Machine learning aplicable en proceso industriales multietapa

Garantizar la calidad de una pieza fabricada es de vital importancia, pues asegura la experiencia y seguridad del usuario final, y ayuda en la optimización de los procesos internos y costos de la compañía.

Si durante el proceso de fabricación no se detectan fallas, la inspección final dará la última palabra en cuestión de calidad. Si el producto no cumple con la calidad requerida sencillamente no llega al usuario final. Por tal motivo se vuelve indispensable seguir minuciosamente cada etapa en el proceso de fabricación, ya que un solo error que ocurra en cualquiera de las etapas, repercute directamente en la calidad final de la pieza. Descubrir como afecta cada variable del proceso a la calidad final es de vital importancia.

La capacidad de almacenamiento y potencia de cómputo van en aumento día a día, lo que le brinda a las empresas la posibilidad de realizar asistencia técnica remota y un monitoreo constante en los procesos. El alcance tecnológico del que se dispone hoy en día permite llevar a cabo esta labor de forma rápida y eficiente, es así como el Machine Learning cobra una gran relevancia en este tipo de aplicaciones.

Para los tipos de casos que incluyen procesos industriales multietapa la tecnología Machine Learning supone un gran avance en la medida que permite identificar como afectan las variables del proceso a la calidad final de la pieza. El uso de modelos y test estadísticos son hasta el día de hoy la mejor herramienta para entender como se relaciona un conjunto de variables. El objetivo en estos casos es que Machine Learning reemplace estos procesos, pues supone una herramienta de medición más precisa y eficiente.

En Tecnalia, trabajamos en esta línea, con la iniciativa europea for Zero Defect Manufacturing (forZDM) y que tiene como objetivo desarrollar y demostrar herramientas que respaldan el despliegue de soluciones cero defecto en la industria y diseñar sistemas de fabricación multietapa más competitivas y robustas.

Una de las tecnologías que ya se han desarrollado consiste en una herramienta para el análisis de datos y emplea técnicas de Machine Learning enfocado en procesos industriales multietapa.

Uno de los objetivos es identificar variables críticas en el proceso que repercuten en la calidad final de la pieza. Es además una herramienta dirigida a personas no expertas en analítica de datos, pero que conocen a cabalidad el proceso de fabricación. La interfaz funciona con un conjunto de datos conectados que permiten ajustar y validar un modelo sin necesidad de programar. Entre varias de sus funcionalidades están:

• Carga un conjunto de datos
• Selecciona las variables de entrada y salida. Elige el tipo de problema
• Selecciona la forma de validar el modelo y configurarlo.
• Devuelve medidas de ajuste del modelo
• Devuelve el ranking de variables, ordenándolos de mayor a menor.
• Guarda el modelo generado para realizar futuras predicciones.

Esta herramienta ya ha sido validada en diferentes casos, por ejemplo, en la instalación de remaches ciegos, y en el mecanizado de ejes de turbinas de avión.