Machine learning para predecir la calidad del secado de chapas en la industria de tableros contrachapados de Pinus radiata

Abstract

El Aprendizaje automático o Machine learning es una herramienta que está siendo utilizada para optimizar procesos industriales de alta complejidad. En la industria de producción de paneles contrachapados, el secado de chapas es uno de los procesos más importantes ya que permite obtener productos con alta calidad. La naturaleza biológica y alta variabilidad estructural de la madera hace que su procesamiento industrial sea multivariado y difícil de controlar. La gran cantidad de variables presentes y la posibilidad cada vez más frecuente de medirlas en tiempo real están permitiendo la disponibilidad de una gran cantidad de datos. En la actualidad, el enfoque basado en datos y las técnicas de Inteligencia Artificial, específicamente Machine learning, pueden permitir enfoques robustos de predicción y de control. En la industria de procesos con altos niveles de automatización es posible viabilizar la toma de decisiones para predecir la calidad del producto, monitoreando las variables de control explicativas. El objetivo de este trabajo fue evaluar el comportamiento de tres algoritmos de Machine learning para predecir la calidad del proceso de secado de chapas a partir de un número considerable de variables de entrada capturadas de un proceso industrial real. Se utilizó la plataforma Weka y código Python. Se evaluaron los algoritmos: K-Nearest-Neighbor, eXtreme Gradient Boosting y Support Vector Machine. Se realizó reducción de variables y dimensionalidad de análisis de correlación y de componentes principales. Los resultados demostraron que eXtreme Gradient Boosting logró una precisión del 76 % en la predicción de resultados de calidad. Finalmente, se concluye que la metodología de ingeniería de datos y los algoritmos fueron eficientes para predecir los datos industriales.