Datos que mienten en planta
Manual de campo para distinguir medición de realidad, encontrar datos que inducen decisiones equivocadas y recuperar confianza en sensores, registros y KPI.
Contexto: plantas de alimentos y agroindustria en Chile, packing, frigoríficos, procesos pesqueros, lácteos, bebidas, congelados, líneas de envasado, servicios industriales, mantenimiento y operaciones estacionales.
Nota de alcance: los datos no mienten; la representación puede mentir
El título es deliberadamente incómodo. Un transmisor de presión no “miente”, un PLC no tiene intención y una planilla no decide engañar. El problema aparece cuando una medición técnicamente correcta se usa para representar una realidad que no está midiendo, cuando el dato llega demasiado tarde, cuando el promedio borra el evento que interesa, cuando dos sistemas usan relojes distintos, cuando el denominador cambia sin que nadie lo note o cuando un operador clasifica un mismo fenómeno de manera distinta a otro turno.
En una planta, el dato más peligroso no siempre es el evidentemente malo. Ese suele generar dudas. El más peligroso es el dato limpio, estable y posible que conduce a una conclusión equivocada.
Este manual no enseña a construir dashboards. Enseña a desconfiar de ellos cuando corresponde, bajar al proceso y demostrar qué parte del número representa físicamente lo que se cree que representa.
1. Antes del dato viene la pregunta
La secuencia correcta no es abrir el dashboard y buscar algo raro. Primero define qué fenómeno necesitas explicar. Después pregunta qué variable podría demostrarlo o descartarlo.
Si el problema es que una selladora genera fugas intermitentes, “temperatura de mordaza” puede ser relevante, pero no necesariamente suficiente. También pueden importar presión neumática, tiempo de contacto, velocidad, espesor del material, alineación y temperatura real en la superficie de sellado. Un único tag puede describir solo una parte del mecanismo.
La pregunta útil es:
¿Qué tendría que ser verdad para que este dato represente realmente el fenómeno que estoy investigando?
Esa pregunta obliga a pensar en ubicación, método, frecuencia, sincronización y contexto.
2. Siete formas frecuentes en que un dato cuenta una historia equivocada
En planta, los errores de interpretación suelen entrar por siete puertas:
- Se mide la variable equivocada. Temperatura de aire cuando importa temperatura de producto; presión de cabecera cuando importa presión local.
- Se mide en el lugar equivocado. Sensor lejos del punto donde ocurre el fenómeno.
- Se mide con una frecuencia insuficiente. El evento dura 300 ms y el sistema guarda un dato cada minuto.
- Se agrega demasiado. El promedio horario hace desaparecer caídas de segundos.
- Los relojes no coinciden. PLC, SCADA, checkweigher y ERP usan timestamps distintos.
- La clasificación cambia. La misma detención pasa de “falla” a “microparo” o “sin producción”.
- El dato es correcto, pero el denominador es incorrecto. OEE, yield, reclamos o consumo energético se calculan sobre bases distintas entre períodos.
Ninguna de estas situaciones requiere fraude. Basta un sistema que fue creciendo por capas y nunca se volvió a mirar como conjunto.
3. La primera auditoría es física
Antes de revisar fórmulas, camina hasta el punto de medición.
Para cada variable crítica observa:
- dónde está físicamente el sensor.
- qué toca o qué medio mide.
- si existe aislamiento, sombra, flujo muerto, condensación o vibración.
- si el sensor está aguas arriba o aguas abajo del fenómeno.
- si el instrumento que aparece en pantalla es realmente el que crees.
- si existe otro indicador local que permita comparar.
Un P&ID, una pantalla HMI o una lista de tags ayuda, pero no reemplaza mirar la instalación.
4. Construye la genealogía del dato
Un número que aparece en un dashboard puede haber recorrido varias capas:
Sensor → transmisor → entrada PLC → lógica → SCADA → historiador → ETL → base de datos → dashboard
En cada capa el dato puede ser escalado, filtrado, redondeado, promediado, convertido de unidad, sustituido o descartado.
Para variables críticas conviene documentar:
- tag de origen.
- instrumento físico.
- unidad original.
- rango configurado.
- frecuencia de lectura.
- frecuencia de almacenamiento.
- filtros aplicados.
- transformaciones.
- fuente final del KPI.
A esto se le puede llamar linaje del dato. No requiere una plataforma sofisticada: una tabla bien mantenida puede ser suficiente.
5. Calibrado no significa bien instalado
Un instrumento puede tener calibración vigente y medir mal el proceso porque está mal ubicado, mal montado o expuesto a una condición que el certificado no evalúa.
Ejemplos:
- sensor de temperatura demasiado cerca de una puerta.
- termocupla sin buen contacto térmico.
- transmisor de presión con línea de impulso parcialmente obstruida.
- celda de carga afectada por tubería rígida.
- caudalímetro con tramo recto insuficiente para su tecnología.
- sensor óptico ensuciado por producto.
La trazabilidad metrológica responde si el instrumento puede relacionar su medición con referencias reconocidas. No demuestra por sí sola que el punto de instalación represente correctamente el proceso.
En Chile, la Red Nacional de Metrología coordinada por el INN articula la trazabilidad de mediciones en magnitudes como masa, temperatura, presión, humedad y otras. Esa infraestructura es fundamental, pero la validez operacional sigue dependiendo de cómo se usa el instrumento.
6. Verifica en el rango donde realmente trabajas
Una balanza puede comportarse bien cerca de un punto de ensayo y mostrar otra conducta en el rango real de operación. Lo mismo ocurre con presión, temperatura, caudal y señales analógicas.
Cuando un proceso discute diferencias pequeñas —0,3% de yield, 0,5 °C, 0,2 bar— la verificación debe ser coherente con la magnitud de la decisión.
No uses un instrumento de baja resolución para perseguir variaciones menores que su capacidad útil.
7. Resolución, exactitud y repetibilidad no son lo mismo
Una pantalla que muestra 23,47 °C no necesariamente conoce la temperatura con una incertidumbre de 0,01 °C. Puede estar mostrando más decimales que información real.
Antes de interpretar pequeñas diferencias, pregunta:
- ¿cuál es la resolución?
- ¿cuál es la exactitud o incertidumbre relevante?
- ¿cuál es la repetibilidad?
- ¿qué deriva histórica tiene?
- ¿qué efecto tiene la instalación?
La precisión visual del display puede generar una falsa sensación de conocimiento.
8. Los timestamps son parte de la medición
Para investigar eventos dinámicos, el tiempo es otra variable de proceso.
Si una selladora falla a las 14:03:17, una caída de presión a las 14:03:16 puede ser causal. Si el PLC está adelantado 45 segundos respecto del historiador neumático, la relación desaparece o parece invertida.
Antes de correlacionar fuentes diferentes:
- verifica zona horaria.
- verifica sincronización de reloj.
- identifica horario de verano cuando aplique.
- registra retrasos de comunicación.
- confirma si el timestamp corresponde a adquisición, almacenamiento o visualización.
9. El promedio puede ser técnicamente correcto y operacionalmente inútil
Supongamos una línea de aire comprimido que trabaja 59 minutos a 6,2 bar y durante un minuto cae a 4,0 bar.
El promedio horario aproximado será:
(59 × 6,2 + 1 × 4,0) / 60 = 6,16 bar
El dashboard mostrará una hora prácticamente normal. Sin embargo, ese minuto puede contener todos los fallos neumáticos del período.
Para variables que producen eventos por umbral, conserva al menos:
- mínimo.
- máximo.
- duración bajo/sobre umbral.
- número de excursiones.
El promedio sirve para unas preguntas y destruye otras.
10. El mínimo tampoco siempre basta
Un mínimo de 4,0 bar no dice si fue un punto aislado, una caída de 100 ms o tres minutos completos.
Para diagnosticar impacto necesitas duración y forma temporal.
Por eso, cuando una variable crítica cruza un umbral, registra:
valor + inicio + duración + contexto operativo
Una excursión breve puede ser irrelevante para temperatura de producto y crítica para un actuador neumático.
11. Frecuencia de muestreo: si no lo viste, quizá nunca lo mediste
Un evento de 200 ms no puede reconstruirse con un dato guardado cada 10 segundos. El sistema puede haber estado leyendo internamente más rápido, pero si solo almacena promedios o snapshots lentos, la evidencia desaparece.
Antes de decir “la presión nunca cayó”, confirma cómo se almacena.
Preguntas útiles:
- ¿cada cuánto lee el PLC?
- ¿cada cuánto se actualiza el SCADA?
- ¿cada cuánto se archiva el historiador?
- ¿se guarda por tiempo fijo o por cambio de valor?
- ¿hay deadband?
- ¿hay compresión de datos?
12. Deadband y compresión: el dato que el sistema decidió que no valía la pena guardar
Los historiadores suelen reducir almacenamiento mediante reglas que omiten cambios pequeños o conservan una representación comprimida. Eso es razonable para tendencias generales, pero puede ocultar variaciones que importan para diagnóstico.
Un cambio de 0,15 bar puede considerarse pequeño para el sistema y ser importante si ocurre justo antes de una falla.
Para investigaciones específicas, revisa la configuración de compresión de los tags relevantes.
13. Sensor de aire versus temperatura real de producto
En cámaras y túneles, la temperatura de aire responde mucho más rápido que una caja, pallet, centro térmico o producto de gran masa.
Una cámara puede volver a su setpoint poco después de cerrar la puerta mientras el producto todavía está retirando carga térmica durante horas.
Por eso, según la pregunta, pueden necesitarse:
- temperatura de aire.
- temperatura superficial.
- temperatura de pulpa o centro.
- tiempo de exposición.
- posición dentro de cámara o pallet.
14. En frío, la ubicación del sensor puede cambiar la historia
Un sensor cerca del evaporador puede leer una condición diferente a uno próximo a puertas, techo, retorno de aire o centro de cámara. Ninguno es necesariamente incorrecto; representan posiciones distintas.
Si el objetivo es controlar una cámara, define qué zona debe representar el punto de medición y valida su ubicación mediante mapeo o estudio apropiado cuando la criticidad lo requiera.
En Chile, el Reglamento Sanitario de los Alimentos establece el marco sanitario general para producción, almacenamiento, transporte y distribución. Para operaciones pesqueras de exportación, deben revisarse además los requisitos vigentes del Manual de Inocuidad y Certificación de SERNAPESCA.
15. Presión de cabecera versus presión donde ocurre el problema
Una red puede mostrar 6,5 bar en sala de compresores y caer localmente a 4,8 bar en una máquina cuando varios consumidores abren simultáneamente.
Posibles causas:
- diámetro insuficiente.
- tramo largo.
- filtro saturado.
- regulador restrictivo.
- manguera subdimensionada.
- consumos simultáneos.
- acumulación insuficiente.
El tag de cabecera no demuestra la condición local.
16. Corriente eléctrica no es igual a carga mecánica, pero cuenta una historia
La corriente de motor puede ayudar a identificar cambios de carga, atasco, fricción o condición de proceso, pero no debe interpretarse aislada.
Revisa junto con:
- velocidad.
- frecuencia del VFD.
- torque estimado si está disponible.
- producto procesado.
- presión o caudal.
- estado de válvulas.
Un aumento de corriente puede venir de más producción, mayor viscosidad, problema mecánico o cambio de setpoint.
17. El código de alarma rara vez es la causa raíz
Una alarma indica una condición detectada por la lógica. Puede ser consecuencia de otra falla.
Ejemplo:
Baja presión → actuador no completa carrera → sensor de posición no llega → alarma "timeout cilindro"
Cambiar el sensor de posición porque aparece en la alarma puede no resolver nada.
Para cada alarma importante reconstruye:
- qué condición lógica la dispara.
- qué señales la preceden.
- qué orden estaba ejecutando el equipo.
- qué otras variables cambiaron primero.
18. Estado de máquina: define qué significa cada palabra
“Operando”, “detenida”, “espera”, “bloqueada”, “sin material” y “falla” parecen categorías claras hasta que se revisa la lógica.
Una línea puede estar energizada y clasificarse como running mientras no produce ninguna unidad. Otra puede registrar un atasco de 20 segundos como microparo, pero uno de 21 segundos como downtime.
Documenta:
- condición exacta de cada estado.
- prioridad cuando varios estados coinciden.
- umbrales temporales.
- qué estados entran al OEE.
Sin eso, comparar períodos puede ser engañoso.
19. OEE: útil para orientar, peligroso para diagnosticar
El OEE resume disponibilidad, desempeño y calidad. Es útil como indicador de nivel superior, pero comprime muchas causas en un número.
Dos líneas con 70% OEE pueden necesitar acciones completamente distintas:
- una pierde por cambio de formato.
- otra por microparos.
- otra por velocidad reducida.
- otra por scrap.
No diagnostiques desde el OEE. Úsalo para decidir dónde abrir el problema.
20. Un OEE puede mejorar porque cambió la definición
Si una detención antes se contaba como tiempo planificado y después se excluye del denominador, el indicador mejora sin que la planta produzca una unidad adicional.
Cada vez que un KPI cambie bruscamente, revisa:
- fórmula.
- denominador.
- exclusiones.
- clasificación de tiempo.
- fuente de velocidad ideal.
- tratamiento de reproceso.
21. La velocidad ideal es uno de los denominadores más manipulables sin querer
Para desempeño, muchas organizaciones usan una velocidad ideal que quedó definida años atrás. Puede haber cambiado producto, formato, equipo o restricción.
Una velocidad ideal demasiado baja infla desempeño. Una demasiado alta condena permanentemente la línea.
Mantén la velocidad nominal por SKU o familia cuando la física sea diferente y registra la fuente: especificación del equipo, prueba de capacidad, mejor desempeño sostenible o estándar validado.
22. El contador de unidades puede estar contando otra cosa
Una fotocélula puede contar:
- unidades que entran.
- unidades que pasan.
- unidades buenas.
- unidades que todavía pueden rechazarse.
Si el contador está antes del rechazo, no representa producto bueno.
En líneas de alta velocidad también puede haber dobles conteos, rebotes, gaps o paquetes pegados que afectan lectura.
La ubicación del contador forma parte de la definición del KPI.
23. Scrap automático versus scrap real
Cuando el sistema infiere scrap como:
entrada - salida
cualquier error de conteo termina convertido en merma.
Cuando el sistema lo toma de registros manuales, puede depender de disciplina del turno.
La mejor práctica es reconciliar periódicamente:
scrap físico pesado o contado ↔ scrap registrado ↔ diferencia del balance
24. Yield: no mezcles problema de proceso con problema de medición
Cuando cae el rendimiento, antes de intervenir equipos revisa:
- taras.
- cortes horarios.
- humedad.
- reproceso.
- WIP.
- factores de conversión.
- clasificación de segunda.
Una caída aparente puede provenir de una balanza, de un lote con distinta humedad o de una transferencia contabilizada en otro período.
El manual de rendimiento y yield debe trabajar junto con esta disciplina: cerrar la masa antes de atribuir causas.
25. ERP versus piso: dos relojes y dos definiciones
Producción suele hablar en tiempo físico: “terminamos a las 22:40”. ERP puede hablar en tiempo transaccional: “se confirmó la orden a las 23:15”. Bodega puede registrar el pallet cuando ingresa a cámara.
Si se mezclan esas fuentes en un reporte diario, aparecen diferencias que no son pérdidas.
Para procesos con WIP importante, define una hora de corte común o una reconciliación explícita.
26. Excel: el problema no es Excel
Una planilla puede ser una herramienta excelente. El riesgo aparece cuando contiene:
- fórmulas diferentes por fila.
- celdas pegadas como valor.
- referencias a archivos que ya no existen.
- rangos que no incorporan nuevas filas.
- unidades mezcladas.
- correcciones manuales sin trazabilidad.
Para planillas críticas:
- protege fórmulas.
- separa input de cálculo.
- documenta unidades.
- controla versiones.
- incluye chequeos de consistencia.
No hace falta eliminar Excel; hace falta saber qué riesgo estás aceptando.
27. La celda que alguien corrige “porque sabe que está mala”
En muchas plantas existe conocimiento tácito que compensa sistemas imperfectos. El supervisor cambia manualmente un valor porque sabe que una balanza deriva. El administrativo corrige una unidad porque un proveedor factura en otra medida. El operador descarta una lectura porque “ese sensor siempre salta”.
Ese conocimiento puede estar salvando el reporte, pero también oculta el problema.
Registra la corrección y su motivo. Si la misma corrección se repite, conviértela en una causa formal que debe resolverse.
28. Datos faltantes: cero no significa ausencia
Cuando una comunicación cae, algunos sistemas muestran:
- cero.
- último valor.
- null.
- valor interpolado.
Cada opción puede inducir una interpretación distinta.
Un caudal de cero puede significar realmente cero flujo o pérdida de comunicación. Una temperatura plana durante seis horas puede ser una cámara extraordinariamente estable o un valor congelado.
Para tags críticos, guarda además calidad de señal o estado de comunicación cuando sea posible.
29. La línea perfectamente plana merece sospecha
Los procesos reales tienen ruido. Una señal absolutamente plana durante demasiado tiempo puede indicar:
- sensor congelado.
- valor forzado.
- tag desconectado.
- resolución insuficiente.
- último valor retenido.
No toda estabilidad es control.
30. El laboratorio también tiene timestamp
Un resultado de humedad, pH, sólidos, microbiología o composición representa una muestra tomada en un momento y lugar concretos.
Para relacionarlo con proceso registra:
- hora de muestreo.
- hora de análisis.
- punto de muestreo.
- lote.
- condición de muestra.
El resultado no debe asociarse automáticamente a una hora de producción solo porque el laboratorio lo liberó entonces.
31. Muestreo representativo: una muestra puede ser exacta y representar mal el lote
El laboratorio puede medir perfectamente una muestra que nunca representó la población.
Ejemplos:
- fruta tomada solo de la parte superior del bin.
- polvo muestreado después de segregación.
- salsa tomada antes de homogeneización.
- producto congelado seleccionado solo de cajas accesibles.
Antes de discutir el decimal del análisis, revisa el diseño de muestreo.
32. Humedad y sólidos: comparar números sin base común
En procesos de alimentos, una variación de humedad puede mover peso, viscosidad, consumo energético, yield y densidad.
Si dos lotes tienen distinta humedad, compara sobre base equivalente cuando corresponda.
Un dato correcto en base húmeda puede inducir una conclusión equivocada si el fenómeno relevante está en sólidos.
33. CIP: conductividad no siempre demuestra limpieza
La conductividad es útil para identificar concentración de soluciones en muchos sistemas, pero no demuestra por sí sola que una superficie esté limpia.
También importan, según el sistema validado:
- tiempo.
- temperatura.
- acción mecánica o velocidad de flujo.
- química.
- geometría.
- condición inicial.
Un ciclo puede alcanzar conductividad objetivo y no remover un depósito localizado.
34. Temperatura de retorno no representa todas las superficies
En un CIP, una temperatura correcta en retorno no garantiza que cada ramal haya recibido idéntica condición. Pueden existir zonas de bajo flujo, válvulas, derivaciones o equipos con comportamiento diferente.
Cuando una falla de limpieza es localizada, la investigación debe ser localizada.
35. El caudal total puede ocultar un ramal débil
Un caudalímetro general puede mostrar flujo adecuado mientras una parte del circuito recibe menos por configuración de válvulas, obstrucción o distribución.
Si el problema siempre aparece en el mismo equipo, no uses solo el caudal total como evidencia de condición local.
36. Calidad de señal antes que calidad de conclusión
Cuando una variable cambia abruptamente, pregunta si cambió el proceso o la señal.
Señales típicas de problema de instrumentación:
- salto instantáneo físicamente improbable.
- valor que toca exactamente máximo o mínimo de escala.
- patrón repetitivo asociado a ruido eléctrico.
- cambio simultáneo en varias señales no relacionadas.
- recuperación inmediata después de reset.
Estas señales no prueban falla de instrumento, pero justifican revisar la cadena.
37. Correlación temporal no demuestra mecanismo
Si dos variables suben juntas, existen varias posibilidades:
- A causa B.
- B causa A.
- una tercera variable causa ambas.
- coincidencia.
Para acercarse a causalidad, busca orden temporal compatible, mecanismo físico plausible, repetición y respuesta al intervenir.
La estadística puede señalar dónde mirar; la física ayuda a decidir qué creer.
38. Antes y después: cuidado con comparar días distintos
Una intervención parece mejorar si el día siguiente tuvo mejor materia prima, menos cambios, otro SKU, menor velocidad, mejor dotación o temperatura ambiente distinta.
Para evaluar una mejora, controla las variables que realmente podrían explicar la diferencia.
39. KPI con demasiados decimales: precisión falsa
Mostrar OEE 73,482%, yield 91,327% o exactitud de inventario 99,947% no agrega información si las entradas no soportan esa resolución.
Los decimales deben guardar relación con capacidad de medición, variabilidad y utilidad de decisión.
Un decimal puede ser suficiente para gestión. Guardar mayor resolución internamente es diferente de exhibir precisión falsa.
40. El KPI puede cambiar el comportamiento que intenta medir
Cuando un indicador está ligado a evaluación, premio o presión, la organización aprende a optimizar la definición.
Ejemplos:
- paradas cortas reclasificadas.
- scrap enviado a reproceso para no contarlo todavía.
- órdenes cerradas en horarios convenientes.
- producción anticipada para cumplir volumen.
No necesariamente existe mala fe. La métrica puede estar premiando una conducta local que empeora el sistema.
41. Audita el comportamiento inducido por el KPI
Para cada indicador relevante pregunta:
- ¿qué conducta premia?
- ¿qué conducta castiga?
- ¿qué puede hacer un supervisor para mejorarlo sin mejorar la planta?
- ¿qué variable podría deteriorarse mientras el KPI sube?
Si existe una forma sencilla de “ganarle” al indicador, tarde o temprano alguien la descubrirá.
42. Chile: estacionalidad que parece desempeño
En agroindustria chilena, el proceso puede recibir materia prima distinta semana a semana: variedad, calibre, madurez, temperatura de cosecha, condición de huerto, tiempo de espera, lluvia o duración de almacenamiento.
Un dashboard que compara turnos sin incorporar esas variables puede convertir variabilidad biológica en ranking de personas.
Para fruta de exportación, además, la clasificación depende de especificaciones comerciales y requisitos del mercado. El SAG señala que los requisitos dependen del producto y del mercado de destino. Un cambio de condición comercial puede alterar el mix de salida sin que la línea haya cambiado físicamente.
43. Packing de fruta: cuando el mejor turno recibió la mejor fruta
Supongamos dos turnos:
- Turno A: 82% exportable.
- Turno B: 88% exportable.
La lectura rápida concluye que B opera mejor.
Al segmentar por calibre y condición:
- A recibió mayor proporción de calibre pequeño y fruta con más defectos.
- B recibió una partida homogénea y más fría.
Al comparar dentro de categorías equivalentes, la diferencia baja a menos de un punto.
La conclusión cambia: el KPI original estaba mezclando desempeño con materia prima.
44. Caso de cámara de frío: el aire decía una cosa y la fruta otra
Una cámara muestra -0,5 °C estable en SCADA. Sin embargo, fruta recién ingresada demora más de lo esperado en alcanzar condición objetivo.
La primera hipótesis es capacidad frigorífica insuficiente.
En terreno se observa que el sensor de control está cerca del retorno de aire frío y responde rápidamente después del cierre de puerta. Dataloggers temporales instalados en distintas posiciones muestran diferencias espaciales. La temperatura de pulpa del producto central evoluciona mucho más lento que la temperatura de aire registrada por control.
El sensor no estaba “malo”. Respondía correctamente a su ubicación. El error estaba en usarlo como evidencia de que toda la carga ya estaba térmicamente estabilizada.
La acción no es simplemente mover el sensor de control. Primero se define qué variable debe controlar el sistema y qué variable debe verificar condición de producto.
45. Caso de sellado: el promedio de presión escondía la falla
Una envasadora presenta sellos débiles varias veces por turno. La presión neumática del dashboard permanece alrededor de 6,1 bar.
Se registra presión local a mayor frecuencia. Aparecen caídas de 6,1 a 4,8 bar durante fracciones de segundo cuando otro consumidor del mismo ramal cicla.
El promedio de un minuto seguía cercano a 6 bar.
La señal anterior no era falsa. Era demasiado lenta y estaba en el lugar equivocado para la pregunta.
Después de corregir distribución y acumulación local, se repite la captura y se verifica que las caídas desaparecen junto con el defecto.
46. Caso de salmón: yield por turno que cambió al ajustar por talla
Una planta observa que una línea obtiene menor rendimiento de filete que otra. Durante varios días la diferencia parece consistente.
Antes de intervenir se revisa distribución de talla. La línea con menor yield recibió una proporción mayor de peces pequeños durante la ventana comparada.
Al estratificar por talla, la brecha se reduce considerablemente y queda concentrada en una categoría específica. Entonces sí tiene sentido revisar cuchillas, ajuste y trimming en esa categoría.
La lección es simple: un promedio agregado puede hacer parecer mecánico un problema de mix.
En operaciones pesqueras y acuícolas destinadas a exportación, la gestión de proceso y registros debe mantenerse alineada con los procedimientos vigentes del Manual de Inocuidad y Certificación de SERNAPESCA.
47. Caso de CIP: todo estaba “verde” en pantalla
Un circuito CIP registra temperatura dentro de objetivo, conductividad dentro de objetivo y tiempo completo.
Sin embargo, una inspección posterior detecta residuo repetitivo en un punto.
Se revisa distribución y se encuentra un ramal cuya condición hidráulica no era equivalente al resto. Los sensores generales estaban correctamente midiendo retorno y concentración del sistema, pero no demostraban que ese punto recibiera suficiente acción mecánica.
El problema se resuelve investigando el circuito local y validando nuevamente el desempeño, no aumentando ciegamente tiempo o concentración de toda la receta.
48. Caso OEE: una mejora de ocho puntos que no produjo más
Una línea pasa de 68% a 76% OEE después de una actualización del sistema.
La producción diaria apenas cambia.
Se revisa la taxonomía y se descubre que parte del tiempo de espera por material, antes clasificado como pérdida de disponibilidad, quedó excluido del tiempo planificado.
La mejora del indicador era real respecto de la nueva fórmula, pero no representaba una mejora física equivalente.
La acción correcta es documentar el cambio de metodología y evitar unir ambas series como si fueran directamente comparables.
49. Caso de checkweigher: el promedio correcto escondía cabezales distintos
Una línea de doce cabezales entrega un peso medio correcto. El giveaway, sin embargo, sigue alto.
Al desagregar por cabezal aparecen dos que llenan sistemáticamente por encima y uno cerca del límite inferior. El promedio total hacía parecer estable al sistema.
Se revisan dosificación y repetibilidad por cabezal. Después del ajuste, el promedio general cambia poco, pero la dispersión baja y permite reducir el objetivo operativo sin aumentar riesgo de unidades bajas.
La mejora vino de mirar distribución, no promedio.
50. Caso de energía: kWh/ton subió y nadie había “gastado más”
El indicador kWh/ton aumenta durante un mes. La primera reacción es buscar equipos ineficientes.
Al separar consumo fijo y volumen producido se observa que la planta operó menos horas productivas, pero mantuvo cámaras, servicios y cargas base.
El consumo total había bajado; el denominador bajó más.
El dato era correcto. La interpretación “estamos consumiendo más energía” era incompleta.
51. Primeros 15 minutos cuando un dato no te convence
Una secuencia útil:
- define exactamente qué fenómeno estás intentando explicar.
- anota hora del evento con la mayor precisión disponible.
- guarda pantalla, tendencia y estado antes de resetear.
- identifica sensor físico asociado al tag.
- comprueba unidad y rango.
- busca una medición independiente o referencia.
- verifica frecuencia de registro.
- compara timestamps.
- observa qué estaba haciendo realmente la máquina.
- recién entonces formula hipótesis.
El objetivo es preservar evidencia antes de que una normalización, reset o cambio de turno la borre.
52. La medición independiente
Cuando una señal crítica está en duda, usa otra forma de observar el fenómeno cuando sea seguro y técnicamente apropiado.
Ejemplos:
- termómetro de referencia.
- manómetro temporal.
- tacómetro.
- balanza de referencia.
- registrador independiente.
- conteo manual temporal.
La segunda medición no tiene que reemplazar al sistema. Su objetivo es responder si ambas cuentan la misma historia.
53. No compares instrumentos sin comparar ubicación y dinámica
Dos sensores pueden diferir porque están en lugares distintos, tienen tiempos de respuesta diferentes, uno mide superficie y otro volumen, o uno está filtrado.
Antes de concluir que uno está mal, hazlos comparables.
54. MSA en terreno: el sistema de medición incluye personas
Measurement System Analysis no se limita a instrumentos.
En una clasificación visual, medición de trimming, lectura de defectos o toma de muestra, el sistema incluye criterio, persona, método, muestra e instrumento.
Si dos inspectores no clasifican de forma consistente, el KPI puede variar sin que el proceso cambie.
55. Señales que deberían hacerte desconfiar del dato
Estas situaciones no prueban error, pero merecen revisión:
- la señal queda exactamente plana durante horas.
- el valor cambia justo cuando se reinicia el PLC.
- el problema existe solo en un turno y desaparece al cambiar de operador.
- dos variables independientes cambian al mismo segundo sin mecanismo común.
- el valor siempre cae exactamente al límite de escala.
- el KPI cambia después de una actualización de software.
- el total diario no coincide con la suma horaria.
- el dashboard muestra más decimales que el instrumento.
- la falla ocurre físicamente, pero nunca aparece en tendencia.
- la misma corrección manual se repite todos los días.
- el promedio está bien y la operación sigue fallando.
- el dato contradice consistentemente una medición independiente.
56. Señales que deberían hacerte desconfiar de tu propia interpretación
También existe el riesgo inverso: culpar al dato porque no confirma la hipótesis.
Desconfía de tu interpretación cuando:
- descartas una señal solo porque “siempre ha funcionado así”.
- eliges únicamente el período que favorece tu explicación.
- cambias varios parámetros y atribuyes la mejora a uno.
- consideras causal cualquier correlación.
- usas experiencia pasada como sustituto de medición actual.
El conocimiento tácito ayuda a decidir dónde mirar; no reemplaza la evidencia.
57. Niveles de confianza de una conclusión
Confirmada. Existe evidencia reproducible que conecta variable, mecanismo e intervención.
Probable. La evidencia es consistente y el mecanismo es plausible, pero falta una prueba decisiva.
No confirmada. Existe sospecha, pero los datos no permiten demostrarla.
Usar estas categorías evita cerrar investigaciones con una certeza que no existe.
58. Cuando no hay datos suficientes
No llenar el vacío con opinión. Define un plan de captura.
Ejemplo:
Problema: disparo intermitente del variador.
Datos actuales: solo código final de falla.
Captura siguiente:
- corriente.
- frecuencia.
- DC bus si está disponible.
- estado de entradas relevantes.
- timestamp común.
- condición de carga.
La conclusión correcta puede ser “causa no confirmada; falta evidencia”. Eso es técnicamente más fuerte que cambiar piezas al azar.
59. El dashboard mínimo útil para diagnóstico
Un dashboard de diagnóstico no necesita veinte gráficos.
Para una variable crítica puede bastar:
- valor actual.
- tendencia temporal.
- mínimo y máximo.
- eventos sobre/bajo umbral.
- estado de máquina.
- producto/SKU.
- velocidad.
Lo importante es que esas variables puedan verse en el mismo eje temporal.
60. Una línea vertical vale más que cuatro dashboards separados
Cuando investigas un evento, sincroniza las variables relevantes y marca el instante del defecto.
Una sola referencia temporal permite responder qué cambió antes, qué cambió al mismo tiempo y qué cambió después.
Si cada sistema usa una pantalla distinta sin reloj común, la interpretación se vuelve mucho más débil.
61. Taxonomía de paradas: menos categorías, mejor usadas
Una clasificación con cincuenta causas puede parecer sofisticada y terminar llena de “otros”.
La taxonomía debe ser suficientemente específica para actuar, simple para que el operador elija correctamente y estable en el tiempo.
Si una causa no conduce a una decisión distinta, quizá no necesita categoría propia.
62. “Otros” no es una causa
Cuando “otros” supera una fracción relevante de las pérdidas, el sistema dejó de explicar.
Revisa los eventos contenidos y crea categorías solo si aparecen patrones repetibles.
No conviertas cada evento único en una nueva categoría. El objetivo es aprender, no producir un catálogo infinito.
63. Manual versus automático
Los registros automáticos tienen alta consistencia, pero pueden interpretar mal el contexto. Los registros manuales incorporan contexto humano, pero varían entre personas.
Una arquitectura robusta combina ambos:
evento automático + clasificación humana + evidencia temporal
El sistema detecta cuándo ocurrió; la persona aporta qué estaba pasando.
64. El cambio de turno es una pérdida de datos
Parte del conocimiento de una falla puede desaparecer cuando cambia la dotación.
Un buen traspaso incluye qué pasó, cuándo, qué variable cambió, qué se probó, qué quedó pendiente y qué no debe volver a tocarse sin medir.
65. Conocimiento tácito: preguntas que extraen mejores datos de la gente
En vez de preguntar “¿qué causa esto?”, prueba:
- ¿qué cambia justo antes de que ocurra?
- ¿en qué SKU casi nunca pasa?
- ¿qué hace distinto el turno cuando empieza a fallar?
- ¿qué valor de pantalla nadie se cree?
- ¿qué sensor miran realmente los operadores?
- ¿qué alarma normalmente ignoran y por qué?
- ¿qué dato anotan aparte porque el sistema no lo muestra?
- ¿qué equipo tiene que “calentarse” antes de estabilizar?
Las respuestas suelen revelar variables ausentes del sistema formal.
66. El dato que todos saben que está mal
Si una organización convive con un dato conocido como poco confiable, existen tres riesgos:
- alguien nuevo puede creerlo.
- otro sistema puede consumirlo automáticamente.
- una auditoría puede asumir que representa control real.
Marca el dato, documenta la limitación y corrige la causa. El conocimiento informal no es un control robusto.
67. Cambios de software y migraciones: rompe la serie antes de fingir continuidad
Cuando cambia PLC, SCADA, MES, ERP o lógica de KPI, la serie histórica puede dejar de ser comparable.
Documenta fecha de cambio, definición antigua, definición nueva, variables afectadas y período de solapamiento si existe.
No escondas el quiebre con una línea continua.
68. Datos buenos para control, malos para investigación
Una señal filtrada es útil para controlar una válvula sin reaccionar a ruido. La misma señal puede ser mala para estudiar un transitorio rápido.
La variable ideal depende del uso: control, alarma, reporte o diagnóstico.
No asumas que una única representación sirve para todo.
69. Datos buenos para auditoría, malos para operación
Un registro diario puede demostrar cumplimiento de una rutina, pero no ayudar a corregir un problema en tiempo real.
La frecuencia y forma de registro deben responder a la decisión que habilitan.
70. Datos buenos para gestión, malos para ingeniería
Una gerencia puede necesitar:
yield semanal = 91,4%
Ingeniería necesita distribución por SKU, turno, materia prima, etapa y corriente de pérdida.
No obligues a todos los niveles a usar el mismo grado de agregación.
71. Cuándo escalar un problema de datos
Escala cuando:
- el dato afecta una decisión de inocuidad.
- la incertidumbre puede cambiar liberación o rechazo.
- dos sistemas oficiales discrepan.
- existe evidencia de pérdida de registros.
- una variable crítica no tiene trazabilidad suficiente.
- el KPI afecta contratos, bonos o declaración externa.
La urgencia no depende solo del tamaño del error, sino del uso del dato.
72. No uses este manual para relativizar un control crítico
Cuestionar un dato no significa ignorarlo.
Si una medición asociada a inocuidad, liberación o cumplimiento es dudosa, debe aplicarse el procedimiento establecido por la organización y la normativa correspondiente. No se debe “interpretar” una desviación a favor de producción sin evidencia y autorización.
En Chile, el RSA establece el marco sanitario general de alimentos. Para exportaciones agrícolas y pesqueras deben revisarse además los requisitos vigentes del SAG, SERNAPESCA y del mercado de destino según corresponda.
73. La física de la señal: cuando el número cambia antes de llegar a la pantalla
Entre el fenómeno físico y el valor que ve el operador pueden existir varias transformaciones. En una señal analógica típica, el proceso modifica un sensor; el transmisor convierte esa condición a una señal eléctrica; una entrada del PLC la escala; la lógica puede filtrarla; el SCADA puede volver a redondearla; y el historiador decide qué parte conservar.
Por eso, cuando un valor parece extraño, conviene separar al menos cinco preguntas:
- ¿el proceso físico cambió?
- ¿el sensor detectó correctamente ese cambio?
- ¿la señal llegó completa al PLC?
- ¿la escala utilizada corresponde al rango real del instrumento?
- ¿la representación final conserva la dinámica que interesa?
Un ejemplo simple es un transmisor 4–20 mA. Si físicamente está configurado para 0–10 bar, pero la entrada del PLC quedó escalada como 0–16 bar, una señal de 12 mA representa aproximadamente 5 bar en el transmisor y 8 bar en la pantalla. La señal puede ser perfectamente estable; el error está en la interpretación de la escala.
74. Damping, histéresis, drift, aliasing y stiction: palabras técnicas con consecuencias muy concretas
Damping o amortiguamiento. Algunos transmisores y sistemas suavizan la señal para evitar ruido. Eso puede ser útil para control, pero puede borrar transitorios rápidos. Si el fenómeno dura menos que el filtro, la pantalla mostrará una versión más lenta y pequeña del evento.
Histéresis. Un instrumento o elemento mecánico puede responder de manera distinta al subir que al bajar. Si una válvula abre a una señal y vuelve a cerrar a otra, mirar un único punto puede esconder la trayectoria.
Drift. Una lectura puede desplazarse lentamente con el tiempo sin generar una falla evidente. Comparar periódicamente contra una referencia permite detectar cambios que una tendencia interna no revela.
Aliasing. Cuando se registra demasiado lento respecto de la velocidad del fenómeno, una oscilación real puede aparecer como otra más lenta, irregular o incluso desaparecer. No es necesario usar el término en terreno; basta entender que “sacar una foto cada cierto tiempo” puede construir una película falsa.
Stiction. En válvulas de control, la fricción puede hacer que la señal de mando cambie gradualmente mientras el elemento permanece casi inmóvil y luego salte. El controlador parece estar trabajando; la válvula responde por bloques.
75. Señal congelada y “último valor bueno”
Una pérdida de comunicación no siempre produce cero. Muchos sistemas mantienen el último valor válido, especialmente si la arquitectura fue configurada para evitar cambios bruscos ante una pérdida momentánea de red.
Eso puede generar una señal visualmente tranquila mientras el instrumento dejó de actualizar hace varios minutos.
Para variables importantes conviene disponer, cuando la arquitectura lo permite, de información adicional:
- calidad del tag.
- estado de comunicación.
- edad del último dato.
- contador o heartbeat.
76. Kit de diagnóstico de datos: qué demuestra cada herramienta y qué no
El objetivo de un instrumento portátil no es “ganarle” al sistema instalado. Es responder una pregunta acotada con una referencia independiente.
Registrador portátil de presión o temperatura
Puede demostrar: transitorios, mínimos, máximos y secuencia temporal en un punto específico.
No demuestra: que toda la red, cámara o producto tenga la misma condición.
Termómetro de referencia
Puede demostrar: diferencia entre una lectura instalada y una referencia en condiciones comparables.
No demuestra: representatividad espacial de una cámara ni condición térmica de todo un pallet.
Calibrador de lazo 4–20 mA, utilizado por personal competente
Puede demostrar: comportamiento del lazo, escalamiento y respuesta de la entrada ante señales conocidas.
No demuestra: que el sensor esté bien ubicado ni que la variable represente el proceso que se quiere conocer.
Manómetro local o logger de presión
Puede demostrar: presión real en el ramal donde ocurre el problema y caídas dinámicas si tiene resolución suficiente.
No demuestra: por sí solo qué componente origina la caída.
Pinza amperimétrica, utilizada por personal autorizado y bajo procedimiento eléctrico seguro
Puede demostrar: cambios de corriente y comportamiento eléctrico asociado a carga.
No demuestra: por sí sola si el origen es mecánico, de proceso o eléctrico.
Tacómetro
Puede demostrar: velocidad física de eje, banda o componente accesible bajo condiciones seguras.
No demuestra: que la velocidad comandada por el VFD sea la misma que recibe efectivamente el producto.
Pesas o referencia de masa apropiada
Puede demostrar: respuesta de una balanza en puntos concretos de su rango.
No demuestra: comportamiento perfecto en todo el rango ni elimina problemas de tara, montaje o procedimiento.
Captura PLC / tendencia de alta frecuencia
Puede demostrar: secuencia de bits, señales y estados con resolución superior a la tendencia habitual.
No demuestra: que la señal lógica represente correctamente la condición física si el sensor o montaje son incorrectos.
Video con referencia temporal
Puede demostrar: secuencia visible de eventos, movimiento, atascos, rebotes y relación temporal aproximada.
No demuestra: presión, fuerza, temperatura o causalidad por sí mismo.
77. Caso completo: tres pistas falsas antes de encontrar lo que el dato estaba ocultando
Una envasadora genera rechazos de sellado intermitentes. Ocurren varias veces por turno, duran menos de un segundo y desaparecen sin intervención.
El dashboard muestra presión neumática estable alrededor de 6,0 bar.
Primera hipótesis: el transmisor de presión está fallando.
Se instala un manómetro de referencia y se compara durante operación normal. Ambos instrumentos coinciden. El transmisor no presenta un sesgo evidente. La hipótesis pierde fuerza.
Segunda hipótesis: el escalamiento de la entrada analógica está mal.
Personal de automatización verifica el lazo con señales conocidas. El PLC y la HMI responden correctamente en varios puntos del rango. No aparece un error de escala.
Tercera hipótesis: hay pérdidas de comunicación.
Se revisan diagnósticos de red y calidad del tag. No hay evidencia suficiente de dropout coincidente con los rechazos.
Hasta ese momento, tres explicaciones razonables no habían demostrado la causa.
Al revisar el linaje completo del dato aparece otra condición: el valor presentado en SCADA tenía amortiguamiento y el historiador conservaba una representación de baja frecuencia adecuada para tendencias de operación, no para eventos subsegundo.
Se instala temporalmente un logger de presión en el ramal local y se sincroniza con la señal de rechazo. En varios eventos aparecen caídas desde aproximadamente 6,0 bar hasta valores del orden de 4,7–4,9 bar durante cerca de 0,8 segundos, coincidentes con la activación de otro consumidor neumático del mismo ramal.
El transmisor estaba bien. El PLC estaba bien. La comunicación estaba bien. La representación almacenada era demasiado lenta para la pregunta.
La investigación continúa sobre distribución neumática, restricción local y simultaneidad de consumos. Después de la corrección, se repite la captura de alta frecuencia y se verifica que desaparecen tanto las caídas como el defecto.
78. Reconciliar sistemas: 100.000 unidades pueden convertirse en cuatro cifras distintas sin desaparecer
Supongamos una orden con 100.000 unidades detectadas por la fotocélula de entrada.
Al corte de turno aparecen:
- fotocélula de entrada: 100.000 unidades.
- checkweigher aceptadas: 99.730 unidades.
- rechazos del checkweigher: 270 unidades.
- contador de palletizador: 99.540 unidades.
- ERP confirmado como producto terminado: 99.420 unidades.
A primera vista parece existir una pérdida de 580 unidades entre entrada y ERP.
Al recorrer físicamente las fronteras:
- 270 unidades están en rechazo, muestra, scrap o circuito de reproceso.
- 190 unidades aceptadas permanecen entre checkweigher, encajonado y buffer al momento del corte.
- 120 unidades ya embaladas pertenecen a un pallet abierto que el ERP aún no reconoce como terminado.
Entonces:
99.420 + 120 + 190 + 270 = 100.000
El balance físico cierra. Los sistemas no estaban contando la misma frontera ni el mismo momento.
Esto no significa que siempre se pueda explicar una diferencia. Significa que antes de llamarla merma, robo, scrap o error de máquina hay que reconciliar:
contador físico → aceptación/rechazo → WIP → embalaje → pallet → transacción ERP
79. Arqueología de automatización: la planta actual puede no coincidir con sus planos
En instalaciones con años de modificaciones es posible encontrar capas sucesivas: máquina importada, adaptación local, nuevo transmisor, cambio de PLC, expansión de línea, integrador distinto, actualización de SCADA y planillas que sobrevivieron a todos esos cambios.
Al investigar un dato sospechoso, revisa si existe evidencia de:
- instrumento reemplazado por otro rango.
- tag reutilizado para otra variable.
- nombre antiguo mantenido en HMI o historiador.
- bypass temporal que se volvió permanente.
- escalamiento distinto entre PLC y SCADA.
- lógica modificada sin actualización del plano o narrativa.
- sensor trasladado físicamente sin cambiar documentación.
- parámetro cambiado por proveedor durante una asistencia y nunca formalizado.
Esto es especialmente relevante en plantas estacionales o instalaciones donde equipos importados reciben adaptaciones sucesivas para trabajar con materias primas, servicios o ritmos locales.
En packing y agroindustria chilena también puede existir una dificultad adicional: parte de los equipos se desmonta, mueve, reinstala o vuelve a ponerse en servicio para la temporada. Un sensor puede regresar “al mismo equipo” y quedar en otra posición, con otro cable, otro tramo o una parametrización distinta.
80. Condiciones chilenas que conviene incorporar al análisis del dato
No existe una única “planta chilena”, pero hay condiciones que pueden cambiar la confiabilidad de una medición y merecen ser consideradas cuando aplican al sitio:
- Lavado intensivo y humedad: conectores, cajas, sensores y entradas pueden trabajar en ambientes agresivos incluso cuando el instrumento nominalmente es apto.
- Equipos importados con integración local: la máquina puede conservar unidades, escalas o arquitecturas distintas de las usadas por el resto de la planta.
- Estacionalidad: equipos y personal vuelven a operar después de meses, aumentando la importancia de verificación de arranque.
- Instalaciones rurales: cuando existe historial de perturbaciones eléctricas, microcortes o respaldo irregular, correlaciona eventos con calidad de energía antes de atribuirlos automáticamente a software o sensores.
- Ampliaciones de frío: agregar capacidad, racks o nuevas zonas sin revisar la representatividad de los sensores puede cambiar lo que un punto histórico representa.
- Repuestos importados: una sustitución “equivalente” puede traer rango, respuesta o configuración diferente.
- Sistemas paralelos: planillas o registros manuales pueden existir porque el ERP/MES no captura una particularidad operativa; eliminarlos sin comprender qué problema resolvían puede borrar información útil.
El objetivo no es asumir que estas condiciones existen. Es incluirlas en la lista de preguntas cuando la historia de la instalación las hace plausibles.
81. Cuando el dato crítico desaparece
Perder un dato de eficiencia no tiene la misma consecuencia que perder evidencia usada para inocuidad, liberación o cumplimiento.
Cuando un registro crítico falta, queda congelado o presenta una calidad de señal dudosa:
- identifica el período exacto afectado.
- preserva evidencia disponible.
- determina qué procedimiento de contingencia aplica.
- evalúa qué producto, lote o decisión quedó expuesto.
- busca una fuente independiente solo si el sistema de gestión permite usarla y su equivalencia puede justificarse.
- documenta la incertidumbre; no la escondas.
Una interpolación estadística puede ser útil para análisis exploratorio, pero no debe presentarse como si fuera una medición que nunca existió. Cuando el dato forma parte de un control de inocuidad o de una decisión de liberación, la ausencia debe resolverse mediante el procedimiento validado de la organización y los requisitos aplicables.
82. Matriz de credibilidad: antes de usar el dato para decidir
No hace falta convertir esta revisión en un puntaje. Su propósito es obligar a declarar qué se sabe y qué no se sabe sobre una señal.
1. ¿Sé qué instrumento físico origina el dato?
☐ Sí ☐ No ☐ Parcial
2. ¿Sé exactamente dónde está instalado?
☐ Sí ☐ No ☐ Parcial
3. ¿Conozco rango, unidad y escalamiento?
☐ Sí ☐ No ☐ Parcial
4. ¿Sé cada cuánto se adquiere y cada cuánto se guarda?
☐ Sí ☐ No ☐ Parcial
5. ¿Conozco filtros, damping, deadband o compresión?
☐ Sí ☐ No ☐ Parcial
6. ¿El timestamp puede compararse con las otras fuentes?
☐ Sí ☐ No ☐ Parcial
7. ¿Existe una referencia o medición independiente razonable?
☐ Sí ☐ No ☐ No aplica
8. ¿La ubicación representa el fenómeno que intento explicar?
☐ Alta confianza ☐ Media ☐ Baja
9. ¿La resolución temporal alcanza para el fenómeno?
☐ Alta confianza ☐ Media ☐ Baja
10. ¿La conclusión seguiría siendo válida si este dato estuviera sesgado?
☐ Sí ☐ No ☐ No está claro
83. Madurez de gestión de datos de planta
Nivel 1: se reporta. Existen indicadores, pero pocas personas saben exactamente cómo se construyen.
Nivel 2: se define. Fórmulas, tags, unidades y fuentes están documentados.
Nivel 3: se valida. Se revisa metrología, ubicación, timestamps, calidad de señal y representatividad.
Nivel 4: se diagnostica. Los eventos pueden reconstruirse con suficiente resolución y contexto.
Nivel 5: se aprende. Las investigaciones cambian sensores, taxonomías, lógica y estándares para que la siguiente falla deje más evidencia que la anterior.
La madurez no se mide por cantidad de pantallas. Se mide por cuánto cuesta demostrar qué pasó.
Anexo 1: ficha de credibilidad de un dato
Variable:
____________________________________________________________
Pregunta que intenta responder:
____________________________________________________________
Instrumento físico:
____________________________________________________________
Ubicación:
____________________________________________________________
Rango / unidad:
____________________________________________________________
Frecuencia de adquisición:
____________________________________________________________
Frecuencia de almacenamiento:
____________________________________________________________
Filtro / deadband / compresión:
____________________________________________________________
Fuente del timestamp:
____________________________________________________________
Última verificación / calibración relevante:
____________________________________________________________
Medición independiente disponible:
____________________________________________________________
Limitaciones conocidas:
____________________________________________________________
Anexo 2: ficha de captura de evento
Fecha y hora exacta:
____________________________________________________________
Equipo / línea:
____________________________________________________________
SKU / lote / receta:
____________________________________________________________
Síntoma observable:
____________________________________________________________
Alarma:
____________________________________________________________
Estado de máquina:
____________________________________________________________
Velocidad:
____________________________________________________________
Variables que cambiaron antes:
____________________________________________________________
Variables que cambiaron simultáneamente:
____________________________________________________________
Variables que cambiaron después:
____________________________________________________________
Captura guardada:
____________________________________________________________
Hipótesis:
____________________________________________________________
Nivel de confianza:
☐ Confirmada ☐ Probable ☐ No confirmada
Anexo 3: auditoría rápida de KPI
Nombre del KPI:
____________________________________________________________
Fórmula exacta:
____________________________________________________________
Numerador:
____________________________________________________________
Denominador:
____________________________________________________________
Exclusiones:
____________________________________________________________
Fuente de cada dato:
____________________________________________________________
Quién puede reclasificar:
____________________________________________________________
Qué conducta premia:
____________________________________________________________
Cómo podría mejorar sin mejorar físicamente la planta:
____________________________________________________________
Último cambio de metodología:
____________________________________________________________
Anexo 4: prueba de sincronización temporal
PLC: ________________________ Hora observada: ________________________
SCADA: ______________________ Hora observada: ________________________
Historiador: _________________ Hora observada: ________________________
MES: ________________________ Hora observada: ________________________
ERP: ________________________ Hora observada: ________________________
Equipo independiente: ________ Hora observada: ________________________
Diferencia máxima detectada:
____________________________________________________________
Corrección / referencia común:
____________________________________________________________
Anexo 5: entrevista de conocimiento tácito
¿Qué lectura de la pantalla normalmente no te crees?
____________________________________________________________
¿Qué variable miras antes de que aparezca una falla?
____________________________________________________________
¿Qué alarma ignoras porque normalmente es consecuencia de otra cosa?
____________________________________________________________
¿Qué ajuste haces que no está escrito en el procedimiento?
____________________________________________________________
¿Qué SKU o lote hace que el equipo se comporte diferente?
____________________________________________________________
¿Qué problema desaparece cuando baja la velocidad?
____________________________________________________________
¿Qué dato anotas aparte porque el sistema no lo guarda?
____________________________________________________________
¿Qué cambia después del CIP, cambio de formato o cambio de turno?
____________________________________________________________
Anexo 6: ficha de arqueología de automatización
Equipo / línea:
____________________________________________________________
Variable o tag investigado:
____________________________________________________________
Instrumento actual y rango de placa:
____________________________________________________________
Rango configurado en transmisor:
____________________________________________________________
Escalamiento en PLC:
____________________________________________________________
Unidad y nombre en HMI:
____________________________________________________________
Nombre / unidad en historiador:
____________________________________________________________
Último reemplazo conocido del instrumento:
____________________________________________________________
Última modificación de lógica conocida:
____________________________________________________________
Proveedor / integrador que intervino:
____________________________________________________________
Plano, P&ID o documento que refleja el estado actual:
____________________________________________________________
Diferencias encontradas entre documentación y terreno:
____________________________________________________________
Acción para cerrar la diferencia:
____________________________________________________________
Anexo 7: referencias y fuentes útiles
- Instituto Nacional de Normalización — Red Nacional de Metrología. Estructura nacional para trazabilidad y comparabilidad de mediciones.
- INN — Servicios de la Red Nacional de Metrología. Información sobre calibración, magnitudes y servicios metrológicos.
- Ministerio de Salud de Chile — Reglamento Sanitario de los Alimentos. Marco sanitario general aplicable a alimentos.
- Servicio Agrícola y Ganadero — Aspectos básicos para exportar productos agrícolas.
- SERNAPESCA — Manual de Inocuidad y Certificación. Procedimientos y requisitos vigentes para productos pesqueros y acuícolas bajo su ámbito.
Cierre
Una planta puede tener miles de tags, tableros en tiempo real y un historiador lleno de información y, aun así, entender mal lo que está ocurriendo. El problema no es falta de datos. Muchas veces es falta de correspondencia entre dato y fenómeno.
La disciplina consiste en volver una y otra vez a preguntas sencillas: qué se midió, dónde, cuándo, con qué resolución, bajo qué definición y para responder qué pregunta.
El dato útil no es el que tiene más decimales ni el que llega al dashboard más bonito. Es el que conserva suficiente relación con la realidad física como para cambiar una decisión sin obligar a adivinar.
Y cuando un número contradice el proceso, la reacción correcta no es elegir entre “creerle al sistema” o “creerle al operador”. Es construir una medición que permita que ambos describan la misma planta.