Jidoka en dos estudios SMT: leer la evidencia antes de comparar

Dos estudios sobre Jidoka en montaje electrónico describen rutas distintas para responder a problemas de calidad. Deuse et al. explican una propuesta predictiva que usa datos de proceso para anticipar la posición de componentes soldados. Uhlmann et al. reconstruyen una falla de coplanaridad en un conector HDMI, desde la queja del cliente hasta una intervención del proveedor. Leerlos en paralelo sirve para preguntar qué detectó cada equipo, cuándo intervino y qué resultado atribuye a sus acciones.

No sirve para concluir que una solución digital supera a una respuesta de inspección, ni para trasladar sus cifras a otra planta. Deuse et al., pp. 7–9; Uhlmann et al., pp. 467–473.

La palabra «ejemplo» puede referirse a cosas diferentes. En un artículo, puede ser una aplicación que ilustra una metodología, un caso observado en una empresa o una secuencia diseñada para enseñar. Esa diferencia importa: la evidencia no tiene el mismo alcance. Deuse et al. presentan una investigación de combinación entre métodos de Lean y funciones de digitalización, y usan una aplicación SMT para explicar Jidoka 4.0.

Uhlmann et al. relatan un proyecto concreto, organizado con DMAIC, ante un defecto que había llegado al cliente. Ambos textos son estudios publicados; sus propósitos y el detalle de sus datos no son idénticos.

La pregunta de lectura: señal, decisión y resultado

Para comparar un caso de Jidoka, separa tres momentos. Primero, la señal: qué dato, inspección o queja hizo visible una posible anomalía. Después, la decisión: quién interpretó esa señal y qué respuesta describe el estudio. Por último, el resultado: qué cambió en los datos o en el proceso, y durante cuánto tiempo lo observaron los autores. Si el artículo no informa uno de esos momentos, la comparación debe conservar el vacío en vez de completarlo con una explicación plausible.

Esta lectura evita confundir detección con prevención. Encontrar más defectos en una estación puede indicar que el control ve más casos, no que el proceso genere menos defectos. De manera similar, predecir una medida de calidad antes de la inspección final puede anticipar dónde mirar, pero no demuestra por sí solo que el producto se corrigió ni que el modelo mantendrá su rendimiento con otros datos.

En ambos estudios hay una cadena entre señal y respuesta; la cadena contiene pasos distintos que conviene nombrar por separado.

También conviene marcar quién produce cada afirmación. Los hechos de contexto y la cronología se atribuyen al artículo. La explicación que los autores ofrecen de una causa se presenta como su conclusión. La comparación entre los estudios es una lectura editorial de dos publicaciones, no una conclusión que ambos equipos hayan probado juntos. La diferencia puede parecer pequeña en una frase; cambia mucho el grado de certeza que un lector debe asignarle.

Deuse et al.: predecir una medida de calidad en SMT

El artículo de Deuse y sus coautores se titula Systematic combination of Lean Management with digitalization to improve production systems on the example of Jidoka 4.0. El trabajo explica cómo buscar sinergias entre métodos de un sistema de producción Lean y funciones de Industria 4.0. Los autores indican que analizaron 358 casos industriales de una plataforma y compararon los métodos de Lean con funciones digitales.

Ese análisis alimenta una descripción estandarizada del método; no equivale a 358 pruebas de la aplicación SMT que aparece después. La cifra pertenece a la fase de análisis de casos, no al tamaño de una validación del modelo predictivo. Deuse et al., pp. 3–6.

En su marco, Jidoka 4.0 combina el seguimiento de proceso y calidad con análisis de datos. El propósito descrito es detectar desviaciones de proceso y derivar una predicción de calidad, de modo que una posible respuesta pueda iniciarse antes de que la inspección final confirme un defecto. El artículo lo presenta como una evolución de la detección posterior del fallo. Esa formulación describe la lógica del método, no un mandato para instalar sensores o parar una línea mediante un algoritmo.

La tabla de método contiene elementos de diseño y de implementación; no todos son resultados experimentales de la aplicación. Deuse et al., pp. 5–7.

El ejemplo de manufactura se centra en la posición correcta de componentes soldados en una línea de montaje superficial, SMT. Según el artículo, esa calidad se comprobaba previamente con un sistema de rayos X al final del proceso. Para anticipar el resultado, se emplearon parámetros de proceso y datos de sensores, junto con datos de inspección visual tomados en distintos puntos de la línea y mediciones de calidad del producto final.

Los autores informan que probaron Gradient Boosted Trees y que el método rindió mejor que otros modelos supervisados considerados. No especifican allí un tamaño de muestra ni cifras de precisión, sensibilidad, falsos positivos o desempeño fuera de esa aplicación. Deuse et al., pp. 7–8.

Esta diferencia entre una variable prevista y una acción es fácil de pasar por alto. El modelo estima si la posición del componente queda dentro o fuera de especificación. La estimación podría dar tiempo para investigar una desviación antes de que la inspección final encuentre la pieza problemática. Pero el artículo no describe una secuencia completa de alertamiento, paro, aislamiento de lotes y liberación de producto en esa fábrica.

Tampoco proporciona una regla para decidir qué puntuación debe detener una máquina. Llamar «parada automática» a la salida del modelo añadiría un paso que no está documentado en el ejemplo.

Los autores sitúan la aplicación dentro de una descripción más amplia del método, con datos de proceso y calidad, sensores y análisis. La tabla de Jidoka 4.0 también enumera necesidades, competencias, riesgos y condiciones de implementación. Entre ellas aparecen la preparación de datos, la evaluación del modelo, la conexión de equipos y la susceptibilidad de sensores a fallos o de modelos a clasificar piezas correctas como rechazadas y rechazadas como correctas.

Es útil leer esos elementos como preguntas de diseño que la propuesta reconoce, no como pruebas de que cada riesgo se midió en el caso SMT. Deuse et al., pp. 6–8.

El artículo distingue además entre potencial y evidencia disponible. En su análisis de sinergias, que no se haya encontrado un caso práctico documentado para una combinación no significa que sea imposible; significa que los autores no encontraron tal caso dentro de la base que revisaron. La advertencia va en ambas direcciones. Una combinación plausible no queda demostrada solo por ser técnicamente imaginable, y una categoría sin caso recopilado no queda descartada para siempre.

Este matiz impide convertir la matriz del estudio en un catálogo de tecnologías universalmente eficaces. Deuse et al., pp. 3–5.

Por eso, al leer el ejemplo SMT, una ficha prudente recogería: qué variable se predijo, qué datos alimentaron el análisis, qué medición final servía de referencia, qué modelos se compararon y qué detalles no aparecen. «GBT fue el mejor entre los modelos probados» es una afirmación acotada. No permite inferir que superaría a cualquier alternativa, que generaliza a otra línea, que sustituye la inspección o que tiene una tasa de error determinada.

Esos datos serían necesarios para una evaluación local, pero no están en el pasaje publicado que sustenta este caso.

Uhlmann et al.: seguir una falla HDMI entre etapas

El estudio de Uhlmann y sus coautores relata una intervención ante productos set-top box que llegaban al cliente sin vídeo. El equipo vinculó el síntoma con la coplanaridad del componente HDMI identificado como SK9600, en una multinacional del Polo Industrial de Manaus, Brasil. El artículo ubica el proyecto en una planta y una cadena de proceso concretas. No ofrece una muestra representativa de fabricantes de electrónica ni plantea que todos los fallos HDMI tengan la misma causa.

Uhlmann et al., pp. 465–467.

La etapa de medición reúne registros de varios puntos. El equipo usó información recibida sobre las fallas en el cliente final, formularios de inspección visual de placas en SMT y resultados de pruebas funcionales en la etapa de inserción manual. En la semana 7 comenzó el impacto descrito en el cliente externo. Tras la queja, desde la semana 8 los inspectores de SMT pusieron atención específica en la coplanaridad del componente.

El estudio dice que esa acción elevó la detección en SMT y mitigó los impactos en etapas posteriores, pero advierte que era una disposición de detección: el problema seguía ocurriendo. Uhlmann et al., pp. 467–468.

Esa observación permite distinguir el lugar donde el defecto se ve del lugar donde se origina. Al concentrar la inspección en SMT, el equipo podía capturar más piezas con el síntoma antes de que avanzaran. Eso no identificaba todavía por qué el componente llegaba desalineado. El resultado intermedio, por tanto, fue una mejor oportunidad para detectar y contener, no una causa eliminada.

El artículo menciona que también bajaron los impactos en inserción manual y en el cliente, aunque las figuras y la cronología pertenecen a ese estudio y no sirven para calcular una reducción transferible a otra línea.

En la semana 9, el equipo de ingeniería de prueba añadió una prueba funcional por muestreo a la salida de inserción manual. Su objetivo era interceptar el síntoma de «sin vídeo» antes del cliente externo. En la semana 10 añadieron inspección óptica automática en SMT. El artículo señala que esa máquina detenía sus actividades cuando detectaba el fallo.

En la lectura comparativa, es importante mantener la fecha, el lugar y la función de cada control: inspección visual enfocada, prueba funcional por muestreo y AOI no son una sola intervención intercambiable. Uhlmann et al., pp. 468–469.

El diagnóstico de causa siguió otra vía. El equipo multifuncional enumeró doce causas posibles y empleó una matriz de causa y efecto. Siete integrantes asignaron puntuaciones de 1 a 9 según la importancia que atribuían a cada posibilidad; al multiplicarlas, el terminal desalineado quedó muy por encima del resto. Después inspeccionaron visualmente por muestreo componentes aún en el bolsillo de la cinta y encontraron muestras defectuosas.

El texto dice que el equipo concluyó que la coplanaridad era la causa raíz y envió una reclamación formal al proveedor. Es una secuencia de evidencia reportada por el equipo, no un ensayo que aislara de forma controlada todos los factores. Uhlmann et al., p. 468.

La acción definitiva descrita no fue añadir otra alarma. El proveedor identificó el proceso de almacenamiento del componente en el bolsillo de la cinta y modificó las dimensiones internas de ese alojamiento. Los lotes corregidos se usaron desde la semana 23. Los autores informan que después desapareció el defecto en los tres puntos: SMT, inserción manual y cliente externo; también indican que actualizaron FMEA, plan de control e instrucciones de trabajo.

Ese cierre temporal importa al interpretar el caso: la contención se desplegó antes, mientras que el cambio del proveedor llegó después. No deben fusionarse ambas fases en una sola intervención instantánea. Uhlmann et al., pp. 469–471.

Los autores reportan cero defectos de coplanaridad durante el resultado descrito y un «ganho financeiro anual de $ 5.352». La fuente no identifica la moneda; por eso se conserva el signo y la cantidad como los presentan los autores, sin traducirlo a dólares estadounidenses ni a otra divisa. El artículo no aporta aquí datos suficientes para recalcular una tasa comparable, el periodo exacto de exposición, la producción total ni el método contable del importe.

La cifra y las menciones a satisfacción del cliente y moral del equipo pertenecen a ese proyecto; no son una previsión para otra línea. Uhlmann et al., pp. 471–473.

Comparar sin forzar equivalencias

Una tabla facilita ubicar las diferencias, siempre que no esconda la asimetría de los materiales. El trabajo de Deuse es una propuesta metodológica que muestra una aplicación predictiva. El de Uhlmann documenta un proyecto de mejora con una cronología de medidas y un cambio informado por un proveedor. El primero formula cómo conectar datos, modelos y método; el segundo permite reconstruir cuándo se movió la detección y cómo evolucionó la respuesta.

Ninguno es una prueba comparativa entre enfoques digitales y manuales.

Qué datos faltan para comparar resultados

Los dos estudios tampoco definen una medida común. Deuse et al. no informan el tamaño de muestra ni métricas predictivas numéricas para su ejemplo. Uhlmann et al. combinan información de quejas, formularios manuales de inspección y pruebas funcionales; el artículo no da aquí un denominador común para convertir esas fuentes en una tasa comparable a la de Deuse.

Por eso la comparación se limita al tipo de señal y al orden de respuesta que describen, no a cuál redujo más defectos o cuesta menos.

Fuentes revisadas

• Deuse, J., Dombrowski, U., Nöhring, F., Mazarov, J. y Dix, Y. (2020). “Systematic combination of Lean Management with digitalization to improve production systems on the example of Jidoka 4.0”. International Journal of Engineering Business Management, 12, 1–9. SAGE, DOI 10.1177/1847979020951351. Localizadores del PDF autoral: pp. 3–6, marco de clasificación; pp. 6–7, tabla Jidoka 4.0 y riesgos; pp. 7–9, ejemplo SMT, interpretación y conclusión.
• Uhlmann, I. R., Silva, C. A. de S., Quadras, D. L. de O. y Frazzon, E. M. (2020). “Aplicação do Jidoka em um processo SMT: estudo de caso”. Exacta, 18(3), 459–474. Exacta/Uninove, DOI 10.5585/ExactaEP.v18n3.8473. Localizadores: pp. 465–466, contexto y problema; pp. 467–470, medición, análisis y acciones; pp. 471–473, control, resultados y discusión.

Preguntas frecuentes

Las respuestas siguientes resumen pasajes de ambos estudios ya citados en el artículo: Deuse et al., pp. 7–9 y Uhlmann et al., pp. 467–473.

¿Los estudios demuestran que un modelo predictivo siempre mejora Jidoka?

No. Deuse et al. presentan una aplicación y un marco de método; el artículo no aporta en ese ejemplo métricas suficientes para estimar una mejora universal, precisión transferible o ROI.

¿La inspección visual de Uhlmann resolvió por sí sola la falla HDMI?

No. El artículo relata que la inspección enfocada elevó la detección, pero el problema seguía ocurriendo; después añadieron pruebas y AOI, y el proveedor modificó el alojamiento del componente.

¿Por qué cambió el punto de inspección en el caso HDMI?

El equipo añadió controles en etapas distintas para evitar que el síntoma avanzara hacia el cliente mientras investigaba la causa. El artículo describe esa secuencia concreta, no una receta obligatoria.

¿Puedo usar los resultados como objetivo para mi planta?

No sin evidencia propia. Los procesos, datos y límites de cada estudio son específicos; los resultados reportados no predicen lo que ocurrirá en otra línea.