IA

Fabricante industrial

Predicción de probabilidad de piezas defectuosas

Contexto

Uno de los principales fabricantes de electrodomésticos del mundo, con más de 55 años de historia, producción en 39 fábricas de Europa, Norteamérica, África, y presencia en unos 50 países.

Buscaba mejorar la tasa de defectivos de sus procesos productivos en base los datos que va disponiendo en la medida que avanzaba en su proceso de digitalización.

El Reto

Reto específico:

Uno de los pasos para la fabricación de planchas de cocina es realizar embutición para obtener la forma deseada.

El fabricante aspiraba a que los operarios dispusieran de un sistema prescriptivo que les ofreciese una propuesta del valor al que ajustar los parámetros de proceso que generara el menor riesgo de defectivos posible considerando las condiciones del lote a fabricar.

Por qué es crítico:

Las planchas estampadas de forma defectuosa suponen costes en forma de chatarra, además de los tiempos de proceso perdidos en el ajuste de los parámetros del lote.

Impactos si no se resolvía:

En la fase inicial de fabricación de algunos lotes, se estaban produciendo un gran número de roturas hasta conseguir ajustar los parámetros de la prensa con el consiguiente coste generado, sin poder prever en cuales se iba a producir para aplicar medidas correctivas y siendo estas dependientes de la experiencia del operario que en ese momento estuviera operando la prensa.

Enfoque de LKS NEXT

LKS Next actuó como socio tecnológico de este fabricante, aportando su experiencia en Modelos de analítica avanzada y Machine Learning.

Enfoque:

Se partía de la hipótesis de que pequeñas variaciones en la composición de la materia prima influyen en el volumen de defectivos generados en cada lote y, por tanto, se definió una hoja de ruta en pasos sucesivos e incrementales en los que se iba aportando valor en cada paso.

• Confirmación de la hipótesis inicial mediante un estudio de la correlación de los defectivos de cada lote con los datos de composición de la materia prima utilizada en cada uno, pero también con otros parámetros de la ejecución del proceso.
• Creación de un modelo predictivo que, alimentado con los datos de entrada de fabricación del lote, anticipara el riesgo de defectivos clasificado en tres niveles.
• Definición y registro de medidas preventivas aplicadas ante el aviso de riesgo alto de defectivos en el lote.
• Creación de un modelo prescriptivo que generara las medidas preventivas propuestas para minimizar defectivos dadas las condiciones de entrada del lote, a partir de la información recogida en el funcionamiento con el modelo predictivo.

Metodología:

Desarrollamos el proyecto siguiendo nuestra metodología de enfoque de proyectos de IA predictiva.

La Solución

Descripción técnica:

Modelo de Machine Learning que, basándose en la composición del material utilizado, las características de la pieza y los parámetros de la prensa, es capaz de predecir el riesgo de rotura y que forma parte nuclear de una aplicación para los operarios donde se recogen semiautomáticamente los parámetros de proceso y se ofrecen los resultados para toma de acciones.

La arquitectura de almacenamiento, tratamiento y entrenamiento desarrollada en base a servicios de AWS.

KPIs:

• Más de 100 variables utilizadas. Considerando valores físico-químicos del material utilizado, variables de configuración de la prensa y del proceso de fabricación.
• Más de 450 materiales diferentes. Hay una gran variedad de referencias de material con características propias, que se pueden emplear en este proceso.
• Más de 300 placas fabricadas. A lo largo de 1 año y 10 meses de fabricación se han llegado a producir hasta más de 300.000 placas de cocina.

Resultados y Beneficios

El Modelo obtenido predice el objetivo con una fiabilidad alta, es ligero debido al algoritmo utilizado y por tanto fácilmente escalable, consiguiendo:

• Optimización de los procesos y reducción de los costes y tiempos de ciclo
• Mejora de sostenibilidad: Menor desperdicio de materiales durante el proceso de fabricación

Explora más casos de
IA