Machine learning en procesos industriales multietapa: herramienta orientada a usuarios no expertos

Machine learning en procesos industriales multietapa: herramienta orientada a usuarios no expertos

Compártelo:

La medición de la calidad de una pieza final es la última operación de inspección en la línea de producción antes de que el producto llegue al cliente. Si las disconformidades no se detectan durante el proceso de fabricación, la inspección final debe asegurar su detección. Por todo ello, es importante tener el control de los parámetros de proceso y el conocimiento de cómo influyen en la calidad final de la pieza.

Un proceso de fabricación multietapa consiste en múltiples operaciones de fabricación: cada una de las operaciones introducen un error a la calidad final de la pieza, que se va acumulando y propagando con el progreso del proceso. Descubrir cómo repercute cada variable de proceso en el indicador de la calidad de la pieza final es de especial interés.

El aumento de la capacidad de almacenamiento y potencia de cómputo han hecho posible realizar una asistencia técnica remota y la continua monitorización de los procesos. El análisis íntegro y el uso de los datos son una de las capacidades clave en la Industria 4.0; el modelado matemático y la aplicación de Machine Learning son de  gran relevancia.

Estas técnicas, entre otras cuestiones, deberían de ayudar a identificar cómo afectan las variables de proceso en la calidad final de la pieza. Tradicionalmente se han utilizado modelos estadísticos así como test estadísticos y análisis multivariable para entender cómo se relaciona un conjunto de variables, aunque se pueden utilizar learners como  árboles de decisión para conocer el peso que tienen en el modelo las variables de entrada.

TECNALIA está trabajando en esta línea en la iniciativa europea for Zero Defect Manufacturing (forZDM); 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 se han desarrollado en el proyecto es una herramienta para el análisis de datos que emplea técnicas de Machine Learning enfocado a procesos industriales multietapa.

Uno de los objetivos ha sido identificar variables críticas en el proceso que afectan a la calidad final de la pieza. Además se dirige a usuarios no expertos en analítica de datos, pero que tienen alto conocimiento en el proceso. Gracias a su interfaz amigable, conectando diferentes cajas con flechas es posible ajustar y validar un modelo a un conjunto de datos sin tener que programar. La herramienta ofrece las siguientes funcionalidades:

  • Cargar un conjunto de datos
  • Seleccionar las variables de entrada y salida. Elegir el tipo de problema, regresión /clasificación.
  • Seleccionar la forma de validar el modelo y configurarlo.
  • Devuelve medidas de bondad de ajuste del modelo.
  • Devuelve el ranking de variables, ordenado de mayor a menor, dependiendo el peso que tiene cada variable en el modelo.
  • Guarda el modelo generado para realizar futuras predicciones o, comprobar si se ajusta a un nuevo conjunto de datos.

La herramienta ha sido validada en diferentes casos de uso como la instalación de remaches ciegos y mecanizado de ejes de turbinas de avión, ambos procesos de fabricación multietapa: hemos podido conocer las variables de proceso más significativas que influyen en los indicadores de calidad como tolerancias de las medidas en el caso del mecanizado y medidas del remache instalado en el caso del remachado. También se han identificado momentos del proceso más críticos, además del efecto que tiene de un proceso previo como el taladrado en el proceso posterior de remachado.

Sobre Maialen Murua Etxeberria

Graduada en Matemáticas con mención en Matemática Aplicada, Estadística y Computación en 2014 por la Universidad del País Vasco (UPV/EHU). Realizó el Máster Universitario en Ingeniería Computacional y Sistemas Inteligentes en 2016 en la misma universidad. En 2016, se unió al área de Industria y Transporte de TECNALIA como estudiante de doctorado en Ingeniería Informática.

Actualmente está desarrollando su tesis en el área de Smart Systems en la aplicación de técnicas de Machine Learning, Inteligencia Artificial e Investigación Operativa en procesos de fabricación.

Dejar un comentario

* Campos obligatorios