (Cruz Vega, et al., 2015). La divulgación de la conectividad inalámbrica, al inicio del siglo XXI, permitió que se elevara y masificara el uso de los objetos conectados. Este crecimiento que ha sufrido la conectividad inalámbrica se ha palpado sobretodo en la última década, donde han aparecido conceptos nuevos como el WsN (Wireless Sensor Networks, redes de sensores inalámbricos) o M2M (Machine to Machine, máquina a máquina), que han dado paso al IoT. El IoT es, de origen, más universal, protocolos, apertura de interfaces, redes, entornos de desarrollo y su explotación, así como sus perspectivas de futuro originadas en el mercado a partir de su popularización (Cruz Vega, et al., 2015). En cuanto a arquitectura y conceptos básicos de IoT nos encontramos con distintas áreas fundamentales como son los objetos conectados, la tecnología de red, los protocolos de comunicación, la plataforma IoT, para un tratamiento inteligente de los datos (pudiendo ser Big Data o Small Data) y también aplicaciones de usuario. La tecnología avanza de manera vertiginosa, por lo que hay unos requerimientos y máximas tecnológicas a considerar para un funcionamiento óptimo. En primer lugar, los objetos conectados deberían ser inteligentes, aunque no es obligatorio. Es conveniente que exista una conectividad IP (Internet Protocol) punto a punto, aunque no siempre se aplique. La conectividad de red ha de ser abierta y estándar, o al menos ampliamente aceptada por el mercado. El cloud y su inteligencia han de ser usados como piedra angular en la conectividad. Las técnicas de Big Data son necesarias en IoT siempre y cuando el volumen del despliegue justifique su uso. Los aplicativos IoT han de ofrecer un alto valor añadido que vaya más allá de la
2. Industria 4.0 24 mera lectura de datos. Y, por último, es clave ofrecer soluciones completas para el usuario final (Cruz Vega, et al., 2015). La creación de un objeto conectado es una tarea en la que intervienen el diseño y la fabricación del hardware, el desarrollo de software y también, en algunos casos, el diseño industrial. Las fases de este proceso pueden resumirse en los pasos que se ven en la Figura 2.2. Figura 2.2 Fases de creación de un objeto conectado. Fuente: Adaptado de (Cruz Vega et al., 2015) 2.5.2 Big Data Actualmente existen millones de dispositivos conectados a internet que están generando datos continuamente. Pero para explicar qué es el término Big Data, o Datos Masivos, se puede decir que va más allá del volumen de datos en sí mismos; tiene más que ver con la manera de utilizar esos datos por parte de las empresas que tienen acceso a ellos. Cuando se habla del término Big Data se suele indicar que está caracterizado por las tres V: volumen, variedad y velocidad. También hay quien añade una cuarta V, el valor (Figura 2.3.).
Alberto Herrero Moretón 25 Figura 2.3 Las cuatro V de Big Data. Fuente: Adaptado de (Hashem et al., 2015) Siendo más concreto, la primera característica, el volumen, se refiere a la cantidad de datos, independientemente del tipo de dato que sea o de donde se obtenga. Almacenar muchos datos sirve para que mediante su análisis se pueda crea información (Hashem, et al., 2015). No existe una cantidad de información exacta a partir de la cual estemos hablando de Big Data, pero se suele hablar en términos de petabytes (PB, 1 petabytes = 1015 bytes) y exabytes (EB, 1 exabytes = 1018 bytes) (Monleón-Getino, 2015). La segunda característica es la variedad, que es el tipo de datos que han sido almacenados, independientemente de la fuente de la que se saquen o la cantidad. Los datos que se almacenan pueden tener un formato estructurado o no estructurado; por ejemplo, los que se sacan de las aplicaciones móviles la mayoría son no estructurados. Se pueden encontrar diversos tipos de datos como texto, imágenes, video y audio. Para hacer un buen uso del Big Data se suelen combinar esos datos no estructurados con los estructurados de una aplicación comercial como, por ejemplo, de un sistema ERP (Enterprise Resource Planning, planificación de recursos empresariales) (Hashem, et al., 2015). La velocidad es la tercera característica del Big Data, y tiene que ver con la velocidad con la que se transfieren los datos. La transferencia de datos se hace desde múltiples fuentes y además no dejan de cambiar. Esto es debido a los datos que se almacenan que pueden ser complementarios y que ya han podido ser almacenados anteriormente (Hashem, et al., 2015). Por último, la cuarta V pertenece al valor que, aunque no todos los expertos en el tema lo consideran algo fundamentalmente característico. No cabe duda que es una característica muy importante, porque es el proceso que encuentra un gran valor
2. Industria 4.0 26 oculto en cada conjunto de datos almacenados. Sin duda, es la parte más importante del Big Data (Hashem, et al., 2015). Utilizar bien el Big Data es un valor añadido de una empresa, de ahí su importancia, puesto que hace que la empresa sea más eficiente, más rápida resolviendo problemas y también hace que pueda encontrar nuevas oportunidades de negocio. Las principales maneras de añadir valor a una empresa mediante el Big Data son tres. En primer lugar, está la reducción de coste. Gracias a sistemas como Hadoop y el análisis basado en la nube, se reducen los costes del almacenaje de un gran volumen de datos. Después nos encontramos que sirve para tener una mejor toma de decisiones y más rápida. La velocidad aportada por sistemas de almacenaje y análisis, como los mencionados en la reducción de costes, las empresas pueden hacer un análisis instantáneo de la información y tomar mejores decisiones, lo que las hace más eficientes. Por último, obtenemos productos y servicios nuevos. Son productos y/o servicios que demandan y satisfacen a los clientes. Tras analizar, mediante Big Data, las necesidades de los clientes y su grado de satisfacción se llega al producto o servicio que realmente satisface sus necesidades (PowerData, s.f.). 2.5.3 La nube (o Cloud Computing) La nube es una arquitectura que, mediante la combinación de software y hardware, ofrece interfaces, almacenamiento, servicios y procesamientos de información a través de internet. Es, sin duda, uno de los ejes principales sobre los que se está asentando el cambio en todas las organizaciones (Joyanes Aguilar, 2012). Según el NIST (National Institute of Standards and Technology, Instituto Nacional de Patrones y Tecnología) a parte de varias características comunes, como se puede ver en la Figura 2.4, está formada por cinco características esenciales y dispone de tres modos de servicio y cuatro modos de despliegue.
Alberto Herrero Moretón 27 Figura 2.4 Definición de la Nube según el NIST. Fuente: Adaptado de (UNIDAD II IMPACTO DEL CLOUD, 2015) Para entender mejor lo que caracteriza a la Nube conviene explicar en qué consisten sus características esenciales. En primer lugar, encontramos el autoservicio bajo demanda, que significa que el usuario puede hacer uso del servicio de la nube cuando lo necesite sin tener contacto con los proveedores del mismo. Las múltiples formas de acceso a la red quiere decir que se puede acceder a la nube desde cualquier dispositivo, siempre y cuando esté conectado a la red. Otra característica es la rápida elasticidad que regula sus recursos informáticos de manera muy rápida para satisfacer a los cambios en la demanda de los mismos, haciendo parecer que son infinitos. También está la compartición de recursos en la que los recursos de un solo proveedor abastecen a varios usuarios. Para terminar, se puede decir que el servicio medido es en el cual las empresas que ejercen de proveedores de recursos en la nube pueden controlar el gasto de cada usuario haciendo posible un pago justo por los servicios consumidos. Siguiendo con la clasificación del NIST, la computación en la nube se agrupa en dos modelos distintos: el modelo de servicio y el modelo de despliegue. Para entender por qué se disgrega en dos modelos hay que entender lo que supone cada modelo.
2. Industria 4.0 28 El modelo de servicio se entiende como el tipo de servicio que ofrece la nube y del cual hay tres tipos (Gil de Vergara Quintana, s.f.): el primero el de Software como Servicio (SaaS, Software as a Service), en este servicio lo que ofrecen los proveedores de esta nube son aplicaciones de software que puedes utilizar en cualquier dispositivo; seguidamente tenemos el modelo de Plataforma como Servicio (PaaS, Platform as a Service) que entrega a los usuarios que quieran desarrollar una aplicación web todas les herramientas necesarias para ello; por último, está el modelo de Infraestructura como Servicio (IaaS, Infrastucture as a Service), para dar este servicio el proveedor ofrece la computación y el almacenamiento de su infraestructura. Por el contrario, el modelo de despliegue tiene que ver con las distintas formas de usar la infraestructura de la nube. Existen cuatro opciones: la primera sería la nube privada, en la que la gestión la lleva una organización que controla quien accede a los servicios ofrecidos; después estaría la nube comunitaria, que es creada por varias organizaciones, pero no tienen por qué gestionarlo ellas si no que puede que la gestionen terceras partes; la nube pública, que la administra un proveedor que deja acceder a sus servicios a quien desee utilizarlos; y, por último, la nube híbrida, que es una agrupación de dos nubes o más, independientemente del tipo de despliegue que tengan, que interaccionan entre ellas (Joyanes Aguilar, 2012). 2.5.4 Robótica colaborativa La robótica es una tecnología que se encarga desde el diseño y ensamblado hasta el correcto funcionamiento de los robots en la industria. Se suelen diferenciar dos tipos de robots, los industriales y los no industriales, pero en realidad los podríamos clasificar según sus aplicaciones como industriales, de servicios comerciales y de consumo. Actualmente, están teniendo un gran auge en todo tipo de sectores debido al nivel de sofisticación que están alcanzando. En lo que concierne a la industria 4.0, donde las fábricas pasan a ser fábricas inteligentes con métodos de producción más autónomos, los robots tienen un peso muy importante. El número de robots está experimentando un gran aumento; según las cifras que se dieron en la feria de Hannover Messe en 2017, en la industria alemana ya se utilizaban 290 robots por cada 10.000 empleados. La razón de su amplia utilización se encuentra en que pueden realizar las tareas que se les encomienda de una forma cada vez más inteligente, autónoma, flexible, segura y colaborativa. El hecho de que, en muchos casos, no sea necesario aislarles en su área de trabajo y puedan compartir espacio con los humanos hace que el trabajo sea más productivo y, por tanto, más económico. Además, da la oportunidad a que realicen nuevas aplicaciones dentro de las fábricas. Estos robots industriales colaborativos, también llamados cobots, se están utilizando no solo para la producción y logística sino también para la gestión de
Alberto Herrero Moretón 29 oficinas, pudiendo controlarlos de forma remota, haciendo que las fábricas puedan estar operativas las 24 horas del día (Bahrin, Othman, Azli, & Talib, 2016). Lo interesante de esta nueva generación de robots está en la cooperación con los humanos de forma segura y cercana para ciertas tareas sensibles. Todo esto es gracias a que cada vez son más inteligentes, ya que son capaces de aprender de los humanos, debido al desarrollo del machine learning, pudiendo verificar, optimizar y documentar su trabajo simplemente estando conectados a la nube, y todo ello de manera independiente. Toda esta robotización que están experimentando las fábricas está asociada a las múltiples ventajas que tienen los robots, pero esto está haciendo que se genere una preocupación generalizada por que desaparezcan excesivos puestos de trabajo; aunque se sabe que generaría otros empleos nuevos, estos serían en menor cantidad. Ya en el año 2017 el Parlamento Europeo se mostró preocupado ante la desigualdad en la distribución de la riqueza que podrían generar las nuevas tecnologías que remplacen masivamente a los trabajadores. Es por eso que la Comisión de Asuntos Jurídicos del Parlamento Europeo proponía equiparar a robots con humanos en derechos y obligaciones, haciendo que las empresas paguen también impuestos por los robots para que se pueda mantener la seguridad social, pero esto fue rechazado por la Cámara. También se propuso que se componga una agencia de Robótica e Inteligencia Artificial, que se lleve un registro de robots avanzados, que se determine de quién es la responsabilidad en caso de accidentes y elaborar un código ético que seguir al crear los robots avanzados. 2.5.5 Fabricación Aditiva Este término, también conocido como impresión 3D, hace referencia a la nueva forma de fabricar, logra obtener objetos reales a partir de modelos geométricos desarrollados mediante computación. La fabricación en sí del objeto se hace mediante la adición de materiales en un gran número de capas muy finas. Existen diversas fases para lograr el producto final, que van desde el diseño del producto hasta la etapa de acabado. Lo primero de todo es desarrollar el modelo a fabricar en un fichero CAD 3D, una vez se tiene esto el primer paso es exportar la geometría al formato STL (Standard Triangle Language, Lenguaje de Triangulo Estándar). Lo que se consigue al pasar a formato STL es eliminar la información de propiedades físicas que no interesan de la pieza y obtener una aproximación de la geometría mediante una malla de triángulos cerrada; cuantos más triángulos haya mejor será la aproximación, mayor resolución. No tiene por qué tener siempre la mejor resolución, depende de las
3. Aplicaciones. Parte I 36 Esta iniciativa la impulsa la Xunta de Galicia y se prevé que costará 157 millones de euros. El presupuesto serán distribuido en cuatro grandes programas: el primero será para crear y mejorar las infraestructuras; el segundo programa servirá para desarrollar nuevos productos, soluciones y tecnologías a través del I+D; el tercer programa consta de diez licitaciones precomerciales de soluciones basadas en el uso de UAVS; y, por último, el cuarto programa lo ha puesto en marcha Aeronautics Business Factory con el fin de atraer y dar soporte a proyectos de empresas de cualquier parte del mundo (Indra, 2018). Dentro de este nuevo concepto, Smart Logistic 4.0, que propone Indra, la organización pretende utilizar nuevos sistemas aéreos no tripulados, es decir autónomos. Estos sistemas aéreos son drones a los que se les dotará de cámaras y sensores de alta precisión para que, gracias a los algoritmos de machine learning, puedan inspeccionar, de manera totalmente automatizada, cualquier tipo de infraestructura o instalación industrial (y también otras infraestructuras como buques o aeronaves) y así puedan adelantarse a cualquier fallo. Indra quiere convertir a Galicia en una región referente en el desarrollo de este tipo de drones que se aplicarán en la industria. Consideran que la industria 4.0, el IoT y la digitalización de los procesos están cambiando la logística hacia su propia revolución, que sería la Smart Logistic. El uso de estos drones tendrá como ventajas la rápida inspección en altura de anclajes y estructuras, la detección de daños, como por ejemplo la detección de corrosión, lo que logrará un mejor mantenimiento preventivo en las plantas industriales. Todo esto se reflejará en una disminución en los costes logísticos, desde Indra calculan que pueden llegar a alcanzar entorno a un 20% de ahorro en costes. Ya que con su implementación se conseguirá aumentar la disponibilidad operativa de los equipos hasta en un 30% (Indra, 2018). Estos datos son muy importantes, ya que se trata de un gran ahorro teniendo en cuenta que el mantenimiento de una planta industrial, a lo largo de su ciclo de vida, puede superar con creces su coste de adquisición. Otro ejemplo del uso de drones autónomos es el caso de Amazon, que en la conferencia 're:MARS' (Machine Learning, Automation, Robotics and Space) de junio de 2019 en Las Vegas presentó su último diseño de aviones no tripulados llamados Prime Air, como se aprecia en la Figura 3.1.
Alberto Herrero Moretón 37 Figura 3.1 Dron Prime Air. Fuente: (Wilke, 2019) Consisten en drones totalmente eléctricos que pueden llegar a volar en un radio de hasta quince millas (lo que equivaldría a veinticuatro kilómetros) y llevar paquetes de menos de cinco libras, unos 2,27 kilogramos (se ha impuesto este límite ya que por lo menos el 75% de los pedidos no lo supera), a sus clientes en un tiempo inferior a 30 minutos (Wilke, 2019). El diseño de estos nuevos drones incluye avances en términos de eficiencia, estabilidad y seguridad. Es un dron novedoso ya que tiene un diseño híbrido entre un helicóptero y un avión. Se parece a un helicóptero en que puede realizar despegues y aterrizajes verticales, pero es eficiente y aerodinámico como un avión. El dron tiene seis grados de libertad para ser controlado, por los cuatro grados de libertad que suelen ser habituales. Esto permite que sea más estable y pueda volar de forma segura en peores condiciones de viento. Además, las cubiertas también son las alas, lo que hace tener un vuelo más eficiente. Desde Amazon recalcan que es muy seguro, ya que saben que es la única forma de que los clientes se sientan cómodos con las entregas realizadas con este medio. Aparte de seguro, gracias a la IA, y más en concreto al ML y DL, el dron es completamente independiente. El hecho que vuelen de manera independiente se debe a que pueden reaccionar ante una situación inesperada. Durante el trayecto el dron, identifica tanto a los objetos estáticos, para ello utilizan sensores y algunos algoritmos avanzados, como a los que están en movimiento, para lo que emplean algoritmos del ML y de visión por ordenador. A la hora del aterrizaje, para que el dron realice la entrega, se necesita un pequeño espacio libre de obstáculos, personas o animales, empleando para ello una visión estereoscópica explicable en paralelo con unos sofisticados algoritmos de ML que
3. Aplicaciones. Parte I 38 detectan personas y animales. Un obstáculo que suelen encontrarse los drones son los cables del tendido eléctrico, de teléfono o las cuerdas de los tendederos de los patios de los clientes, para que sean capaces de esquivarlos se han utilizado técnicas de visión artificial. Una de las ventajas que aporta Prime Air es su nulo impacto ambiental durante el transporte, es una de las iniciativas de sostenibilidad de Amazon para llegar a lograr las cero emisiones de carbono en sus envíos. Otra ventaja es la rapidez con la que llega el pedido (Wilke, 2019). Es un proyecto que llevan anunciando desde 2013, pero por problemas de logística ha ido retrasando este proyecto, aunque esta vez parece ser cuestión de meses que empiece a funcionar. Este dron es eléctrico y dispone de cámaras térmicas y de profundidad, también cuenta con varios sensores y un sonar. Todo este equipamiento es el que facilita que pueda ser autónomo y pueda evitar los obstáculos que se vaya encontrando. El diseño de este dron es novedoso puesto que ha pasado del clásico formato de cuadricóptero a uno de hexacóptero, donde sus rotores están protegidos para una mayor seguridad y, además, utiliza estas cubiertas como alas mientras vuela. Con este diseño se utilizan las seis hélices tanto en el despegue y aterrizaje, como en los desplazamientos hacia adelante. La parte central del dron, donde se guardan los paquetes que se protegen con el propio fuselaje del aparato, es capaz de bascular para que pueda cambiar de formato en las distintas etapas del vuelo (Álvarez, drones, 2019). Por el momento, Amazon se encuentra esperando a que el nuevo diseño sea aprobado por la FAA (Federal Aviation Administration, Administración Federal de Aviación) de Estados Unidos para comenzar a operar con ellos. Otro ejemplo de un proyecto que utiliza drones mensajeros es el Project Wing de Google. Este dron ya ha empezado a operar en determinadas zonas de Australia. Convirtiéndose en el primer servicio comercial de este tipo en el mundo, tras dieciocho meses de pruebas y más de tres mil envíos realizados con éxito. El proyecto Wing es un servicio de drones autónomos con el fin de mejorar el acceso a las mercancías, reducir el tráfico y disminuir las emisiones de CO2 provocadas por el transporte de mercancías, que solo en EEUU suponen el 27% de las emisiones totales de gases de efecto invernadero (X Company, s.f.). Estos drones (Figura 3.2) poseen un diseño de bajo consumo de energía que los permite volar hasta 120 km/h, impulsados únicamente por un sistema de energía eléctrica y sin emisiones de carbono. Y vuelan a una altura de hasta 120 metros sobre el suelo.
Alberto Herrero Moretón 39 Figura 3.2 Dron Wing en pleno vuelo. Fuente: (X Company, s.f.) Este proyecto lo comenzó en el año 2014 Google X, corporación a cargo de Alphabet que se dedica a realizar avances tecnológicos, que ahora se ha convertido en Ala, una empresa independiente. El equipo que lo desarrolló se encontró con problemas financieros y la FAA aún no les ha dado permiso para que puedan desarrollar su actividad en Estados Unidos. Donde sí que han logrado el permiso es en Australia, donde la CASA (Civil Aviation Safety Authority, Autoridad de Seguridad de Aviación Civil) les deja operar, pero bajo unas grandes restricciones. Los drones Wing tienen permiso para hacer sus labores de mensajeros los días laborables a partir de las siete de la mañana y para envíos de comida, bebida o medicamentos (Pérez, 2019). El funcionamiento del servicio de estos drones no es el de una compra por internet normal: sirven para enviar productos de comercios locales. Para ello, se han aliado con farmacias y cafeterías para poder enviar tanto medicamentos como bebida y comida en muy poco tiempo. Los drones pueden dirigirse a las casas elegidas, pero sin sobrevolar calles principales, sin acercarse a personas y siempre dentro del horario laborable. A los usuarios de las casas que accedan al servicio se les informa sobre diversos aspectos de seguridad para que puedan interactuar de forma segura con estos drones. La entrega se realiza, para mayor seguridad, sin llegar a aterrizar, por lo que solo depositan el paquete en el jardín de la casa. Lo que no se ha especificado es cómo será este servicio si la vivienda se encuentra en un bloque de pisos. Los drones Wing han adelantado a Amazon, que es su principal rival. Y, además, ahora dentro de su servicio, tiene entrega en diez minutos por el centro de Helsinki. Lo que está por ver es cuándo y cómo llegará su expansión al resto de Europa.
3. Aplicaciones. Parte I 40 A través del ML, Wing es capaz de volar alrededor de otros aviones tanto tripulados como no tripulados, y también de esquivar obstáculos. Los algoritmos empleados de aprendizaje automático sirven de ayuda al dron para encontrar un buen lugar para realizar la entrega. El equipo de Wing está explorando cómo la entrega mediante estos aviones no tripulados puede ser útil en el día a día de las personas si se emplea para transportar comidas, medicamentos e inclusive piezas de repuesto. Este sistema de entrega tiene como ventajas que mejora la velocidad, reduce el coste de transporte y su impacto ambiental (X Company, s.f.). A parte del uso para el transporte de mercancía, los drones se están utilizando principalmente, entre otras aplicaciones, para ayudar a gestionar almacenes y controlar contenedores en los puertos. 3.3 Camiones autónomos La compañía de transportes sueca Einride, después de haber pasado solo tres años desde su fundación, el 15 de mayo de 2019 se convirtió en la primera empresa en el mundo en poner en una carretera publica un camión autónomo sin conductor de seguridad. El camión sin cabina circuló por las carreteras de Suecia para entregar la mercancía (Álvarez, 2019). La empresa sueca apuesta por una transformación por completo de la industria del transporte. A esta transformación la llaman movimiento inteligente, que significa que buscan cero emisiones, cero desperdicios y cero muertes (einride, 2019). Su visión y objetivo sobre el futuro de la movilidad es tener vehículos completamente eléctricos y autónomos para que se puedan automatizar tareas, como en este caso la entrega de mercancía. T-prod es su principal camión, es un camión revolucionario en todos los aspectos. Para empezar, es más pequeño que un camión de carga convencional, pero como es un camión completamente autónomo no tiene cabina, lo que le otorga algo más de capacidad de carga hasta llegar a quince euro-pallets (Álvarez, 2019). El T-pod (Figura 3.3) mide apenas siete metros de largo y soporta hasta veinte toneladas de mercancía para transportar. En su interior cuanta con un motor eléctrico y una batería de doscientos kilovatios hora para una autonomía de hasta doscientos kilómetros por carga, mientras que su velocidad máxima, que está limitada electrónicamente, es de 85 kilómetros por hora (Álvarez, 2019).
Alberto Herrero Moretón 41 Figura 3.3 Camión T-pod de EINRIDE. Fuente: (Álvarez, 2019) Para que la conducción sea autónoma, el T-pod utiliza la plataforma de conducción NVIDIA Drive, que utiliza las herramientas del DL y la IA, a la que la llegan datos a tiempo real procedente de los LIDAR (Laser Imaging Detection and Ranging, Detección y rango de imágenes láser) y de los radares (que mediante un pulso magnético recogen la ubicación y velocidad de los objetos), además de las cámaras capaces de leer las marcas de los carriles y las señales de tráfico. Gracias a esta tecnología se ha convertido en el primer camión en conseguir la certificación de autonomía nivel 4 SAE. Aunque el camión es totalmente autónomo si fuese necesario lo puede controlar un operador humano, el cual podrá supervisar hasta diez camiones a distancia y a la vez. Según Einride, la principal ventaja que tiene el camión T-pod es que reduce aproximadamente un 60% los costes procedentes del transporte de mercancías en comparación con un camión estándar diésel con conductor. Pero, además, al ser eléctrico no emite gases de efecto invernadero ni óxidos de nitrógeno al ambiente, por lo que se convierte en una manera de transportar mercancías de forma rentable y sostenible, además de segura (Álvarez, 2019). La principal desventaja que tiene es que en la actualidad es muy difícil obtener permisos para circular por las vías públicas, por cuestiones de seguridad. Tal es así, que el permiso que obtuvieron para poder circular por Suecia estaba restringido a que circulase a una velocidad máxima de cinco kilómetros por hora. Además, solo le han permitido un desplazamiento corto entre un almacén y una terminal, y siempre manteniéndose en el mismo carril. Este permiso será efectivo hasta finales del año 2020, cuando se evaluarán los resultados. Otro problema sería la destrucción de puestos de trabajo.
3. Aplicaciones. Parte I 42 Desde Einride se pretende negociar nuevos permisos que le permitan circular por nuevas vías públicas. Aunque ellos son una empresa que se encarga del software y de la operación, por lo que buscan fabricantes que les interese adquirir esta plataforma, pretenden contar con 200 T-pod operativos para el 2020, ya que tienen acuerdos con empresas como Lidl y Svenska Retursystem para transportar sus productos. Además, Einride cuenta con otro modelo, el T-log (Figura 3.4), que es una variante del T-pod que mantiene la mayoría de sus especificaciones y tecnología, pero que se centra en el transporte de madera, por lo que existe una diferencia en el diseño para que sea un camión más todoterreno, y que pueda circular por terrenos más difíciles (Álvarez, 2019). Figura 3.4 Camión T-log de EINRIDE. Fuente: (Álvarez, 2019) Existen otros ejemplos de camiones autónomos del estilo, como es el caso del Volvo Vera, que también es un camión autónomo eléctrico y sin cabina, como se aprecia en la Figura 3.5, que tiene una herramienta conectada a la nube que le permite estar controlado en todo momento.
Alberto Herrero Moretón 43 Figura 3.5 Volvo Vera con un contenedor de DFDS. Fuente: (Gutiérrez, 2019) El Volvo Vera está concebido para realizar las tareas repetitivas que se llevan a cabo en los centros logísticos, en las fábricas y en los puertos. Es por ello que Volvo ha llegado a un acuerdo con la empresa naviera danesa DFDS para que el Vera mueva las mercancías de DFDS. El recorrido está limitado a seis kilómetros, la empresa naviera utilizará las cabezas tractoras de Volvo para transportar sus mercancías desde su centro logístico hasta la instalación portuaria de APM Terminals situada en Gotemburgo (Suecia) (Gutiérrez, 2019). A pesar de circular por una carretera abierta en un tramo del recorrido, al ser una ruta de pequeña distancia y a una baja velocidad, la velocidad máxima es de cuarenta kilómetros por hora, hace que su funcionamiento eléctrico sea más que suficiente y además lo convierte en ideal para reducir la contaminación atmosférica y también la contaminación acústica. El objetivo final es generar un flujo de mercancías sin pausa para reducir los tiempos de espera y aumentar la precisión de entrega de cada contenedor, lo que produce un aumento en la eficiencia del proceso y una mejora en la sostenibilidad. A partir de esta experiencia se prevé que se pueda perfeccionar esta tecnología y se vayan perdiendo sus limitaciones para en un futuro próximo realizar otras operaciones de transporte de más potencial (Gutiérrez, 2019). Además de estos ejemplos hay multitud de marcas trabajando en el desarrollo de este tipo de camiones, como el Tesla Semi que es un camión eléctrico, que hereda la tecnología de la conducción autónoma de los coches Tesla, con el que pretenden reducir los costes de un camión diésel convencional en un 20%. Otros ejemplos son los camiones de grupos tan importantes como Daimler o Uber, lo que hace ver que es una realidad y que a medio plazo se impondrán este tipo de transporte.
3. Aplicaciones. Parte I 44 3.4 Optimización del transporte de mercancías por carretera La empresa española Ontruck, es un operador que se dedica al transporte de mercancías por carretera. Con la ayuda de la IA, más concretamente con la ayuda del ML, y también del BI (Business Intelligence, inteligencia de negocio) ha desarrollado unos algoritmos para realizar los cálculos de los precios de forma dinámica para cada servicio, para calcular la ruta que debe seguir la mercancía a partir de los datos de la situación de las carreteras obtenidos a tiempo real y también cálculos para la asignación de las cargas en función del tipo de carga y del transportista. De esta forma, se tiene una mayor capacidad de reacción y se consigue optimizar los precios. Ontruck se sirve de la tecnología del ML para dar a sus clientes, y también a los transportistas, un servicio personalizado además de una gestión de cargas inteligente. Para dar este servicio se apoyan en tecnologías como el GIS (Sistema de Información Geográfica), el geocoding y el ETA (Estimated Time of Arrival, tiempo estimado de llegada), además de los desarrollos propios. El objetivo principal es reducir el número de kilómetros que recorren los vehículos de transporte en vacío, que se estima que alcanza un 40% del total de kilómetros recorridos en el sistema de transporte tradicional, lo que supone un gasto inútil en combustible y una mayor contaminación ambiental (La razón, 2019). Gracias a la optimización de la ruta y de las cargas en Ontruck reducen en un 10% los kilómetros recorridos en vacío, lo que en el año 2018 supuso doscientos setenta y cinco mil litros menos de combustible consumido y unos trescientos noventa mil euros ahorrados. También consiguen reducir las emisiones contaminantes entre un 20% y un 25%, que con su flota de más de dos mil doscientos vehículos en 2018 se dejaron de emitir seiscientas sesenta y cinco toneladas de CO2 a la atmosfera (La razón, 2019). Desde Ontruck están utilizando el ML para más usos, como la optimización de los albaranes de los transportistas. Lo que consiguen es que la transacción sea rápida, simple y segura. Para optimizar este trámite cuentan con un registro digital en el que se almacenan los datos y las facturas de los servicios prestados que se unifican en una única factura que se envía al final de cada mes. Con esto consiguen cobrar antes las facturas. En el sector de la logística externa se está adoptando una mayor digitalización del proceso de la gestión en el transporte de mercancías. Lo que se busca con esta digitalización es ser más eficaces a través de la automatización.
Alberto Herrero Moretón 45 3.5 Robots en logística interna La IA, y más concretamente el DL, están revolucionando la robótica, que se está empleando en todo tipo de tareas. Un claro ejemplo es la tecnología que está utilizando Amazon en alguno de sus centros logísticos, concretamente en veinte centros de Estados Unidos, dos en Reino Unido, uno en Polonia y ahora también en España. Esta tecnología se llama Amazon Robotics y sirve para mejorar la eficiencia de los almacenes (Amazon, s.f.). A estos robots se los conoce como Kiva, ya que Amazon adquirió en 2012 la empresa Kiva Systems que los diseñó y que estaba especializada en almacenes robóticos, y los utilizan para administrar mercancías dentro de los almacenes de Amazon. Su tarea es recoger la estantería, como se puede ver en la Figura 3.6, que contiene el objeto deseado y llevarla a su destino, siempre siguiendo la ruta óptima, ya que pueden tomar decisiones en tiempo real gracias a los algoritmos de DL que potencian su sistema de IA. Cuando llegan al destino el personal humano es el encargado de terminar el proceso. Figura 3.6 Robot transportando una estantería en un almacén de Amazon. Fuente: (Amazon, s.f.) El objetivo de estos robots es ganar eficiencia en el proceso de gestión y clasificación del almacén. Desde Amazon indican que gracias al uso de estos robots han llegado a duplicar la eficiencia, pasando de llevar una gestión y clasificación de hasta setecientos mil artículos al día como máximo a un millón quinientos mil artículos como máximo con los robots que además realizan la tarea con una precisión del 99,99%. Con esto se consigue que el personal humano pueda tratar un número mayor de paquetes (Ros, 2018).
3. Aplicaciones. Parte I 52 Esta coordinación de movimientos se debe al ML y sus algoritmos que hacen aprender al robot de los movimientos del humano a través de las señales obtenidas de los sensores puestos en el brazo de la persona (El País Retina, 2019). Eso sí, el robot recibe los impulsos que emiten los sensores con una cierta latencia, lo que hace que exista un retardo entre el movimiento de la persona y el del robot. Pero en el caso de RoboRaise ese retardo es mínimo, lo que hace que el movimiento sea muy realista y que capacite a estos cobots a trabajar con materias delicadas (Hamadi Mohamed, s.f.).
Alberto Herrero Moretón 53 4. Aplicaciones. Parte II 4.1 Introducción Este capítulo es una continuación de los ejemplos que existen de las aplicaciones que se le están dando actualmente al machine learning y al deep learning en el ámbito de la logística y también en el ámbito de la fabricación. En concreto, en este capítulo se analizarán las aplicaciones de previsión de la demanda, la gestión de inventarios, el control de calidad, el mantenimiento predictivo, las máquinas herramienta, las gafas inteligentes, los chatbotos para su uso en logística y la evaluación y selección de proveedores. 4.2 Previsión de demanda Desde Amazon se ha diseñado un método por el cual se puedan llegar a enviar paquetes de forma anticipada. A este método le han llamado análisis predictivo y tiene como objetivo anticiparse a los pedidos que van a hacer los clientes. El método consta de tres pasos: el primero de ellos es empaquetar uno o varios productos que en ese momento todavía no ha pedido nadie; el segundo paso es enviar el paquete a una zona geográfica determinada, pero sin una dirección concreta; por último, el tercer paso sería cuando el cliente haga el pedido enviar el paquete a la dirección elegida (Manutención y Almacenaje, 2014). La mayor virtud que tiene este método es que se acorta mucho el plazo de entrega del pedido, ya que desde que el cliente hace la compra hasta que le llega a casa con este método pueden pasar solo treinta minutos. Otra ventaja es la mejor gestión que se realiza sobre el inventario. La desventaja está en que mientras no se produzca la compra de esos artículos, que el paquete se queda esperando en los almacenes o en los transportes de las empresas de paquetería (Panaggio, s.f.). La previsión de demanda está basada en los algoritmos predictivos del ML en los que se utilizan los datos extraídos del Big Data, esto hace que se pueda luchar contra la incertidumbre y se mejore la logística en términos de eficiencia y calidad. Por tanto, les sirve a las empresas para tener preparados sus recursos antes del aumento de la demanda. Así, pueden incrementar la producción, controlar el stock o realizar envíos rápidos. También sirve para realizar una gestión predictiva en la supply chain (cadena de suministro) para detectar problemas con las rutas o las cargas y minimizar retrasos. El problema se encontrará en que se produzca un intercambio de datos de forma abierta entre el proveedor logístico y el cliente (Panaggio, s.f.).
4. Aplicaciones. Parte II 54 Es necesario que los métodos que predicen la demanda sean precisos, eficientes, baratos y flexibles al mercado. Es por ello que se ha ido evolucionando de unos métodos de análisis estadístico básicos hacia versiones más complejas con ML y DL, que automatizan la capacidad de aprender de los logaritmos. El verdadero valor de este método está en que las empresas pueden tomar mejores decisiones según sus estrategias, ya que lo que aporta es un conocimiento que las personas tienen que utilizar en la toma de decisiones. En la logística, donde es necesario una gestión eficiente y flexible de los pedidos, rutas y recursos porque son aspectos que repercuten de forma directa en la rentabilidad, predecir la demanda hace que se puedan minimizar los costes operativos y/o mejorar la calidad del servicio. Además de servir en el campo logístico, es muy útil en empresas manufactureras, para ayudar a tomar decisiones sobre cuánto y cuando producir los distintos productos, teniendo en cuenta sus recursos. Por este motivo, implantar un sistema de previsión de demanda hace que aumente la eficiencia y también el control de la producción y la optimización del inventario. Como ventajas se encuentran el poder diseñar una oferta a medida del consumidor, mejorar la gestión del inventario con mayores índices de rotación y menores costes, adelantar como va a estar el próximo flujo de caja para mejorar la estimación de sus presupuestos, tener una previsión de la necesidad de ampliar la plantilla u otros activos para producir lo necesario cuando aumente la demanda, prever los probables fallos de los equipos y organizar el mantenimiento y, por último, detectar impagos o actividades fraudulentas antes de que sucedan y así poder impedirlo o atenuarlo (Decide Soluciones, 2018). Además de todas esas ventajas que ofrece la predicción de la demanda mediante el ML y el DL existen más razones para predecir la demanda de esta manera. Para los métodos tradicionales es muy difícil prever la demanda porque cada vez existe más cantidad y variedad de productos, hay muchas promociones con muchas referencias distintas y, en sectores como el del minorista hay promociones constantes, los productos con muy poca rotación son un problema. La forma tradicional de hacer predicciones necesita de muchas horas y no aporta los mismos resultados, se generan tantos datos que es difícil saber cuáles son los más importantes y, además, cada vez hay más fuentes de datos (Transgesa, 2017). 4.3 Gestión del inventario de almacenes Los operarios de un almacén realizan muchos trayectos en las operaciones que tienen para recoger las piezas requeridas y en esas operaciones se puede perder mucho tiempo si no se conoce dónde está ubicada cada pieza y qué camino óptimo
Alberto Herrero Moretón 55 seguir. Es por ello que solo los trabajadores con mucha experiencia en un mismo almacén son capaces de rendir correctamente. Para reducir el tiempo de esa operación y para que cualquier trabajador rinda de manera eficiente, Fujitsu implementó la arquitectura de computación Digital Annealer, que está inspirada en la computación cuántica. Con la ayuda de las TIC y de la IA, Fujitsu consiguió que estas operaciones fuesen más eficientes, llegando hasta reducir un 45% la distancia recorrida (Fujitsu, s.f.). Desde Fujitsu buscan que sus instalaciones de fabricación produzcan siempre productos de gran calidad y de forma eficiente. También es necesario, para satisfacer al mercado, tener la flexibilidad suficiente para producir poco volumen de una gran variedad de productos. Es por ello que siempre investigan nuevas maneras de aumentar la producción. Para lo que se centraron, entre otras cosas, en buscar e implementar los caminos más óptimos en sus fábricas y almacenes. En los almacenes, los operarios reciben solicitudes de las piezas que necesitan en cada línea de producción, entonces se crea una lista de tiques o partes de entrega (Figura 4.1). Los operarios del almacén van recogiendo las piezas de las estanterías en el orden que figura en la lista. Además, en los partes de las piezas aparece descrito el nombre de la pieza y el número de la estantería en la que se encuentra, entonces ya pueden entregar las piezas. Figura 4.1 Tiques generados y líneas de recorrido sobre un mapa del almacen. Fuente: (Fujitsu, s.f.) Antes de la implementación de este sistema en la lista de tiques no aparecía el orden en que debían ir recogiendo las piezas de las estanterías, que además no tenían un orden alfabético, por lo que los trabajadores no tenían un entorno para ser eficientes en la operación.
4. Aplicaciones. Parte II 56 En los mil metros cuadrados que tiene el almacén, aproximadamente, se guardan unos tres mil productos para hacer frente a una producción con muchas variedades. Ante tanta diversidad de piezas, antes de implementar el sistema era necesario que los personas que trabajasen en el almacén fuesen operarios con experiencia, porque si no se perdía mucho tiempo en la recolección de las piezas (Fujitsu, s.f.). La implementación del sistema con Digital Annealer llevó solo tres meses, desde la selección del almacén hasta la realización de las consultas. Decidieron emplear el servicio de Nube Digital Annealer para apoyar al sistema que disponían de tiques. El sistema es muy simple, para que pueda ser utilizado por cualquier persona, y además es muy eficiente, lo que facilita mucho a los operarios su trabajo. El funcionamiento es muy visual, ya que se muestra el recorrido óptimo en un mapa en una tableta (Figura 4.2), lo que ayuda en mucho a los trabajadores. Figura 4.2 Una tableta muestra la ruta óptima de recogida de piezas en un mapa del almacén. Fuente: (Fujitsu, s.f.) Al mejorar el flujo de los movimientos de los trabajadores se pudo encontrar la posición óptima de pieza, que se colocan en estanterías más próximas a la línea de producción que las reclama. Con este cambio, la ruta es más corta y se consigue un trabajo aún más eficiente. La ventaja principal de la implementación de este sistema es la rapidez con la que se recogen los productos. Además de que no hace falta que los empleados en ese puesto sean personas con una amplia experiencia, lo cual hace que sea más eficiente. Se ha proyectado que la distancia de recolección de piezas, en este almacén, ha sido de un 20% menos cada mes por la utilización de este sistema. Asimismo, el cambio
Alberto Herrero Moretón 57 de ubicación de las piezas supone que se puede llegar a reducir, en total, hasta un 45% la distancia recorrida (Fujitsu, s.f.). La implementación de este sistema se ha llevado a cabo en un solo almacén de la compañía, pero vistos los resultados obtenidos se plantean implantarlo en el resto de almacenes. 4.4 Control de calidad El control de la calidad es un aspecto muy importante en la fabricación, ya que no solo significa que puedas cumplir con las expectativas del cliente, sino que cuanto antes detectes un posible fallo menos dinero y tiempo pierde la empresa. En la empresa Fujitsu tiene una división para el control de la calidad no intrusivo, denominada FAIR (Fujitsu Advanced Image Recognition, Reconocimiento de Imagen Avanzado de Fujitsu). Se trata de una aplicación directa del DL para alcanzar una mayor automatización en todos los procesos de inspección. Ha supuesto una revolución en toda operación que necesite una inspección visual para identificar algún defecto. Y aunque se haya implantado esta automatización del control de calidad no significa que la empresa haya prescindido de todos los operarios que se dedicaban a controlar la calidad, en realidad han mantenido hasta el 80% de ellos para garantizar la calidad mediante inspecciones manuales (Fujitsu, s.f.). Este método es una oportunidad para mejorar y superar los retos de esta operación con la ayuda de la IA. La plataforma está diseñada para trabajar junto con equipos de producción ya existentes, sin necesidad de cambios a nuevos equipos con sistema de captura de imágenes, adaptándose a su entorno y además se puede implantar en la nube mediante una API (Application Programming Interface, Interfaz de programación de aplicaciones). El sistema FAIR aprende a identificar defectos rápidamente a partir de imágenes de los productos, tiene la capacidad de analizar los defectos alcanzando niveles de precisión superiores al 99% y reduciendo el tiempo de inspección en un 80%. Esto libera a los inspectores más expertos para que se centren en temas más importantes y actividades de mayor valor. Mientras tanto, la calidad del producto y la satisfacción del cliente permanece alta y las devoluciones, que son muy costosas, son minimizadas. Las principales ventajas y, por tanto, las principales razones para la implementación de este sistema son: la alta precisión de detección, su capacidad para adaptarse a especificaciones cambiantes del producto, el ahorro de tiempo que supone en esta operación, … además de ser menos costoso. Todo ello se traduce en una mayor satisfacción del cliente (Fujitsu, s.f.).
4. Aplicaciones. Parte II 58 Va un paso más allá en comparación con las capacidades que aportaban otras versiones anteriores de visión artificial. Realiza una auditoría que almacena todos los descubrimientos y decisiones del control de calidad en un informe en PDF en el que además adjunta las imágenes de los defectos. El trabajo de Fujitsu junto a Siemens Gamesa es un ejemplo perfecto de dónde se ha aplicado FAIR satisfactoriamente a través de un proceso de control de calidad crítico. Miles de enormes palas de las turbinas de los molinos eólicos se fabrican anualmente y se inspeccionaban manualmente con ecografías, lo que llevaba mucho tiempo. Con la implementación del FAIR el tiempo de inspección se ha reducido en un 75 %. Otro ejemplo muy importante de esta aplicación es el uso que se le da en la siderurgia, como en la empresa Aceros Inoxidables Olarra que utilizan el sistema automatizado SURFIN-Surface Inspection, desarrollado junto a Tecnalia, que sirve para inspeccionar superficies y controlar la calidad en procesos de línea continua en caliente, pero también sirve para sistemas fríos, y consigue detectar defectos en la superficie, como grietas, pliegues, marcas de rayado, agujeros, rodillos, marcas, etc. Olarra es una empresa líder en el sector siderúrgico que se dedica a fabricar producto largo de acero inoxidable. Después de expandirse por el mercado europeo y japonés necesitaba mejorar sus productos a través del sistema de control de calidad de superficies para controlar el producto final. La solución la obtuvo de esta aplicación del DL que les ha permitido inspeccionar la superficie en caliente en el mismo tren de laminación donde se fabrica, a más de mil grados centígrados, distintos productos como barras de acero inoxidable, laminados y alambrón. Esta herramienta es muy flexible y cuanto más tiempo pasa implementada más aprende y más mejora la calidad del producto. Su control se basa en un modelo de más de cincuenta variables, como la elongación o la textura, entre otros. Clasifica los fallos por categorías, creando nuevas categorías en el caso que no pertenezca a ninguna existente. Además, mejora las curvas de control, algo muy crítico en el sistema, para aceptaciones y rechazos falsos de los productos (Grupo SPRI, 2017). Por tanto, el DL ha revolucionado su proceso productivo, ya que antes las inspecciones las llevaban a cabo personas en condiciones de muy alta temperatura y también ha mejorado la calidad de la fabricación. Ha permitido tener un control de las distintas áreas y de los acabados a unas velocidades que oscilan entre uno y cien metros por segundo. El proceso consiste en visualizar la superficie total y, si detecta algún posible defecto, avisa y marca su trazabilidad. Todas las ventajas que ofrece este sistema, que el control de calidad sea preciso y eficiente y una completa trazabilidad del proceso, hacen que se conozca más el proceso y el producto. También ayuda en la posibilidad de realizar un mantenimiento predictivo de las máquinas (Grupo SPRI, 2017).
Alberto Herrero Moretón 59 4.5 Mantenimiento predictivo Una aplicación del ML que se está utilizando bastante en la industria es en el mantenimiento predictivo. Esta actividad es muy importante porque tener un mantenimiento predictivo sirve para detectar las inestabilidades de los sistemas antes de que ocasionen alguna interrupción en las operaciones y pueda ser arreglado antes de que afecte a la producción (Reduces downtime and increases productivity, s.f.). Un ejemplo sería lo que realizan en Fujitsu como parte de la transformación que supone la industria 4.0 y el cambio de sus fábricas hacia fábricas inteligentes, se han apoyado en el ML y el Big Data para generar un cambio en el proceso de mantenimiento. Según se van tomando medidas por los fabricantes para que el mantenimiento predictivo sea más proactivo y se base en ello la forma de monitorear el mantenimiento, se pasa a aprovechar todas las ventajas que ofrece este tipo de mantenimiento. Las principales ventajas del mantenimiento predictivo son el menor tiempo empleado, reducción de costes y se predecirán antes los posibles problemas, evitando así que se produzcan y causen desperdicios y tiempos de inactividad. Menos incidentes y parones se traduce en menos costes para la empresa y en un aumento de la productividad de la fábrica (Reduces downtime and increases productivity, s.f.). En el caso concreto de la empresa Fujitsu, su mantenimiento predictivo es un pilar fundamental dentro de sus soluciones para optimizar su fábrica en su sistema basado en la nube. Sus ingenieros supervisan activamente todo su sistema para predecir posibles fallos y que se resuelvan antes de que aparezcan y den problemas reales. Otro ejemplo podría ser la solución que ofrece la empresa Nunsys a sus clientes. Se trata de unos modelos predictivos basados en el ML para el tratamiento de los valores registrados. El proyecto de mantenimiento predictivo que ofrecen consta de cuatro fases, con el que son capaces de hacer predicciones en unos seis meses desde el comienzo de su implantación. La primera fase es la monitorización basada en la condición, que sirve para determinar el estado de las máquinas en pleno funcionamiento mediante la implementación de unos sensores. Lo que buscan con esta fase es minimizar tiempo en el que las máquinas estén paradas, para lo que implantan un sistema de pronta detección de errores, intentan minimizar las actividades innecesarias de mantenimiento y mejorar los procesos productivos (Nunsys, s.f.).
4. Aplicaciones. Parte II 60 En esta fase se debe primero analizar toda la maquinaria, identificando los elementos que componen a cada máquina, para entender su funcionamiento y poder establecer unos límites de trabajo óptimo a cada una de las máquinas. Después, se debe seleccionar los sensores que van en cada máquina y ubicarlos correctamente, puesto que un sensor mal ubicado puede no servir de nada. Para finalizar, con esta fase se debe monitorizar mediante una plataforma, MLPredictive en el caso de Nunsys, donde se observará el estado de los parámetros de cada máquina, la relación entre variables, los límites óptimos, las alarmas y muchos más datos de forma que se pueda ver la información relevante de manera rápida y clara. La segunda fase es la detección de anomalías. A partir de la información captada por los sensores y los límites de trabajo establecidos para cada máquina, la plataforma te avisa de si se produce algún comportamiento raro y si alguna máquina sufre alguna avería puntual (Nunsys, s.f.). Es común que salten falsas alarmas porque alguna máquina haya sobrepasado algún límite de trabajo óptimo, lo que hace que se pierda tiempo y esfuerzo en un mantenimiento innecesario. Es por ello que mediante un análisis de los datos registrados y la aportación del personal de mantenimiento se definen las anomalías de cada máquina. Pero esto no es una solución definitiva; se requiere el uso del ML para detectar patrones de comportamientos atípicos, aunque esos valores se encuentren dentro de los límites de trabajo. Con esto se identifican comportamientos anómalos con respecto a su evolución en el tiempo, a su relación con otros parámetros o un comportamiento estacional. La tercera fase es el mantenimiento predictivo. Se basa en el ML y el DL para detectar irregularidades y futuras averías a tiempo real. Está caracterizado por tener la capacidad de personalizar el modelo por máquina, turno o producto (Nunsys, s.f.). Los modelos de predicción creados, en este sistema, predicen las averías por componentes entre uno y siete días antes de que aparezcan. También identifica la causa más probable del fallo y recomienda las acciones que se podrían llevar a cabo para solucionar el problema. Con todo esto se optimiza la producción y se minimizan los tiempos de inactividad de las máquinas. El mayor problema para obtener un alto porcentaje de acierto se encuentra en contrastar bien el histórico de datos y los datos actuales. Para que esto no sea un problema hay que tener en cuenta las condiciones de funcionamiento, el histórico de averías, el de reparaciones y mantenimiento. La cuarta y última fase es la evaluación de resultados. Para ello, se utilizan algunas técnicas como integrar la información obtenida del mantenimiento con las previsiones de averías y recomendar actuaciones contra averías gracias al tratamiento de la información no estructurada.
Alberto Herrero Moretón 61 También hay que realizar un seguimiento de las predicciones hechas para asegurarse que se cumplen los objetivos marcados y garantizar tanto el autoaprendizaje de los modelos como la mejora continua. Algunas técnicas que se emplean para el mantenimiento predictivo, según la empresa y las máquinas que utilice, son las siguientes: análisis de vibración, inspección visual, ultrasonidos, termografía, análisis de lubricantes, medición de temperatura, medición de presión, inspección radiográfica, partículas magnéticas, impulsos de choque y líquidos penetrantes. Los beneficios de este tipo de mantenimiento son, principalmente: la detección de anomalías, la predicción de averías, la optimización del mantenimiento, el cálculo de la vida útil, la reducción de tiempos muertos por paradas y la visualización del estado de los elementos en tiempo real (Nunsys, s.f.). 4.6 Máquinas herramienta En la actualidad, el ML se está aplicando a una pequeña variedad de máquinas herramientas. En el grupo FANUC, un líder a nivel mundial en la automatización industrial, encontramos varios ejemplos. El primer ejemplo que encontramos es un desarrollo en AI Servo Tuning con lo que han creado el AI Feed Forward para conseguir realizar un mecanizado de muy alta precisión, velocidad y calidad (preferred, 2018). Lo que consigue utilizando el ML es adecuar todos los parámetros de los servomotores de la máquina. El controlador de avance AI Feed Forward consigue representar las características mecánicas con una mayor precisión. Es un modelo complejo, por lo que no conviene realizar un ajuste manual con la gran cantidad de parámetros que tiene. A través del ML se consigue precisar los parámetros de este controlador de avance (preferred, 2018). Su principal ventaja es la mejora en la calidad del mecanizado, y esto lo consigue reduciendo la vibración mecánica originada por los servomotores de la máquina cuando aceleran o desaceleran. En la Figura 4.3 se puede apreciar en las gráficas la mejora en la respuesta al evitar la vibración de baja frecuencia de los servomotores.
5. Estudio económico 68 Después, se encuentra el Ingeniero en Organización Industrial, que es el responsable de las tareas de documentación, diseño y confección del proyecto. Esta persona lleva a cabo el trabajo más complejo, que es la búsqueda de información, estructuración, redacción y corrección de los documentos pertinentes para cumplir con las especificaciones marcadas y los objetivos finales. El ingeniero está en contacto, habitualmente, con el director del proyecto para realizar consultas técnicas e informar del progreso y los avances realizados en el trabajo. Además, se precisa de una persona encargada de las funciones burocráticas; se trata del Auxiliar administrativo. Esta persona tiene como función la gestionar los documentos de la empresa, la realización de los contratos del personal, el alquiler de los servicios requeridos, la tramitación de permisos y licencias, la compra de materiales, etc. 5.3 Definición de las fases El presente TFG basado en el estudio de las aplicaciones del Machine Learning y Deep Learning en el ámbito de la logística y de la fabricación se ha estructurado, para su elaboración, en las etapas representadas en la Figura 5.2. Figura 5.2 Fases de la elaboración del proyecto La primera etapa corresponde a la planificación inicial del proyecto; en ella, se definen los recursos disponibles, se organizan los procesos y tareas a realizar, se establecen plazos y tiempos de entrega y se pone en marcha la metodología de trabajo en el TFG. Seguidamente, tiene lugar la recopilación de información, la búsqueda de datos, referencias y material acerca del tema, en cualquier tipo de fuente fiable y veraz. La tercera y última etapa consiste en plasmar toda la información relevante al estudio, fiable y con la que se cumplan los objetivos marcados, en una memoria teórica para entregar al cliente, que contiene toda la información necesaria para el entendimiento del proyecto.
Alberto Herrero Moretón 69 5.4 Análisis económico En este apartado se lleva a cabo la valoración económica del presente TFG a partir de todos los recursos necesarios para su desarrollo. En la evaluación económica se tienen en cuenta una relación de los costes asociados a los siguientes apartados: personal, amortizaciones de los equipos informáticos, materiales consumibles y servicios indirectos del proyecto. Se analiza cada una de esas partes de forma individual con el objetivo de conocer la influencia que tiene cada una de ellas sobre el valor final del estudio. 5.4.1 Horas efectivas y tasas horarias del personal En esta sección se obtienen las tasas por hora y por semana de cada uno de los profesionales que participan en la realización de este proyecto, para la valoración de los costes asociados al personal. Inicialmente, se determina la cantidad de horas efectivas por trabajador para la realización de un TFG de este tipo (Tabla 5.1), a lo largo del segundo período del curso, que consta de los meses de febrero, marzo, abril, mayo y junio. Tabla 5.1 Cálculo de días y horas hábiles Concepto Valor Fecha de inicio 04/02/2019 Fecha de fin 28/06/2019 Número de días 148 Sábados y Domingos 40 Días no laborables 8 Total días hábiles 100 Total Horas efectivas 800 A partir de los sueldos estándar asociados a cada uno de los empleados que forman parte del proyecto en un período de 5 meses y de las horas efectivas de trabajo determinadas se calculan las tasas de cada empleado por hora (Tabla 5.2). Tabla 5.2 Cálculo de coste del personal por hora Concepto Dir. Proyecto Ingeniero Aux. Admin. Salario mensual (€) 3.100 1.900 1.500 Salario 5 meses (€) 15.500 9.500 7.500 Seguridad Social (35%) 5.425 3.325 2.625 Coste Total (€) 20.925 12.825 10.125 Coste (€/h) 26,16 16,03 12,66
5. Estudio económico 70 5.4.2 Amortizaciones del equipo informático En la Tabla 5.3 se recogen los costes asociados a los equipos informáticos. Solo se amortiza el hardware, porque el software viene incluido en el hardware en este caso, necesario para la elaboración del TFG. El período de amortización considerado de los de equipos informáticos es de 5 años, con una cuota lineal. La amortización de los equipos en este proyecto será la proporcional a los 5 meses de duración respecto del total de un año. Tabla 5.3 Cálculo de la amortización de los equipos informáticos Concepto Coste (€/unid.) Unidades Coste Total (€) Ordenador portátil Asus X541U 550 1 550 Impresora HP OfficeJet 3833 45 1 45 Total a Amortizar 595 Tipo Número Amortización (€) Anual 5 años 119 Mensual 5 meses 49,58 La cantidad total a amortizar, durante el período de 5 meses de elaboración del TFG, correspondiente a los equipos informáticos adquiridos es de 49,58 €. 5.4.3 Coste del material consumible Los materiales consumibles utilizados en la elaboración de un proyecto de estas características se detallan en la Tabla 5.4. A partir del consumo medio por persona de los mismos se determina el coste del material consumible de 0,15 € por persona y hora de trabajo. Tabla 5.4 Cálculo de costes de material consumible por trabajador y hora Concepto Coste (€) Papel impresora 60 Suministros impresora 180 Papelería y Reprografía 130 TOTAL 370 Coste total (€/persona) 123,33 Coste (€/persona*hora) 0,15
Alberto Herrero Moretón 71 5.4.4 Costes indirectos Los costes indirectos asociados a la elaboración del proyecto se refieren a los consumos de servicios básicos, como electricidad, agua, calefacción, el alquiler del local amueblado para establecer la oficina, el contrato de servicios de teléfono e internet, entre otros. En la Tabla 5.5 se determina el coste total, 5.625 €, correspondiente a los servicios necesarios durante los 5 meses de elaboración del TFG. Tabla 5.5 Cálculo de costes indirectos de servicios Concepto Coste (€/mes) Coste 5 meses (€) Alquiler local (100m2) 750 3.750 Teléfono e Internet 50 250 Electricidad, agua y calefacción 225 1.125 Otros 100 500 Total (€) 5.625 5.4.5 Tiempos asociados a cada fase del proyecto En la Tabla 5.6 se especifican los tiempos de dedicación, de cada uno de los empleados, necesarios para la elaboración de las diferentes fases del proyecto. Esta segregación de los tiempos dedicados a cada una de las fases permite determinar el coste derivado de las mismas sobre el total del proyecto. Por ello, se calcula la relación de horas que representa cada fase sobre el total del TFG. Tabla 5.6 Cálculo de las horas de trabajo necesarias por cada empleado para la elaboración del TFG Personal 1ª Fase 2ª Fase 3ª Fase Dir. Proyecto 40 40 120 Ingeniero 35 280 95 Aux. Admin. 10 10 45 TOTAL (horas/fase) 85 330 260 TOTAL (horas) 675 Relación (%fase/total) 12,59 % 48,89 % 38,52 % 5.5 Costes asignados a cada fase del proyecto Los costes de recursos asignados a cada fase del proyecto se calculan a partir de los tiempos de dedicación correspondientes de cada uno de los empleados y de los costes establecidos en el apartado anterior. Así, el coste estimado total referente a cada una de las etapas está formado por el coste de personal, el coste de material consumible, la amortización de los equipos informáticos, y el coste de servicios indirectos de la organización. Los costes de
5. Estudio económico 72 servicios indirectos y amortización, al ser una cantidad mensual fija, se asignan en cada una de las fases de forma proporcional al número de horas dedicadas a cada etapa respecto del total de horas de proyecto. 5.5.1 Planificación inicial En la etapa de planificación inicial intervienen el director del proyecto y el ingeniero en organización industrial para establecer la metodología de trabajo a seguir, definir los objetivos, organizar los recursos y estructurar el proyecto. El administrativo, además, comienza la gestión burocrática del proyecto. Los costes parciales derivados de esta etapa se recogen en la Tabla 5.7. Tabla 5.7 Cálculo de coste total asociado a la 1ª FASE Concepto Horas Coste (€/h) COSTE (€) Personal Dir. Proyecto 40 26,16 1.046,4 Ingeniero 35 16,03 561,05 Administrativo 10 12,66 126,6 Mat. Consumible Varios 85 0,15 12,75 Cantidad Porcentaje (%) Coste (€) Amortización Equip. Inform. 49,58 12,59 6,24 Costes Indirectos Servicios 5625 12,59 708,19 COSTE TOTAL 1ª FASE 2.461,23 5.5.2 Recogida de información Esta segunda fase es la principal de proyecto y en ella participan todos los trabajadores, aunque el mayor peso recae sobre el ingeniero, que se encarga de todo el proceso de investigación y búsqueda de documentación en multitud de fuentes. El director y el personal administrativo intervienen de forma eventual, ayudando en algún asunto o resolviendo posibles inconvenientes. Esta etapa implica los costes parciales mostrados en la Tabla 5.8.
Alberto Herrero Moretón 73 Tabla 5.8 Cálculo de coste total asociado a la 2ª FASE Concepto Horas Coste (€/h) COSTE (€) Personal Dir. Proyecto 40 26,16 1.046,4 Ingeniero 280 16,03 4.488,4 Administrativo 10 12,66 126,6 Mat. Consumible Varios 330 0,15 49,5 Cantidad Porcentaje (%) Coste (€) Amortización Equip. Inform. 49,58 48,89 24,24 Costes Indirectos Servicios 5625 48,89 2.750,06 COSTE TOTAL 2ª FASE 8.485,2 5.5.3 Elaboración de la documentación En la última fase, para la escritura, revisión y aprobación de los documentos necesarios del proyecto se requiere una alta intervención en el trabajo por parte de todos los empleados. Los costes de esta fase se reflejan en la Tabla 5.9. Tabla 5.9 Cálculo de coste total asociado a la 3ª FASE Concepto Horas Coste (€/h) COSTE (€) Personal Dir. Proyecto 120 26,16 3.139,2 Ingeniero 95 16,03 1.522,85 Administrativo 45 12,66 569,7 Mat. Consumible Varios 260 0,15 39 Cantidad Porcentaje (%) Coste (€) Amortización Equip. Inform. 49,58 38,52 19,1 Costes Indirectos Servicios 5625 38,52 2.166,75 COSTE TOTAL 3ª FASE 7.456,6 5.6 Resultados finales En este punto se evalúan los resultados obtenidos del análisis económico, refiriéndose a tiempo de dedicación y costes asociados. En la Tabla 5.10 se observa el resumen de ambos parámetros para cada una de las etapas del proyecto y los valores finales obtenidos.
5. Estudio económico 74 Tabla 5.10 Resumen de resultados finales de horas de dedicación y coste total Fases Tiempo (horas) Coste (€) 1ª – Planificación inicial 85 2.461,23 2ª – Recogida de información 330 8.485,2 3ª – Elaboración de la documentación 260 7.456,6 TOTAL 675 18.403,03 El tiempo total invertido para la elaboración del presente TFG se obtiene como resultado de la suma de tiempos de todas las fases del mismo y da un total de 675 horas. En la Figura 5.3 se puede apreciar cómo queda repartido el tiempo empleado en cada fase en tanto por ciento. Figura 5.3 Representación de tiempos de cada fase sobre el total del TFG Era previsible que aproximadamente la mitad del tiempo necesario para elaborar el TFG ha sido empleado en la fase de Recogida de información, puesto que requiere de una búsqueda exhaustiva y leer muchas fuentes hasta que encuentras la información que quieres y necesitas. Después, la fase de Elaboración de la documentación también ocupa mucha parte del tiempo. Por último, la Planificación inicial, como es lógico, lleva menos tiempo, pero sin la cual se habría tardado más en el resto de fases. El cálculo del coste total se obtiene como consecuencia de sumar los costes parciales de cada una de las fases y, finalmente, el TFG supone un coste total de 18.403,03 €. En la Figura 5.4 se puede apreciar cómo queda repartido el coste empleado en cada fase en tanto por ciento. 13% 49% 38% TIEMPO POR FASE (%HORAS) 1ª Fase - Planificación inicial 2ª Fase - Recogida de información 3ª Fase - Elaboración de la documentación TIEMPO TOTAL TFG: 675 HORAS
Alberto Herrero Moretón 75 Figura 5.4 Representación de costes de cada fase sobre el total del TFG En el gráfico anterior se puede ver claramente como el coste por fase se ajusta mucho al tiempo empleado en cada fase, siendo los porcentajes casi idénticos a los del tiempo empleado por fase. Para finalizar, en la Figura 5.5 se visualiza la distribución del coste total, en porcentajes, entre los distintos gastos contemplados en el punto 5.4 Análisis económico. Figura 5.5 Representación de los diferentes tipos de coste sobre el total del TFG 13% 46% 41% COSTE POR FASE (%) 1ª Fase - Planificación inicial 2ª Fase - Recogida de información 3ª Fase - Elaboración de la documentación COSTE TOTAL TFG: 18.403,03 € 28% 35% 4% 2% 1% 30% COSTE POR CATEGORÍA DE GASTO (%) Personal - Dir. Proyecto Personal - Ingeniero Personal - Administrativo Material consumible - Varios Amortización - Equipo informático Costes Indirectos - Servicios COSTE TOTAL TFG: 18.403,03 €
5. Estudio económico 76 Con el anterior gráfico se comprueba que las fuentes de los mayores costes son los salarios tanto del Ingeniero como del Director del proyecto que son los que desarrollan casi todo el trabajo. El otro coste importante, que destaca de manera significativa, es el coste indirecto procedente del alquiler de la oficina y de los servicios contratados. El coste final de realización del TFG, Tabla 5.11, es resultado de aplicar al coste total del trabajo un porcentaje del 25% de beneficio para la empresa y un porcentaje del 21% de impuestos pertenecientes al IVA. Dando un coste final del TFG de 25.771,03 €. Tabla 5.11 Coste Final del TFG con beneficios e impuestos Coste 18.403,03 € Beneficio (25%) 4.600,76 € I.V.A. (21%) 3.864,64 € COSTE TOTAL DEL TFG 26.868,43 €
Alberto Herrero Moretón 77 Conclusiones y líneas futuras Conclusiones La primera conclusión de esta memoria es que se ha conseguido mostrar, mediante ejemplos reales, las aplicaciones del machine learning y deep learning en el campo de la logística y la fabricación. Analizando cada ejemplo acerca de lo que aporta cada una de las aplicaciones, se han podido extraer una serie de conclusiones. La apuesta por los drones es muy fuerte en el mundo de la logística, aunque esa primera apuesta la han realizado las empresas más grandes. Poco a poco serán más utilizados y se convertían en medios de entrega muy comunes. El mayor problema que presentan los drones es el problema de seguridad, y es por eso que a las grandes empresas que han desarrollado esta tecnología les está costando obtener los permisos de vuelo, porque los países quieren asegurarse que no van a causar un peligro para la sociedad. Estos aparatos son muy interesantes para la logística porque reducen mucho los tiempos de entrega, además de reducir el coste y el impacto ambiental del transporte. Por su parte, los camiones autónomos también son de gran interés en el mundo de la logística. Han seguido los pasos del coche autónomo, solo que, en los camiones están destinados al transporte de mercancía. Estos camiones tienen la misma problemática que los drones y es que, al circular solos, y además con carga, pueden convertirse en un peligro público; esta es la razón principal por la que las autoridades ponen muchas trabas para permitir su libre circulación. Se necesita una seguridad absoluta que no van a ser un foco de problemas. Otro problema es que, al optar por camiones eléctricos, su autonomía es reducida, al igual que los puntos de recarga. Los camiones autónomos tienen la ventaja que se adaptan a las circunstancias y siempre optan por el camino más óptimo, por lo que reducen el tiempo de entrega. Además, se están imponiendo los vehículos eléctricos, que evitan la contaminación durante el transporte. Y en el caso de ser camiones 100% autónomos, las empresas se ahorran el sueldo del conductor. La optimización en el transporte es una aplicación que va a costar menos de aplicar en las empresas logísticas que las medidas de los drones o los camiones autónomos. Esto es debido a que no necesitan hacer muchos cambios, pueden seguir usando su flota de camiones y continuar con sus camioneros. Con los cálculos de ruta de la optimización del transporte se consiguen entregas más rápidas, menos costes en combustible y, por tanto, menor contaminación.
Bibliografía 84 Hashem, I. A., Yaqoob, I., Anuar, N. B., Mokhtar, S., Gani, A., & Khan, S. U. (2015). The rise of “big data” on cloud computing: Review and open research issues. Information systems, 47, 98-115. Indra. (2018, Noviembre 29). NDRA APUESTA POR LOS DRONES PARA TRANSFORMAR LA LOGÍSTICADEL FUTUROY POTENCIAR EL REALISMO EN LA SIMULACIÓN. Retrieved Junio 8, 2019, from Indra company: https://www.indracompany.com/sites/default/files/181129_np_indra_id_cu i_smart_logisitic_y_simulacion.pdf Industria 4.0 en Alemania. (s.f.). Ecosistemas Enred. Retrieved Abril 19, 2019, from Ecosistemas Enred: http://www.ecosistemasenred.com/industria-40en-alemania.html Instituto Geográfico Nacional. (n.d.). Distribución de la industria española. Retrieved Mayo 17, 2019, from Portal Web Instituto Geográfico Nacional: https://www.ign.es/espmap/industria_bach.htm Instituto Nacional de Estadística. (2019, Mayo 9). Índices de Producción Industrial - Mayo 2019. Retrieved Mayo 18, 2019, from Instituto Nacional de Estadística: https://www.ine.es/dyngs/INEbase/es/operacion.htm?c=Estadistica_C&cid =1254736145519&menu=ultiDatos&idp=1254735576715 Jorrín, J. G. (2019, Febrero 13). La producción industrial europea vive su peor momento en nueve años: cae un 4,2%. Retrieved Mayo 15, 2019, from El Confidencial: https://www.elconfidencial.com/economia/2019-0213/produccion-industrial-europea-peor-caida-nueve-anos_1822722/ Joyanes Aguilar, L. (2012). COMPUTACIÓN EN LA NUBE: Notas para una estrategia española en cloud computing. Revista del Instituto Español de Estudios Estratégicos (00), 89-112. Joyanes Aguilar, L. (2017). Ciberseguridad: la colaboración público-privada en la era de la cuarta revolución industrial (Industria 4.0 versus ciberseguridad 4.0). Cuadernos de estrategia(185), 19-64. Retrieved Abril 26, 2019 Joyanes Aguilar, L. (2018). Industria 4.0: la cuarta revolución industrial. Barcelona: Marcombo. Kessler, S. (2017, Abril 7). QUARTZ. Retrieved Junio 25, 2019, from QUARTZ: https://qz.com/952240/righthand-robotics-has-automated-a-new-type-ofwarehouse-work-that-could-help-amazon-amzn/ La razón. (2019, Marzo 20). IA y ‘machine learning’ para optimizar el transporte de mercancías por carretera. Retrieved Junio 15, 2019, from INNOVADORES: https://innovadores.larazon.es/es/not/ia-y-y-machinelearning-para-optimizar-el-transporte-de-mercancias-por-carretera
Alberto Herrero Moretón 85 Lazala Rosario, N. M. (2011, Diciembre 18). EOI Escuela de Organización Industrial. Retrieved Mayo 7, 2019, from EOI Escuela de Organización Industrial: https://www.eoi.es/blogs/nayellymercedeslazala/2011/12/18/leanmanufacturing-y-sus-herramientas/ Macario Gañán, A. (2018, Enero 31). Análisis de la industria en España. Retrieved Mayo 15, 2019, from andresmacario: https://andresmacario.com/analisisde-la-industria-en-espana/ Manutención y Almacenaje. (2014, Enero 22). Retrieved Junio 25, 2019, from Manutención y Almacenaje: https://www.manutencionyalmacenaje.com/Articulos/236584-Amazonpatenta-un-metodo-de-anticipacion-a-la-compra.html Ministerio de industria, comercio y turismo. (n.d.). Industria Conectada 4.0. Retrieved Mayo 17, 2019, from Industria Conectada 4.0: https://www.industriaconectada40.gob.es/Paginas/index.aspx Monden, Y. (2007). El Just in Time hoy en Toyota. Bilbao: Deusto S.A. Ediciones. Monleón-Getino, A. (2015). El impacto del Big-data en la Sociedad de la Información. Significado y utilidad. Historia y Comunicación Social, 20(2), 427-445. doi:https://doi.org/10.5209/rev_HICS.2015.v20.n2.51392 Munera, I. (2018, Julio 15). El Mundo. Retrieved Mayo 14, 2019, from El Mundo: https://www.elmundo.es/economia/2018/07/15/5b47a5af468aeb7e7c8b459 3.html Nunsys. (n.d.). Mantenimiento predictivo. Retrieved Julio 4, 2019, from Nunsys: https://www.nunsys.com/mantenimiento-predictivo/ O'Grady, P. J. (1992). Just-in-time: una estrategia fundamental para los jefes de producción. Madrid: McGraw-Hill. Olivares, J. (2017, Marzo 9). Una Europa industrial común. Retrieved Mayo 15, 2019, from El Mundo: https://www.elmundo.es/opinion/2017/03/09/58c04a5ce5fdead45f8b45b1. html Pacheco, J. (2018, Abril 16). Heflo. Retrieved Mayo 7, 2019, from Heflo: https://www.heflo.com/es/blog/mejora-de-procesos/herramientas-lean/ Padilla, L. (2010, Enero 15). LEAN MANUFACTURING MANUFACTURA ESBELTA/ÁGIL. Revista Ingeniería Primero(15), 64-69. Panaggio, M. (n.d.). OBS Business School. Retrieved Junio 26, 2019, from OBS Business School: https://www.obs-edu.com/es/bloginvestigacion/logistica/logistica-anticipada-un-desafio-de-colaboracion
Bibliografía 86 Pereira, A., & Romero, F. (2017). A review of the meanings and the implications of the Industry 4.0 concept. Procedia Manufacturing, 13, 1206-1214. Pérez, E. (2019, Abril 10). Xataka. Retrieved Junio 11, 2019, from Xataka: https://www.xataka.com/drones/drones-mensajeros-realidad-googleproject-wing-inician-australia-primer-servicio-comercial-mundo Peterson, H. (2019, Junio 6). Business Insider España. Retrieved Junio 25, 2019, from businessinsider: https://www.businessinsider.es/pegasus-nuevorobot-amazon-centros-logisticos-video-433617 PowerData. (s.f.). Big Data: ¿En qué consiste? Su importancia, desafíos y gobernabilidad. Retrieved Abril 20, 2019, from PowerData: https://www.powerdata.es/big-data preferred. (2018, Abril 16). FANUC’s new AI functions utilizing machine learning and deep learning. Retrieved Julio 7, 2019, from Preferred Networks: https://www.preferred-networks.jp/en/tag/fanuc Rasero, T. (2019, Abril 7). Cinco Días. Retrieved Mayo 16, 2019, from Cinco Días: economía y mercados: https://cincodias.elpais.com/cincodias/2019/04/05/economia/1554490959_ 904197.html Reduces downtime and increases productivity. (n.d.). Fujitsu. Retrieved Julio 3, 2019, from Fujitsu: https://www.fujitsu.com/global/solutions/industry/manufacturing/predictiv e-maintenance/ rethink robotics. (n.d.). Retrieved Julio 5, 2019, from rethink robotics: https://www.rethinkrobotics.com/sawyer rethink robotics. (n.d.). Retrieved Julio 5, 2019, from rethink robotics: https://www.rethinkrobotics.com/sawyer/applications#c68 rethink robotics. (n.d.). Retrieved Julio 5, 2019, from rethink robotics: https://www.rethinkrobotics.com/sawyer/industries RE-WORK. (2017, Mayo 12). medium. Retrieved Junio 21, 2019, from Medium Corporation: https://medium.com/@teamrework/deep-learning-inproduction-warehousing-with-amazon-robotics-571e69fea721 Rey Sacristán, F. (2001). Mantenimiento total de la producción (TPM): proceso de implantación y desarrollo. Madrid: FC Editorial. righthandrobotics. (n.d.). Retrieved Junio 25, 2019, from righthandrobotics: https://www.righthandrobotics.com/ Rioja2. (2017, Diciembre 11). Industria 4.0: Indagando en la historia moderna. Retrieved Abril 10, 2019, from rioja2: https://www.rioja2.com/n-115584-2industria-40-indagando-en-la-historia-moderna/
Alberto Herrero Moretón 87 Roel Pineda, V. (1998). La tercera revolución industrial y la era del conocimiento. UNMSM. Ros, I. (2018, Octubre 20). muycanal. Retrieved Junio 20, 2019, from muycanal: https://www.muycanal.com/2018/10/20/amazon-eficiencia-robots-kiva SAP. (s.f.). Retrieved Abril 17, 2019, from SAP: https://www.sap.com/spain/trends/internet-of-things.html SAP. (s.f.). ¿Qué es Internet de las Cosas (IoT)? Retrieved Abril 17, 2019, from SAP: https://www.sap.com/spain/trends/internet-of-things.html SAS. (s.f.). Aprendizaje automático. Qué es y por qué es importante. Retrieved Mayo 6, 2019, from SAS: https://www.sas.com/es_es/insights/analytics/machine-learning.html SAS. (s.f.). Deep Learning. Qué es y por qué es importante. Retrieved Mayo 6, 2019, from SAS: https://www.sas.com/es_es/insights/analytics/deeplearning.html Schwab, K. (2016). La cuarta revolución industrial. Debate. Schwab, K. (2016). The fourth industrial revolution. New York: Crown Business. Sorli, M., & Ruiz, J. (1994). QFD: una herramienta de futuro. Centro de Investigacion Tecnológica. Sundar, R. B. (2014). A Review on Lean Manufacturing Implementation Techniques. Procedia Engineering, 97, 1875-1885. Tam, D. (2014, Diciembre 2). cnet. Retrieved Junio 22, 2019, from cnet: https://www.cnet.com/es/noticias/conoce-al-robot-kiva-el-hacendosoempleado-de-amazon/ Torreblanca Díaz, D. (2016). Tecnologías de Fabricación Digital Aditiva, ventajas para la construcción de modelos, prototipos y series cortas en el proceso de diseño de productos. Iconofacto, 12(18), 118-143. Transgesa. (2017, Diciembre 18). Retrieved Junio 28, 2019, from Transgesa: https://www.transgesa.com/blog/machine-learning-y-logistica/ UNIDAD II IMPACTO DEL CLOUD. (2015, Marzo 26). Impacto del Cloud. Retrieved Abril 27, 2019, from Impacto del Cloud: http://unidad2impactodelcloud.blogspot.com/2015/03/definicion-ellaboratorio-de.html Uriarte, J. M. (2017, Septiembre 27). Segunda Revolución Industrial. Retrieved Mayo 22, 2019, from Caracteristicas.co: https://www.caracteristicas.co/segunda-revolucion-industrial/ Wahab, A. N. (2013). A Conceptual Model of Lean Manufacturing Dimensions. Procedia Technology, 11, 1292-1298.
Bibliografía 88 WIGGERS, K. (2019, Junio 5). venturebeat. Retrieved Junio 25, 2019, from venturebeat: https://venturebeat.com/2019/06/05/amazon-says-its-newpegasus-fulfillment-center-robot-improves-throughput-by-50/ Wilke, J. (2019, Junio 5). dayone. Retrieved Junio 10, 2019, from Day One: The Amazon Blog: https://blog.aboutamazon.com/transportation/a-droneprogram-taking-flight X Company. (n.d.). Helping people work faster and safer with smart glasses. Retrieved Julio 7, 2019, from X Company: https://x.company/projects/glass/ X Company. (n.d.). Transforming the way goods are transported. Retrieved Junio 12, 2019, from X Company: https://x.company/projects/wing/ Zapién, A. L. (2017, Noviembre 27). Gus Chat. Retrieved Julio 7, 2019, from Gus Chat: https://gus.chat/como-las-empresas-de-logistica-pueden-mejorar-laexperiencia-de-sus-envios-a-traves-de-chabots/