Empresa española de alimentación con una facturación de más de 100 M€, tres plantas de producción y una plantilla de más de 350 personas. Sus plantas se especializan en la fabricación snacks, opera 6 líneas de producción en tres turnos, con una capacidad nominal de 165.000 unidades diarias.

La planta principal contaba con una infraestructura digital compuesta por PLCs , un sistema MES propio integrado con SAP, sensores IoT en todas las máquinas y una plataforma de histórico de datos con más de 3 años de registros operativos. La empresa había invertido en digitalización, pero los datos generados por sus máquinas no se traducían en mejoras operativas tangibles.

La dirección de operaciones identificó en 2023 que el OEE medio de la planta se situaba en el 62,5%, frente al 76% de la competencia europea de referencia. La brecha representaba una capacidad productiva no capturada equivalente a una línea completa sin necesidad de nueva inversión en maquinaria.

El diagnóstico inicial realizado durante las cuatro primeras semanas de proyecto confirmó que la pérdida de OEE no procedía de grandes averías, sino de un patrón sistemático de micro-paros no diagnosticados en tiempo real. Las líneas de acondicionamiento registraban una media de 31 interrupciones por turno de entre 1 y 7 minutos, acumulando 58 minutos diarios de tiempo productivo perdido por línea.

El análisis de datos históricos reveló que el 78% de las averías de cierta duración habían sido precedidas, entre 6 y 72 horas antes, por señales de vibración, temperatura o consumo eléctrico fuera del patrón nominal. Los datos estaban ahí, pero no existía el sistema que los interpretara y arrojara los insights para tomar decisiones. 

La integración se ejecutó de forma no intrusiva sobre la infraestructura existente, sin interrumpir la producción y sin sustituir ningún equipo de planta. El proyecto se apoyó en cuatro pilares tecnológicos ya disponibles en la empresa.

• ·Conectividad de máquinas: conexión a los sistemas de control de planta (PLCs, HMIs y autómatas) para capturar datos de estado y rendimiento en tiempo real
•  Integración con sistemas de gestión: acceso al MES y al ERP para cruzar datos operativos con órdenes de producción, planificación y gestión de mantenimiento.
• Datos históricos de planta: disponibilidad de un histórico operativo de al menos 12 meses como base para el entrenamiento de los modelos de inteligencia artificial.
• Despliegue local y seguridad: infraestructura edge en planta para operar en tiempo real sin dependencia de conectividad externa, con control de acceso por rol y trazabilidad completa

El tiempo total de integración fue de 11 semanas, seguidas de 4 semanas de validación de modelos en paralelo con la producción antes del arranque oficial

Se diseño un piloto accionable aplicable a la línea principal (con mayor volumen de producción y la que sufría la mayor cantidad de micro – paros) de la planta principal. La infraestructura fue desarrollada para contar con la capacidad de escalado al resto de las plantas a futuro.

La plataforma se estructuró en tres módulos activados de forma progresiva a lo largo de 6 meses, permitiendo a la empresa validar resultados en cada fase antes de ampliar el alcance. Estos módulos fueron los siguientes:

• Módulo 01- Mantenimiento predictivo: anticipación de fallos mecánicos con 48–72 horas de antelación, generando automáticamente órdenes de trabajo preventivas.
• Módulo 02 -OEE Copilot: recomendaciones accionables en tiempo real para el operario tales como la detección de cuellos de botella, alertas de reaprovisionamiento y ajustes de cadencia.
• Módulo 03 - Análisis de causa raíz: clasificación automática de micro-paros y generación del informe de traspaso de turno, con base de conocimiento compartida entre equipos operarios de las plantas.

A los 12 meses del arranque en producción, los resultados de la planta principal mostraron mejoras consistentes en todos los indicadores operativos comprometidos en la fase de definición del proyecto, donde podemos destacar:

•  +9,1 puntos porcentuales incremento de OEE en 12 meses
• −38% reducción de paradas no planificadas
• −62% reducción en tiempo de diagnóstico
• 
  

El equipo de operaciones valoró especialmente la adopción por parte de los operarios de turno. El 91% de los usuarios declaró en la encuesta interna de los 6 meses que las recomendaciones del Copilot eran útiles o muy útiles en su trabajo diario, y el 84% afirmó sentirse más seguro tomando decisiones en situaciones de alerta

Cinco aplicaciones concentraron el mayor impacto en los indicadores operativos de la planta principal:

• Predicción de fallos en llenadoras y selladoras: 9 fallos anticipados en 6 meses con 58 h de antelación media. Todos resueltos en parada programada. Coste de intervención preventiva un 64% inferior al correctivo.
• Optimización del tiempo de cambio de SKU: tiempo medio de cambio reducido de 19 a 11 minutos en línea principal. Recuperación de 1,8 pp de OEE solo por esta causa.
• Eliminación de micro-paros por falta de material: reaprovisionamiento anticipado con 25–35 min de antelación. En las líneas piloto L1 y L4, esta causa de parada cayó un 87% en los primeros 150 días.
• Traspaso de turno estructurado: informe automático al cierre de turno. El tiempo dedicado bajó de 35 a menos de 5 minutos, con incidencias, averías y recomendaciones ya priorizadas para el turno entrante.
• Base de conocimiento operativo de planta: 184 lecciones aprendidas acumuladas en 12 meses. El tiempo de resolución de incidencias recurrentes se redujo un 44%.