Copiloto industrial para L’Oréal Burgos que anticipa microparadas y cuellos de botella con MES/IoT/Pack-ML. Prioriza alertas explicables, recomienda acciones al operador y mide impacto en OEE, en solo lectura y sin actuar sobre PLC.

OEE Guardian IA es un copiloto industrial para la fábrica de L’Oréal Burgos orientado a transformar datos industriales existentes en alertas explicables y recomendaciones accionables para el operador de línea. La solución responde a los dos subretos del reto: anticipar microparadas, averías o pérdidas repetitivas, y detectar cuellos de botella en tiempo real o casi real para apoyar decisiones operativas que mejoren el OEE.

La solución se plantea como un sistema de decisión asistida, no como una automatización cerrada de la línea. Funcionará en modo solo lectura, sin escritura sobre PLC, sin modificación automática de consignas y sin actuación directa sobre máquinas. El operador, mantenimiento, producción y mejora continua mantendrán siempre la decisión final.

El MPV se acotará a una línea piloto de acondicionamiento, 2-3 máquinas críticas y 2-3 familias de microparadas o pérdidas repetitivas con mayor impacto acumulado. Las máquinas candidatas podrán ser llenadora, taponadora, etiquetadora, estuchadora, encajadora u otras equivalentes definidas junto con L’Oréal.

La solución utilizará datos históricos y, si la disponibilidad lo permite, datos operativos en modo sombra procedentes de MES, plataforma IoT, gestor de rendimientos, PLC/HMI, autómatas y estados Pack-ML. El primer paso será construir una línea temporal unificada por orden, lote, producto, formato, máquina, estado, alarma, evento, motivo de parada y microparada.

El motor analítico combinará tres capas:

Reglas industriales basadas en Pack-ML: estados, transiciones, bloqueos, esperas, alarmas, cadencias y motivos de parada.

Modelos de detección de anomalías: identificación de patrones anómalos previos a microparadas o pérdidas de rendimiento.

Modelos supervisados de clasificación de riesgo: solo si existen etiquetas suficientes y fiables sobre microparadas, motivos y causas asociadas.

Cuando las etiquetas sean incompletas o inconsistentes, se priorizará un enfoque híbrido con detección no supervisada, clustering de secuencias y validación con expertos de producción y mantenimiento. El sistema no presentará diagnósticos cerrados si los datos no lo permiten; mostrará hipótesis de causa probable, factores explicativos, similitud histórica y nivel de confianza.

Para anticipar microparadas, OEE Guardian IA analizará ventanas temporales previas a pérdidas relevantes, por ejemplo T-10 minutos, T-5 minutos, T-2 minutos o T-30 segundos. Buscará patrones como caída progresiva de cadencia, repetición de alarmas débiles, aumento de estados no productivos, secuencias anómalas Pack-ML, bloqueos aguas abajo, esperas aguas arriba, avisos de reaprovisionamiento no atendidos o acumulación de microeventos menores.

Para detectar cuellos de botella, calculará un índice dinámico de restricción por máquina, diferenciando si la limitación se debe a parada, lentitud, bloqueo, espera, pérdida acumulada, alarma recurrente o desviación frente al patrón esperado para un producto o formato.

El dashboard operativo mostrará qué máquina requiere atención, por qué se prioriza, qué impacto tiene sobre disponibilidad, rendimiento u OEE y qué acción concreta puede valorar el operador. Cada alerta incluirá máquina afectada, prioridad, hipótesis de causa probable, señales que la justifican, eventos históricos similares, nivel de confianza, impacto estimado, recomendación y feedback del operador: aplicada, no aplicable, falsa alarma, escalar o revisar.

La validación será progresiva:

Backtesting histórico para comprobar si el sistema habría anticipado microparadas pasadas y cuellos de botella conocidos.

Modo sombra en planta, generando alertas sin impacto operativo y revisándolas con operadores, producción, mantenimiento e IT/OT.

Fase asistida controlada solo si el modo sombra supera umbrales mínimos de precisión, falsos positivos, anticipación y utilidad operativa.

Este enfoque reduce el riesgo industrial, evita interferencias en producción y permite demostrar valor de forma gradual y medible.

La solución combinará IA industrial, analítica de series temporales, reglas Pack-ML, integración de datos, microservicios y visualización operativa.

Tecnologías y componentes previstos:

MES, plataforma IoT, gestor de rendimientos, PLC/HMI, autómatas y Pack-ML para construir el contexto industrial.

Python para analítica, creación de variables, modelos de anomalía, clustering y clasificación supervisada si los datos lo permiten.

Features en ventanas móviles, backtesting temporal, análisis de cadencia, estados y transiciones.

Reglas industriales sobre Pack-ML para explicar estados, bloqueos, esperas, alarmas y pérdidas.

FastAPI o Node.js para backend, APIs REST, motor de inferencia, alertas y recomendaciones.

PostgreSQL, TimescaleDB o repositorio equivalente para eventos industriales por máquina, orden, lote, formato y microparada.

Dashboard web operativo para operador, responsable de línea, mantenimiento y mejora continua.

Docker y entorno controlado definido con L’Oréal para despliegue modular.

RBAC, logs, trazabilidad, control de accesos, minimización de datos y arquitectura solo lectura para reducir riesgo IT/OT.

La arquitectura será no intrusiva: solo lectura, sin escritura sobre PLC, sin modificación de consignas, sin actuación directa sobre máquinas y con validación previa de accesos por los equipos IT/OT de L’Oréal.

El impacto se medirá comparando una línea base histórica con los resultados del piloto. La propuesta no promete una mejora automática del OEE por el mero uso del modelo; el objetivo es demostrar que las alertas son anticipables, útiles, explicables y accionables, y que pueden reducir pérdidas cuando se incorporan al trabajo real del operador.

Resultados garantizables del MPV:

Línea base OEE del perímetro analizado.

Ranking de pérdidas por máquina, producto, formato, lote, turno y familia.

Modelo de datos industrial unificado.

Dashboard operativo de alertas y cuellos de botella.

Registro de feedback del operador.

Trazabilidad de alertas, recomendaciones y respuestas humanas.

Informe final de impacto y plan de escalado.

KPIs predictivos del piloto:

Anticipación media de alertas: objetivo de 3 a 10 minutos en patrones predecibles.

Precisión de alertas útiles: objetivo superior al 70 % tras calibración.

Falsos positivos: objetivo inferior al 25 % tras ajuste en modo sombra.

Falsos positivos por hora de operación.

Recall de microparadas relevantes en las familias priorizadas.

Precision@k en alertas de mayor prioridad.

Alertas con explicación completa: objetivo superior al 90 %.

KPIs operativos si se activa la fase asistida:

Reducción de microparadas repetitivas seleccionadas: objetivo de -10 % a -20 %.

Reducción de downtime no planificado asociado a causas priorizadas: objetivo de -8 % a -15 %.

Mejora potencial equivalente a +1,5 a +3 puntos de OEE en el perímetro analizado, siempre condicionada a calidad de datos, aplicación de recomendaciones y baseline acordado.

Reducción del tiempo de diagnóstico operativo: objetivo de -25 %.

Reducción de minutos perdidos por máquina o familia de microparada.

Reducción estimada de unidades no producidas asociadas a pérdidas seleccionadas.

KPIs de adopción:

Recomendaciones revisadas por el operador.

Recomendaciones aplicadas o validadas como útiles: objetivo superior al 50 % en fase de validación.

Recomendaciones descartadas o marcadas como falsa alarma.

Recomendaciones escaladas a mantenimiento.

Tiempo medio de revisión de alerta.

Valoración cualitativa de operadores y responsables de línea.

El beneficio principal para L’Oréal será activar el valor de los datos industriales existentes en el punto donde se toma la decisión: el operador de línea. El piloto permitirá pasar de un análisis posterior de pérdidas a una gestión más proactiva de microparadas, cuellos de botella y pérdidas de rendimiento, sin exigir nueva maquinaria.

El caso demostrativo se aplicará sobre una línea de acondicionamiento de la fábrica de L’Oréal Burgos. El piloto se desarrollará entre junio y octubre de 2026, alineado con la fase de definición del MPV y desarrollo de la solución prevista en DesafIA Madrid.

Fase 1. Definición industrial del MPV — junio 2026

Selección de línea piloto, máquinas críticas, usuarios, KPIs, familias de microparadas, señales disponibles, restricciones técnicas y criterios de seguridad IT/OT. Entregable: documento de alcance funcional y técnico.

Fase 2. Modelo de datos, calidad y línea base — junio-julio 2026

Ingesta histórica, limpieza, sincronización temporal, normalización Pack-ML, mapeo de alarmas y motivos de parada, cálculo de OEE base y ranking inicial de pérdidas. En las primeras 3-4 semanas se realizará una prueba de factibilidad con el histórico disponible y, si procede, con el JSON de turno facilitado para el reto. Entregables: modelo de datos unificado, informe de calidad, baseline OEE y selección definitiva de familias de microparadas.

Fase 3. Modelos IA y reglas industriales — julio-agosto 2026

Creación de variables en ventanas temporales, detección de anomalías, clustering de secuencias, modelos supervisados si existen etiquetas suficientes, reglas Pack-ML, score de riesgo por máquina e índice dinámico de cuello de botella. Entregable: motor IA validado con histórico.

Fase 4. Interfaz de operador — agosto-septiembre 2026

Diseño de dashboard operativo con vista semáforo por máquina, bandeja de alertas, ficha explicativa, vista de cuello de botella, impacto OEE, botones de feedback y registro de auditoría. Entregable: copiloto operativo funcional.

Fase 5. Modo sombra en planta — septiembre 2026

Ejecución de alertas sin impacto operativo, revisión con operadores, análisis de falsos positivos, ajuste de umbrales, validación de recomendaciones y decisión go/no-go para fase asistida. Entregables: versión ajustada, informe preliminar de precisión, anticipación y utilidad.

Fase 6. Validación final y demo — octubre 2026

Medición de KPIs, comparación con baseline, documentación técnica, manual de uso, formación breve, sesión de cierre con L’Oréal y demo final para DesafIA Madrid. Entregables: informe final, manual de usuario, documentación técnica, demo y plan de escalado.

Entregables mínimos del MPV:

Alcance funcional y técnico del piloto.

Mapa de datos industriales disponibles.

Informe de calidad de datos.

Baseline OEE y ranking de pérdidas.

Motor IA de riesgo de microparada.

Motor de cuellos de botella y recomendaciones.

Dashboard operativo.

Registro de feedback y auditoría.

Validación con backtesting y modo sombra.

Informe final de impacto y plan de escalado.