8.7. Casos de Uso: Envío de Datos a Cloud y ERP

UF1794 | El valor real de la Integración Vertical

graph TD subgraph Planta ["Capa de Planta (Sensores y PLCs)"] SENS["Sensores de Vibración"] PLC["PLC Control de Producción"] end subgraph Edge ["Pasarela Edge"] GW["Edge Gateway"] end subgraph IT_Cloud ["Sistemas IT y Cloud"] MES["MES (Trazabilidad y OEE)"] ERP["ERP (Gestión Compras)"] AI["Cloud AI (Mantenimiento Predictivo)"] end SENS -->|"Alta Frecuencia"| GW PLC -->|"OPC UA"| GW PLC -->|"OPC UA"| MES MES -->|"API REST"| ERP GW -->|"MQTT"| AI style AI fill:#8e44ad,color:#fff style ERP fill:#9b59b6,color:#fff style MES fill:#2980b9,color:#fff style GW fill:#f39c12,color:#fff style PLC fill:#27ae60,color:#fff style SENS fill:#27ae60,color:#fff

1. El Valor de los Datos

A lo largo de este bloque hemos estudiado cómo mover datos desde la máquina física hasta la nube utilizando OPC UA, MQTT y Edge Computing. Pero como técnico de UF1794, también debes entender el por qué. Enviar terabytes de datos a un servidor Cloud solo para almacenarlos es un gasto inútil. La Industria 4.0 trata de convertir esos datos crudos en acciones empresariales automatizadas.

A continuación, exploraremos tres casos de uso reales donde esta integración vertical transforma completamente la forma de operar una fábrica.



2. Caso 1: Mantenimiento Predictivo (Cloud AI)

Problema: El mantenimiento tradicional es Preventivo (cambiar un rodamiento cada 6 meses, esté roto o no) o Reactivo (esperar a que se rompa y parar la fábrica). Ambos son extremadamente costosos.

Solución IIoT: Se instalan sensores de vibración IO-Link en los motores principales. Un Edge Gateway lee las vibraciones 100 veces por segundo, extrae las armónicas (FFT) y envía un resumen por MQTT a una plataforma Cloud (AWS o Azure). Allí, un modelo de Inteligencia Artificial (Machine Learning) entrenado analiza el espectro. Semanas antes de que el rodamiento falle físicamente, la IA detecta una anomalía microscópica y envía una orden automática al ERP para generar un "Ticket de Mantenimiento" y comprar el repuesto. La reparación se hace en la siguiente parada programada, con cero tiempo de inactividad no planificado.



3. Caso 2: Calidad y Trazabilidad Total (MES)

Problema: Si un lote de airbags de automóvil sale defectuoso, la empresa no puede permitirse retirar todos los coches fabricados ese año. Necesita saber exactamente qué airbags fallaron y en qué coches se montaron.

Solución de Integración: El PLC controla la celda de ensamblaje. Cada vez que entra una pieza, un escáner lee el código DataMatrix. El PLC utiliza OPC UA para enviar al sistema MES un paquete de datos: "Pieza ID 849A, Tiempo de ciclo 4.2s, Presión de remache 150 bar, Resultado OK". El MES almacena esto en una base de datos SQL. Si dentro de 5 años hay que investigar un fallo, la empresa puede buscar el "ID 849A" y demostrar con pruebas digitales criptográficas que la pieza se fabricó bajo los parámetros de calidad correctos.



4. Caso 3: Cadena de Suministro Automatizada (ERP)

Problema: En una fábrica clásica, un operario cuenta los palets al final del turno, rellena un Excel y se lo da a compras. A veces se olvidan, el material se agota y la fábrica se para por "Rotura de Stock".

Solución de Integración: El PLC lleva un contador interno de las "Cajas de materia prima consumidas". Cuando el contador llega a 100, el PLC dispara un evento OPC UA. El sistema MES lo recibe y, mediante una llamada API REST (JSON sobre HTTPS), avisa al sistema ERP (SAP) corporativo. El ERP comprueba automáticamente el inventario virtual, detecta que queda poco material y envía un correo electrónico de pedido directamente al proveedor logístico. La materia prima nueva llega al muelle de carga antes de que el operario se dé cuenta de que se iba a acabar.

Infografía ilustrando los casos de uso: Mantenimiento Predictivo, Trazabilidad de Calidad y Gestión de Inventario Automática.
Figura 1: Casos de Uso de Integración Vertical. El verdadero valor de la Industria 4.0 no está en la tecnología de red en sí, sino en las acciones de negocio que permite automatizar: predecir fallos antes de que ocurran, asegurar la calidad de cada unidad y sincronizar la planta con los proveedores externos.
Fuente: Elaboración propia / Licencia: CC BY-NC 4.0.

📝 Evaluación Técnica: Valor de Negocio

1. ¿Cuál es la principal diferencia funcional entre el Mantenimiento "Preventivo" clásico y el Mantenimiento "Predictivo" basado en Cloud/IA?

2. En el caso de uso de "Cadena de Suministro Automatizada", ¿qué sistema de la pirámide de automatización es el encargado final de ejecutar la compra automática de materia prima al proveedor?

3. Para alimentar a un algoritmo de Mantenimiento Predictivo en la nube con datos de vibración de motores que se muestrean miles de veces por segundo, ¿cuál de estas arquitecturas es la correcta?

🤖 Ejercicio Práctico 8: Webhook ERP (Python Flask)

Objetivo: Simular cómo el mundo IT corporativo (un ERP) recibe datos desde la fábrica mediante una API REST e interacciona automáticamente.

Copia el siguiente *prompt* y pégalo en un modelo de IA (como ChatGPT, Gemini o Claude).

Actúa como un desarrollador backend de sistemas ERP. Escribe un script en Python utilizando la librería `Flask` para simular un "Webhook" (endpoint) del ERP. El script debe: 1. Iniciar un servidor web básico escuchando en el puerto 5000. 2. Crear una ruta POST llamada `/api/inventario/consumo`. 3. Esta ruta debe esperar recibir un JSON con el formato: `{"linea": "A", "material_restante": 20}`. 4. La lógica de la ruta debe verificar el `material_restante`. Si es menor de 50, debe imprimir en la consola del servidor: "[ALERTA ERP] Nivel de material crítico en línea A. Generando orden de compra automática a proveedores." y devolver un código HTTP 200 (OK). 5. Si es mayor de 50, debe imprimir "[INFO ERP] Nivel de stock correcto." Comenta el código explicando cómo los sistemas MES de las fábricas modernas utilizan librerías HTTP para hacer peticiones POST a endpoints como este cada vez que una máquina agota un lote de material, logrando la automatización total del suministro.