Detección de errores y detección de anomalías

Cada mes que pasa desde hace dos años establece desafíos sin precedentes para los productores de la industria pesada a nivel de planificación de negocio y mantener toda la cadena de suministro por dentro del presupuesto. Este artículo pone su énfasis en el desarrollo de negocio que afecta directamente al proceso de producción y mantenimiento, y que ha sido descuidado imprudentemente: detección de errores y detección de anomalías.

La extrusión de polímeros y la fundición de moldes de plástico pueden producir hasta un 3-5% de componentes defectuosos, lo que genera desperdicio de material y costes financieros adicionales. La fundición de hierro presenta proporciones más bajas, pero debido a las altas temperaturas y los componentes masivos, algunos procesos de producción pueden presentar una seria amenaza para la seguridad. La detección de errores es la actividad que se ocupa de reducir estos efectos.

¿Cómo funciona la detección de errores y la detección de anomalías?

La respuesta se encuentra en la ayuda que proporciona una herramienta de análisis avanzado.

Antes de entrar en detalles, es importante entender por qué en algunos casos las anomalías y/o errores se conservan para tener un tipo de comportamiento probabilístico. A pesar de que el proceso de producción es completamente determinista, a veces los errores que ocurren durante el proceso de producción parece que tienden a ocurrir por azar, ¿por qué podría estar sucediendo esto?

• Falta de información recopilada para una correcta representación del proceso, lo que significa que hay una representación parcial.
• Baja precisión de las mediciones sobre el proceso de producción, lo que significa que no se recopilan los datos correctamente.
• Se pueden obtener mediciones de alta calidad e información de las variables, pero la correlación entre ellas es demasiado compleja para la comprensión y la toma de decisiones.

Es por estos motivos que el objetivo principal de los fabricantes modernos no es sólo saber cuándo ocurrirá el error, sino comprender el por qué. Con esta información sobre la mesa, la empresa podrá situarse dos pasos por delante de las posibles interrupciones de la producción y las consecuencias negativas de las mismas.

Para hacer frente a este conjunto de información y características se debe, en primer lugar, crear un modelo basado en analítica avanzada que sea capaz de estimar la probabilidad de que se produzca el error.

El siguiente paso, con la ayuda de “Model Explainability” (un programa de aprendizaje automático que ayuda a comprender los datos), se reduce la brecha entre un modelo de predicción de errores de alto rendimiento y la definición de lo que se debe hacer en el proceso de producción para reducir los errores.

En ambas etapas, la tecnología del “Data Science” debe fusionarse con el conocimiento de los expertos del sector industrial, que podrán proporcionar una representación cualitativa del proceso y guiar el desarrollo del modelo cuantitativo.

El valor de la tecnología de detección de errores y la detección de anomalías

La tecnología de Detección de Errores y Detección de Anomalías que se basa en los modelos de “Machine Learning” proporciona a los fabricantes un mecanismo de análisis de datos obtenidos previamente y utilizarlos en su beneficio para prevenir futuros fallos en los procesos de producción.

Para conseguir una visión más detallada sobre la detección de errores y la detección de anomalías en la industria manufacturera, que incluye ejemplos de la vida real, así como una explicación simple del modelo de análisis avanzado y el “Model Explainability”, haga clic aquí.

Autores:
Nadia Alexandrovich (Tech copywriter)

Eduard Gimenez (Director of Data Science & AI Solutions)