Auditoría de sistemas SCADA mediante observaciones
En la era de la digitalización industrial, la confianza depositada en los datos telemétricos es casi absoluta. Sin embargo, para el Ingeniero de Planta y el…
En la era de la digitalización industrial, la confianza depositada en los datos telemétricos es casi absoluta. Sin embargo, para el Ingeniero de Planta y el Director de Operaciones experimentado, existe una verdad incómoda: el mapa no es el territorio.
La discrepancia entre los datos reportados por sistemas SCADA/MES y la realidad física del taller se conoce como la "Brecha de Realidad Digital". Este artículo técnico explora cómo la metodología de Muestreo del Trabajo (Work Sampling), fundamentada en la técnica de Tippett y la inferencia estadística, sirve como la única herramienta de auditoría capaz de validar, calibrar y corregir los sesgos deterministas de la sensórica automatizada sin necesidad de hardware invasivo.
1. La "Brecha de Realidad Digital" en la Industria 4.0
1.1. La ilusión de control en los tableros de mando (Dashboards)
La implementación masiva de sistemas de adquisición de datos genera una sensación de omnisciencia. Los dashboards muestran KPIs de OEE (Overall Equipment Effectiveness) en tiempo real, calculados automáticamente. Herramientas de software como Induly son vitales para la gestión continua del OEE y el control de costes; no obstante, la precisión de estos sistemas depende intrínsecamente de la calidad del input físico. Un dashboard en verde no siempre implica una planta eficiente; a menudo, solo indica una planta que sabe cómo reportar datos para que parezcan verdes.
1.2. La ceguera del sensor: Limitaciones deterministas de PLCs y MES
Los PLCs operan bajo una lógica determinista binaria o de registros de estado (e.g., Run, Stop, Fault). Carecen de contexto causal. Un sensor puede detectar que un motor se ha detenido, pero es incapaz de discernir si la causa es una avería mecánica, una falta de material o una micro-pausa del operario. Esta "ceguera del sensor" obliga a depender de la imputación humana en paneles HMI, introduciendo subjetividad en un sistema supuestamente objetivo.
1.3. Diferencias críticas entre Telemetría y Observación Contextual
Mientras la telemetría responde al "qué" y al "cuándo", la observación contextual responde al "por qué". La auditoría estadística no busca reemplazar la telemetría, sino validar su correlación con la realidad.
2. Patologías Comunes en la Recolección Automática de Datos
2.1. El Sesgo de Imputación: Errores humanos en paneles HMI
Cuando una máquina entra en estado de paro, el sistema MES solicita al operario un "código de causa". Investigaciones de mercado indican que hasta un 35% de estas imputaciones son erróneas. Los motivos varían desde el sesgo por defecto (seleccionar el primer código de la lista para despejar la pantalla rápidamente) hasta el temor a represalias (imputar una parada técnica cuando en realidad fue una espera organizativa).
2.2. Microparadas y Speed Loss: Lo que el Polling Rate no detecta
La frecuencia de sondeo (polling rate) de muchos sistemas SCADA antiguos o mal configurados puede ser de 1 a 5 segundos. Las microparadas (atascos menores, ajustes rápidos) que duran menos que el intervalo de sondeo son invisibles para el sistema o se registran erróneamente como tiempo de operación a velocidad reducida (Speed Loss), distorsionando el cálculo de Rendimiento del OEE.
2.3. Falsos Positivos: Distinguiendo el "Run" del funcionamiento en vacío
Un sensor de corriente o un contador de ciclos puede indicar estado Run mientras la máquina opera en vacío (sin procesar pieza). Esto infla artificialmente la Disponibilidad y devora el margen energético, un fenómeno que solo la observación directa o una auditoría energética detallada pueden revelar.
2.4. El Efecto Hawthorne Inverso
El Efecto Hawthorne clásico sugiere que las personas mejoran su rendimiento al ser observadas. En entornos digitalizados, observamos un "Efecto Hawthorne Inverso": los operarios aprenden los disparadores algorítmicos del sistema MES y adaptan su ritmo de trabajo para manipular el registro de eficiencia, por ejemplo, ralentizando deliberadamente la alimentación manual para evitar registrar una microparada que requiera justificación en la HMI.
3. Fundamentos de la Auditoría Estocástica (Work Sampling)
Para combatir estos sesgos, aplicamos la técnica de Muestreo del Trabajo, facilitada hoy en día por aplicaciones como WorkSamp, que digitalizan y aseguran el rigor matemático del proceso.
3.1. Aplicación de la Técnica de Tippett en entornos digitalizados
L.H.C. Tippett demostró que observaciones aleatorias instantáneas (Snap Readings) de un sistema industrial convergen estocásticamente a la realidad operativa del mismo, siempre que la muestra sea representativa.
3.2. Rigor Matemático: Distribución Binomial y Curva de Gauss
El muestreo se basa en la ley de probabilidades. La ocurrencia de un evento (ej. máquina parada) sigue una distribución binomial que, para muestras grandes, se aproxima a una distribución normal (Curva de Gauss).
3.3. Cálculo del Tamaño de Muestra (N)
Para auditar un sistema SCADA con validez científica, debemos definir un Nivel de Confianza ($Z$) —típicamente 95% ($1.96\sigma$)— y un Margen de Error ($e$) aceptable. La fórmula para determinar el número de observaciones ($N$) es:
$ N = \frac{Z^2 \cdot p \cdot (1-p)}{e^2} $
Donde $p$ es la probabilidad estimada de ocurrencia del evento (basada en datos históricos del SCADA o un pre-muestreo).
3.4. Margen de Error vs. Precisión del Sensor
Si el SCADA reporta una disponibilidad del 85% y nuestro estudio de Work Sampling, con un error de $\pm 3\%$, arroja una disponibilidad del 75%, existe una discrepancia estadísticamente significativa que invalida el dato digital.
4. Metodología WorkSamp de Contrastación de Datos
4.1. Diseño de la Taxonomía MECE
Para que la auditoría sea efectiva, las categorías de observación deben ser MECE (Mutuamente Excluyentes, Colectivamente Exhaustivas) y mapeables a los estados del PLC.
- Dato SCADA: "Estado: Paro".
- Dato WorkSamp: Desagrega "Paro" en {Espera Material, Limpieza, Avería, Pausa Personal, Reunión}.
4.2. Ejecución de Snap Readings paralelos
Durante un periodo representativo $T$, se ejecutan rondas de observación aleatorias. El uso de WorkSamp en dispositivos móviles garantiza que los tiempos de registro sean exactos y aleatorios, eliminando el sesgo del observador.
4.3. Superposición de histogramas
Al finalizar el estudio, superponemos el histograma de frecuencias del Dataset Digital (SCADA) con el Dataset Estadístico (WorkSamp). Las áreas de no-superposición revelan las patologías del sistema de recolección de datos.
4.4. Aislamiento del Wrench Time real
El sistema puede registrar que un operario está "logueado" en máquina, pero el muestreo revela el verdadero Wrench Time (tiempo de llave o trabajo directo), separándolo de tiempos de desplazamiento o administrativos no detectables por sensores de máquina.
5. Interpretación de Desviaciones en el OEE (Overall Equipment Effectiveness)
5.1. Identificación de la Zona de Rechazo de la Hipótesis Nula
Si el dato del SCADA cae fuera del intervalo de confianza calculado por el muestreo, rechazamos la hipótesis nula de que "el sistema SCADA mide correctamente". Esto dispara una acción correctiva de recalibración de sensores o reentrenamiento de personal.
5.2. Segregación de Tiempos de Preparación (Setup Interno vs. Externo)
Los sensores rara vez distinguen entre preparación interna (máquina parada) y externa (máquina en marcha). La auditoría visual permite segregar estos tiempos, lo cual es crítico para aplicar metodologías SMED. Para un análisis profundo de estos tiempos de ciclo y movimientos específicos, herramientas como Cronometras son el complemento ideal para estudios de tiempos detallados tras la detección de la desviación.
5.3. Ajuste de la Disponibilidad y Rendimiento
El resultado final es un "Factor de Corrección" que debe aplicarse a los reportes históricos del SCADA para reflejar la realidad operativa y financiera de la planta.
6. Contexto Normativo España 2025 e Industria 5.0
6.1. Exigencias de la Ley de Industria y Autonomía Estratégica
El marco regulatorio español hacia 2025 pone énfasis en la eficiencia real y la sostenibilidad. La auditoría estocástica permite certificar no solo la productividad, sino la eficiencia energética operativa, detectando máquinas que consumen sin producir (OEE Energético).
6.2. Auditoría del ROI en subvenciones Kit Digital y Fondos Next Generation
La justificación de fondos europeos requiere evidencias empíricas de mejora. La comparación "Línea Base (Muestreo)" vs. "Implementación (Digital)" es la prueba más robusta de ROI ante auditores gubernamentales.
7. Conclusión: Hacia una Calibración Híbrida (Digital + Analógica)
La gestión basada exclusivamente en sensores introduce un riesgo operativo invisible pero costoso. La tecnología no elimina la necesidad de observación; la transforma.
Para Ingenieros de Planta y Directores de Operaciones, la recomendación es clara: no acepte el dato del SCADA como un dogma. Implemente Auditorías Trimestrales de Calibración Operativa utilizando la metodología WorkSamp. Este enfoque híbrido garantiza que sus decisiones estratégicas se basen en lo que realmente ocurre en el gemba, y no solo en lo que sus sensores "creen" que está ocurriendo.