El CSIC y la Universidad Politécnica de Madrid han desarrollado un programa que, mediante técnicas de ‘machine learning’, genera información útil y recomendaciones que permitan optimizar los procesos productivos. El programa es de coste asequible y se ha creado en el marco del proyecto europeo KITT4SME para que las pymes puedan acceder a este tipo de herramientas.
Visualización de las salidas del programa utilizando un panel/interfaz de usuario con dos indicadores: rendimiento y piezas defectuosas“En las empresas no siempre saben qué factores influyen más en los resultados”, explica Rodolfo Haber, investigador del Centro de Automática y Robótica, centro mixto del CSIC y la Universidad Politécnica de Madrid (UPM). “Fijan unos parámetros y piensan que va bien, cuando en realidad, si analizaran bien sus datos podrían descubrir que con una modificación de los parámetros los resultados mejorarían”.
Dice Rodolfo Haber que “el gran valor de las empresas son sus datos” y que "su análisis puede reportar muchas mejoras para la empresa". Sin embargo, ese análisis puede resultar costoso y complejo para las pequeñas y medianas empresas.
En ese contexto se lanzó el proyecto europeo KITT4SME, que tiene como objetivo poner al alcance de las PYME herramientas asequibles de inteligencia artificial para optimizar sus sistemas de producción.
En el marco de este proyecto, el equipo investigador dirigido por Haber ha desarrollado un programa que mediante técnicas de ‘machine learning’ analiza todos los parámetros y variables de un proceso de fabricación, lo contrasta con los indicadores económicos y de producción, y elabora diferentes modelos optimizados. De esos modelos, el programa escoge el más adecuado para la empresa y ofrece una serie de recomendaciones sobre qué valores de los parámetros y variables permitirían mejorar los indicadores, cuantificando además la mejora que se produciría.
“El gran valor de las empresas son sus datos y su análisis puede reportar muchas mejoras"
El programa puede aplicarse a cualquier proceso productivo independientemente del nivel de madurez tecnológica, y utiliza tanto los datos de los procesos productivos tales cómo parámetros de máquinas, como las variables asociadas con los índices de rendimiento (producción, tasas de rechazo, calidad/tiempo, etc.), explotando al máximo los datos históricos.
Con todos esos datos, realiza un modelado automático utilizando inteligencia artificial, optimiza los parámetros de los modelos y selecciona el mejor de ellos. Después, utiliza un algoritmo evolutivo para optimizar el modelo seleccionado y determinar las variables y parámetros más relevantes para mejorar el desempeño de la planta de fabricación o del proceso productivo correspondiente. A mayor grado de madurez tecnológica, más fácil será implementar la herramienta, dicen los investigadores, aunque la empresa deberá hacer un trabajo inicial para introducir y acondicionar los datos.
Buscan más empresas que quieran colaborar en la validación de la herramienta antes de llevarla a su comercialización
Puesta a prueba con éxito en una línea piloto y en una empresa
“Las herramientas actuales”, añade Haber, “son muy caras y sólo accesibles para grandes empresas”. Las herramientas comerciales actuales realizan casi siempre una evaluación de este tipo en diferentes etapas y el resultado no es ni interpretable ni utilizable directamente por las empresas, lo cual crea una alta dependencia de los expertos en el campo y procesos muy largos, con unos costes inasumibles para muchas empresas pequeñas.
La herramienta, aún en fase de validación, se ha puesto a prueba con datos proporcionados por una línea piloto y por una empresa, con resultados exitosos. Los investigadores siguen buscando empresas que quieran colaborar para llevar la solución a un nivel 7-9 en la escala de madurez tecnológica, para continuar con la validación de la herramienta antes de llevarla a su comercialización.
Contacto:
Marisa Carrascoso Arranz
Vicepresidencia Adjunta de
Transferencia del Conocimiento - CSIC
Tel.: +34 915681533