Ganancias:
- Capacidad para definir y calcular con precisión KPI de producción, como OEE, tiempo de ciclo y WIP.
- Capacidad para configurar el diseño del panel, la simulación de eventos discretos y el análisis de escenarios con IA
- Capacidad para verificar los resultados de la simulación y del tablero con suposiciones de entrada y datos reales.
Los ingenieros industriales toman decisiones basadas en mediciones, no en intuición. Los KPI (indicadores clave de rendimiento) adecuadamente definidos mantienen el pulso de un sistema de producción; La simulación, por otro lado, pregunta "¿y si?" sin detener el sistema real. Responde la pregunta con confianza. La IA es un acelerador en ambos: redacta la definición de KPI y el diseño del tablero, construye el esqueleto del modelo de simulación e interpreta comparaciones de escenarios. Sin embargo, tanto los KPI como la simulación son susceptibles a las trampas de la “definición incorrecta” y la “suposición incorrecta”. En esta unidad, cubriremos los KPI de producción, el diseño de paneles y la simulación de eventos discretos con la disciplina de verificación.
Definir correctamente el KPI correcto
Un KPI calculado incorrectamente es más peligroso que ningún KPI porque da una confianza falsa. Los KPI de producción más comunes:
KPI
Descripción
Atención
OEE
Usabilidad × Rendimiento × Calidad
Los tres componentes deben calcularse por separado.
tiempo de ciclo
tiempo entre piezas
mezclando con tacto
Plazo de entrega (plazo de entrega)
Pedido → entrega
diferente del ciclo
WIP
producto semiacabado en proceso
obligado por la ley de Little
Relación desperdicio/desecho
Incorrecto / total
Reserva de retrabajo
Entrega a tiempo (OTD)
A tiempo / pedido total
Definir entrega parcial
Ejemplo de OEE: si la Disponibilidad es 90%, el Rendimiento es 95% y la Calidad es 98%:
OEE = 0,90 × 0,95 × 0,98 = 0,8379 ≈ 83,8%
Un error común es sumar estos tres números y promediarlos; OEE es una multiplicación, por lo que cada componente compone el resultado.
La Ley de Little establece la relación WIP-rendimiento-tiempo de flujo y es muy poderosa:
WIP = Rendimiento × Tiempo de flujo Ejemplo: hay un promedio de 30 piezas (WIP) en la línea, si la producción es de 6 piezas/hora Tiempo de flujo = WIP / Salida = 30 / 6 = 5 horas
Consejo: Cuando haga que AI calcule un KPI, imprima también su definición. "¿Qué es la OEE, con qué fórmula la calculaste?" preguntar. A veces, la IA sólo ofrece disponibilidad en lugar de OEE o se salta el componente de calidad; No confíes en el número sin ver la definición.
Diseño de panel de KPI
Un buen tablero no muestra muchos números; Responde las preguntas correctas. La IA es útil para delinear qué KPI tienen sentido para qué audiencia y cómo agruparlos.
Rol: Eres ingeniero industrial con experiencia en análisis de producción. Tarea: Diseñar un panel de administración para un taller de CNC. Especifique: 1. Hasta 6 KPI (definición y fórmula para cada uno).2. Propuesta de valor objetivo y umbrales de “bueno/atención/malo” para cada KPI.3. Qué KPI se mostrará en qué gráfico (tendencia, indicador, gráfico).4. 3 preguntas de gestión que responde el panel.Regla: evitar la inflación de KPI; Explique que cada indicador sirve para tomar una decisión. No des un valor objetivo inventado, di "debe ajustarse según el sector".
Aviso débil / Aviso fuerte
Aviso débil:
Hazme una placa de producción.
Si no hay un público objetivo, una fuente de datos y un propósito, la IA arrojará una lista general; No se toma ninguna decisión.
Potente mensaje:
Diseñar un tablero para el supervisor de turno, el cual será leído en 5 minutos cada mañana. Objetivo: dónde estuvo la pérdida en el turno de ayer, a qué se debe prestar atención hoy. Máximo 5 KPI, cada uno con definición + fórmula + umbral. Registros de producción horaria, tiempo de inactividad y desperdicio de mi fuente de datos, MES. Evite el exceso de detalles.
El segundo mensaje aclara al usuario, el momento de uso y la fuente de datos; El resultado es una placa realmente utilizada.
Simulación de eventos discretos (DES)
La simulación es una forma de experimentar sin alterar el sistema real: ¿qué sucede con la cola cuando se agrega una nueva máquina? ¿Cómo se ve afectada la producción cuando cambia un turno? La simulación de eventos discretos (DES) modela el sistema como una secuencia de "eventos" (llegada de la pieza, finalización del proceso). Entradas básicas: distribución del tiempo entre llegadas, distribución del tiempo de servicio, número de recursos, disciplina de cola.
Rol: Es un ingeniero industrial con experiencia en simulación. Tarea: Escriba un marco para modelar el siguiente sistema con Python SimPy: - Las piezas llegan cada 4 minutos en promedio (distribución exponencial) - Máquina única, tiempo de procesamiento promedio de 3,5 minutos (exponencial) - Cola FIFO Lo que necesito medir como salida: espera promedio, longitud de la cola, tasa de utilización de la máquina. Explique el código con comentarios; escriba los supuestos de distribución al principio. Además: ¿qué verificación analítica puedo hacer para verificar el resultado (por ejemplo, comparación con fórmulas de cola M/M/1)?
La última línea aquí es crítica: una buena simulación se compara, si es posible, con una verificación analítica. El sistema simple anterior es una cola M/M/1; El resultado de la simulación debería ser válido con valores teóricos como la tasa de utilización ρ = 3,5/4 = 0,875 y el número medio en el sistema L = ρ/(1−ρ) = 0,875/0,125 = 7.
Precaución: El resultado de la simulación es tan bueno como las suposiciones de entrada ("basura que entra, basura que sale"). A veces, la IA asume la distribución sin verificarla o presenta el resultado de una sola ejecución como la dura verdad. Ejecute múltiples ejecuciones (replicaciones), calcule intervalos de confianza y verifique distribuciones de entrada con datos reales.
Mini Caso: Simulación con Hipótesis Falsas
En una línea de montaje, la dirección cree que añadir una segunda estación de embalaje acabará con la cola. El ingeniero industrial Deniz construye un modelo DES con IA. El primer resultado dice "la segunda estación reduce la cola en un 70%". Pero cuando Deniz comprueba la distribución de entrada, ve que los datos de llegada reales no son exponenciales, sino que tienen una estructura "explosiva" que se concentra durante la pausa del almuerzo. Cuando volvemos a ejecutar el modelo con la distribución correcta, resulta que la segunda estación no resuelve el cuello de botella real y el problema está en la planificación de las pausas. La simulación evita recomendar una inversión innecesariamente. Lección: La IA construyó el modelo rápidamente pero sugirió una decisión equivocada con una suposición equivocada; Fue la persona que puso los datos correctos.
Errores comunes
- Definir mal el KPI: sumar componentes OEE o confundir ciclo y tiempo de entrega.
- Inflación KPI: Poner decenas de indicadores en el tablero que no sirven para la decisión.
- Confiar en una ejecución: ejecutar la simulación una vez y asumir que el resultado es seguro; no replicación.
- No validar la distribución de entrada: No comparar la distribución predeterminada (exponencial, etc.) con los datos reales.
- Evitar la verificación analítica: No cotejar la simulación con la fórmula teórica de colas en sistemas simples.
En resumen
- El poder de los KPI proviene de una definición correcta; OEE es el producto, la Ley de Little conecta WIP-flujo-salida.
- Un buen panel responde a las preguntas correctas, no a muchos números; El usuario, la instancia y la fuente de datos deben estar claros.
- DES prueba escenarios sin romper el sistema real; La distribución de las entradas determina la calidad del resultado.
- Validar la simulación mediante replicación (intervalo de confianza) y, si es posible, mediante fórmula analítica.
- La IA construye modelos y tableros rápidamente; Es la persona quien formula correctamente las suposiciones e interpreta el resultado.
Tarea de aplicación
Elija un sistema de producción/servicio. Primero, la IA diseña un panel de turnos con 5 KPI o menos; Haga que se muestre la definición y fórmula de cada KPI y verifique que los tres componentes se multipliquen si la OEE está presente. Luego, haga que la IA imprima un esqueleto de SimPy para un sistema de cola simple (servidor único) e imprima los supuestos de distribución de entrada en la parte superior. Verificación crítica: considere el sistema como una cola M/M/1 y calcule manualmente la tasa de utilización ρ y el número promedio L en el sistema, compárelo con el resultado de la simulación. Finalmente, sugerir un cambio de escenario (agregar un segundo servidor) y criticar el resultado de la IA cuestionando el realismo de la distribución de las entradas.