Aplicación de técnicas de Machine Learning en la construcción de un modelo predictivo para la fabricación de tableros MDF.
Este proyecto ejemplifica el valor de la Inteligencia Artificial en un ámbito industrial, tanto para la mejora de la eficiencia productiva como de la calidad final del producto.
En las plantas de producción industrial es crítico el control de la multitud de variables que intervienen en los procesos y determinan la calidad de los productos finales. El control de estas variables no es una tarea sencilla y requiere ajustes continuos por parte de los operarios de planta. En este caso, variaciones en factores como la velocidad de la cinta, la temperatura, la humedad, provocaban frecuentes desviaciones respecto al set point que marca el comportamiento óptimo del proceso. El control y la predicción, por tanto, resultaban críticos.
El objetivo del proyecto se concretó en modelizar el comportamiento de una fase acotada del proceso de fabricación de los tableros de fibra de densidad media, para que su calidad final se ajustara a las especificaciones previamente definidas y aumentara la eficiencia en la producción. Ambos objetivos fueron conseguidos.
En este proyecto hemos utilizado para el análisis de datos y la predicción del comportamiento de la línea de fabricación. En una primera fase trabajamos con datos históricos (elaboración del modelo teórico) para, en una segunda fase, explotar datos reales y realizar predicciones al ritmo que exigía la línea de fabricación.
En primer lugar hemos analizado un conjunto de unos 60.000 registros correspondientes a unas 70 variables diferentes (pesos, presiones, velocidades, niveles, alturas…) recogidos a lo largo de una semana. Con estos datos históricos, determinamos cuales eran las variables que, en la fase de fabricación objeto de estudio, resultaban más determinantes en la calidad del producto final. Para ello fue necesario aplicar un conjunto de tecnologías de Big Data que ordenasen, clasificasen, limpiasen y cualificasen los datos. Posteriormente se calculó la función de transferencia que describe, a lo largo del tiempo, el comportamiento del proceso.
Una vez obtenido este valioso y nuevo conocimiento, ya sabíamos cómo se habían hecho las cosas, cual había sido el resultado y qué factores y en qué medida habían intervenido en el mismo. Podíamos, pues, empezar a determinar los criterios de mejora.
Como paso final, hemos creado un cuadro de mando que en tiempo real ofrece toda esta información. A continuación, tras un intenso trabajo de prueba y selección de la combinación de algoritmos más eficaces, aplicando tecnología de Machine Learning, introdujo en este cuadro de mando los gráficos descriptivos de su predicción, indicando en que medida debía ser ajustada una determinada variable, identificada como crítica, para la obtención de un resultado muy cercano al 100% de fiabilidad respecto al previamente definido.
Una vez realizado este trabajo, a través de nuestro motor de análisis y predicción, el modelo ha comenzado a proponer recomendaciones que permiten tomar decisiones para la mejora de la eficiencia productiva y la calidad final de los productos. La implementación de esta solución finaliza con la automatización de las acciones derivadas de las recomendaciones propuestas por nuestra herramienta. Dicho de otra manera, la herramienta consigue que la propia línea se autorregule, obteniendo mejores resultados en calidad y costes.
