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.

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.