CONTROL ESTADÍSTICO DE PROCESOS: LA HERRAMIENTA VISUAL IMPRESCINDIBLE.

En los últimos años, el Control Estadístico de Procesos (SPC) se ha convertido en un recurso absolutamente imprescindible para la eficiencia en los procesos de la industria 4.0. Y la visualización de datos ha abierto las posibilidades de monitoreo en tiempo real, ahorrando recursos a las fábricas y empresas.

¿Qué es Control Estadístico de Procesos o SPC?

Es, sin miedo a exagerar, el secreto del éxito en la industria 4.0. Proviene del inglés “Statistical Process Control” (SPC), y es la herramienta que monitorea y detecta las desviaciones en el proceso productivo de las fábricas a través del análisis de datos, con el fin de evitar la generación de productos defectuosos. Es la diferencia competitiva que determina el éxito en las empresas y fábricas.

Esta herramienta tiene muchas formas de aplicación, pero en los últimos años, la visualización de dichos datos está aportando nuevas perspectivas en diferentes ámbitos, como:

• Industria 4.0.
• Laboratorios.
• Departamentos de ventas, etc.

Objetivo del Control Estadístico de Procesos

Toda industria que tenga como objetivo optimizar el proceso productivo y ahorrar costes y tiempo debería integrar un SPC en su sistema. La tecnología actual, capaz de procesar millones de datos en pocos segundos, ha marcado un antes y un después en la productividad.

Por el contrario, prescindir de dicha herramienta provoca la dependencia de constantes inspecciones manuales. En estos casos, corremos el riesgo de incrementar exponencialmente el margen de error al monitorear los procesos de control de calidad.

Aplicación del Control Estadístico de Procesos e interpretación de datos

El SPC, como su nombre indica, controla los procesos específicos de una industria para posteriormente recopilar datos relativos a la ejecución. Cuando plasmamos esos datos de la manera visual adecuada, podemos obtener gráficas incluso en formato legible por humanos (human-readable format) donde es fácil detectar los puntos de error en el proceso, que generalmente se visualizan en forma de picos o valles extremos. Esta herramienta da muy buenos resultados en entornos controlados como las fábricas.

¿Qué nos dicen estos datos? El grado de estabilidad y fiabilidad del proceso productivo, ni más ni menos, lo cual se traduce en un proceso de control de calidad automatizado y pormenorizado, capaz incluso de anticiparse a los errores en la cadena de producción.

Podríamos entender el SPC como la versión automatizada del Análisis Exploratorio de Datos (EDA, por sus siglas en inglés, “Exploratory Data Analysis”). El EDA es la técnica de percibir en un primer análisis (generalmente visual sobre la propia gráfica) las anomalías o patrones erróneos en el proceso, tal como comentábamos anteriormente. Es trazar las primeras impresiones con los datos que vemos, antes de entrar a fondo en el análisis técnico.

Beneficios de aplicar el Control Estadístico de Procesos

Imagina que tienes un termómetro que un día detecta un pico de 70 grados centígrados, y una semana más tarde, 120 grados bajo cero. Obviamente, ambos son un error, porque de lo contrario no podrías contarlo, y porque sabes que los valores de temperatura, por lo general, oscilan en tu ciudad entre -15 y 43 grados. Tu capacidad de interpretar los datos sin ser un/a experto/a en meteorología te hace entender que eran incorrectos.

Lo mismo sucede al aplicar el Control Estadístico de Procesos. Cuando obtenemos datos raros, estos se consideran picos extremos anómalos, y conviene mantenerlos en el análisis global porque estas anomalías nos ayudan a detectar más fácilmente los cambios sistemáticos y a acotar el contexto de productividad esperado.

Podríamos entender el SPC como la versión automatizada del Análisis Exploratorio de Datos (EDA, por sus siglas en inglés, “Exploratory Data Analysis”). El EDA es la técnica de percibir en un primer análisis (generalmente visual sobre la propia gráfica) las anomalías o patrones erróneos en el proceso, tal como comentábamos anteriormente. Es trazar las primeras impresiones con los datos que vemos, antes de entrar a fondo en el análisis técnico.

En el contexto industrial interno, las principales ventajas del SPC son:

• Inmediatez. Los operarios tienen acceso a los datos en tiempo real, mostrados en terminales en la propia planta de fabricación.
• Autorregulación. Es un sistema autocorrectivo, capaz de detectar si una anomalía es real o una falsa lectura.
• Automatización. Reduce la dependencia de inspecciones manuales.
• Control de stock. Reduce la merma de materias primas.

Además, el Control Estadístico de Procesos tiene grandes ventajas que repercuten en la estrategia de tu instancia:

• Anticipación. Es imprescindible poder prever posibles errores cuando los datos muestran anomalías, especialmente si estas son reincidentes.
• Optimización. Cuando un elemento anómalo se refleja en los datos, no es necesario revisar todo el proceso, porque la detección del error es inmediata.
• Cumplimiento. Podemos configurar la detección de errores cuando contravengan las normas en los procesos de producción (ISO y demás).
• Cambio de mentalidad. Fomenta la cultura de la prevención, por encima de la detección.

Por último, todo esto se traduce externamente en un ahorro de costes, mayor eficiencia competitiva e incremento de la satisfacción entre los clientes.

Desventajas del SPC

Las desventajas que conlleva implementar un Control Estadístico de Procesos son mínimas, pero igualmente hay que tenerlas en cuenta. Una de ellas es que la curva de aprendizaje depende de la capacitación de los técnicos y su adaptación a este tipo de herramientas.

La implementación de esta herramienta, además, requiere de mucho tiempo, porque construir una base de datos sólida, optimizada y que arroje resultados fiables implica largos plazos de seguimiento y monitoreo.

Herramientas de control de calidad que se utilizan en el SPC

Diagramas de causa-efecto

El diagrama de causa y efecto también se conoce como diagrama de Ishikawa, diagrama de Grandal o diagrama de espina de pescado (fishbone diagram). Se utiliza para identificar las causas de un problema, cuantificando su impacto sobre el mismo.

Histogramas

Los histogramas son similares a los gráficos de barras, que suelen obedecer a la llamada campana de Gauss. Precisamente, de no cumplir esta visualización, sirven para detectar anomalías en datos numéricos.

Hojas de verificación

El principio de Pareto o regla de 80/20, aplicado en el ámbito industrial, afirma que abordar el 20% de los recursos resolverá el 80% de los problemas. Son gráficos especialmente útiles para elaborar presupuestos o control de materias primas.

Diagramas de dispersión

Las gráficas o diagramas de dispersión son una forma de visualización de datos que muestra puntos sobre un gráfico siempre de eje X-Y. Sirven para encontrar valores anómalos o conocer la evolución de un proceso.

Estratificación

La Estratificación se usa para comparar datos de distintas fuentes en una misma escala y conocer la tendencia del incremento o disminución de valores. Un ejemplo sería las barras de evolución de temperatura en el mismo mes, en diferentes años, una junta a la otra.

Gráficos de control

Son las clásicas gráficas que se asemejan a los perfiles de una cadena montañosa, con picos y valles.

Cómo utilizar el Control Estadístico de Procesos en la industria 4.0

En el contexto de la industria, el SPC analiza los parámetros clave en el proceso de fabricación de una pieza. Estos parámetros están delimitados por las necesidades del cliente y el grado de admisibilidad de los errores.

Un ejemplo de esto sería una fábrica de galletas de dinosario: no sería aceptable que al abrir el paquete los consumidores encontrasen todas las galletas destrozadas, pero sí lo sería que alguna de esas galletas no tuviera la forma de dinosaurio deseada, algo que también expandiría las posibles imaginativas de tus hijos en el desayuno.

Como ya hemos mencionado, el Control Estadístico de Procesos realiza la transición de un modelo de control de calidad basado en la inspección a otro basado en la prevención:

• La inspección es cara, frustrante e inexacta, y consume recursos y tiempo.
• La predicción es eficaz, rigurosa y sistemática, y ahorra costes y frustaciones.

La predicción facilita que los operarios puedan tomar las decisiones basadas en los datos que muestran la estabilidad del proceso y, en definitiva, realizar cambios o mejoras.

Recuerda que para mejorar hay que analizar previamente, y que una mejora en cualquier área de tu fábrica o empresa influye de manera positiva en los demás. Por tanto, ahora que conoces las ventajas de implementar un Control Estadístico de Procesos, pídenos una demostración de esta o de cualquiera de nuestras soluciones. Estamos seguros de que te cambiará la perspectiva.