El horno vintage que ahora habla

El problema

La curva que da la energía a la batería no deja rastro.

La curva de formación/carga es el proceso que da la energía a la batería — una curva fuera de rango predice directamente una capacidad o CCA bajo, pero hoy nadie correlaciona curva con resultado de test final porque los datos del panel mueren al rotar la pantalla.

• El horno de curado de placas y el rectificador de formación suelen tener más de una década y viven aislados de red por decisión del fabricante. Cambiarlos cuesta cientos de miles y semanas de parada; por eso se aplazan, y mientras tanto siguen produciendo sin dejar datos.
• Su pantalla muestra temperatura, humedad, corriente o tensión cada pocos segundos, y esos datos mueren al rotar la vista. Como mucho, alguien apunta una lectura por turno, y una lectura por turno no describe una curva de doce horas.
• Una curva de formación fuera de rango predice directamente una batería con capacidad o CCA bajo, pero nadie puede cruzar la curva con el resultado del test final.
• Cuando sube el rechazo de CCA, la pregunta de siempre —¿qué circuito de formación, qué ciclo de curado, qué lote de placas?— se responde con suposiciones y con la memoria del turno.

Cómo encaja con el sistema IRIS

Connect en modo foto sobre panel — por fuera del horno, sin abrir nada.

Connect modo foto sobre panel con cámara industrial fija. OCR + LLM anclado interpreta cada frame, estructura la curva temporal por lote y la cruza con el ERP para saber qué lote estaba en proceso en ese momento. Cero modificación del equipo original.

No se integra con el autómata del horno ni del rectificador, no se abre ningún puerto y no se instala nada en el equipo. La máquina sigue siendo la misma, y por primera vez la planta tiene su curva en memoria, lote a lote. Es la forma de alargar la vida de un equipo que funciona bien pero no habla. Y de decidir su sustitución con datos, no por miedo.

Ver la arquitectura IRIS completa →

Antes y después

El panel mudo de hoy frente al panel digitalizado

Aspecto	Hoy	Con iLEAN Connect
Curva de formación por circuito	Visible solo en pantalla	Histórico estructurado por lote
Ciclo de curado de placas	Se da por bueno	Temperatura y humedad registradas
Rechazo de CCA en test final	Sin causa atribuible	Cruzado con su curva en minutos
Autómata del horno	—	Sin modificación ni revalidación
Garantía del fabricante del horno	En riesgo si se toca	Intacta
Sustitución del horno o rectificador	Urgente en el plan de CAPEX	Aplazable indefinidamente

Cero correlación curva ↔ resultado de test final → análisis causa-raíz por lote en minutos. Reemplazo de equipo urgente → aplazable indefinidamente.

Estimación de impacto

Estimación de impacto — a validar con vuestros números.

El siguiente bloque es una estimación a validar con los datos concretos de tu planta. Lo planteamos para que el comité tenga un orden de magnitud; lo refinamos en el diagnóstico.

• Payback estimado 5-10 meses.
• Más el CAPEX de sustitución evitado, que en este tipo de equipo supera los 300.000 €, además de las semanas de parada que exigiría el cambio.
• Reducción de scrap gracias a la correlación entre curva y defecto, hoy imposible de hacer. Con la curva por lote, una formación que se desvía se corrige antes de que llegue al test final, y el mismo dato sirve para ajustar el ciclo de curado.
• Y el análisis de causa raíz por lote pasa de no existir a resolverse en minutos.

Payback estimado 5-10 meses, más evitación de CAPEX de reemplazo de equipo (>€300K) y reducción de scrap por correlación curva ↔ defecto. *Estimación a validar*.

Y la duda razonable del responsable de producción

«¿Una cámara mirando una pantalla vieja da datos fiables?» — es tarea anclada: panel fijo, campos en posición conocida y rangos físicos esperados, donde los mejores modelos bajan del 1,5% de error [1]. Y un fotograma con un valor de corriente o temperatura imposible para ese ciclo se descarta en lugar de darse por bueno, para que la curva no se contamine. Lo que queda en memoria es una serie en la que se puede confiar ante un cliente.

^[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.