Optimización del control de calidad mediante la integración de redes neuronales y Lean Six Sigma: un estudio de caso en la industria del acero

Resumen

Los procesos de fabricación de acero, debido a su naturaleza continua y altamente automatizada, generan una gran cantidad de datos con un crecimiento exponencial, lo que hace esencial el uso de herramientas avanzadas para su análisis y utilización. En este contexto, esta investigación aborda la implementación de inteligencia artificial (IA) mediante redes neuronales en un proceso industrial del sector siderúrgico, empleando un enfoque híbrido entre Lean Manufacturing y Six Sigma para identificar defectos durante el proceso de laminación en una empresa internacional de fabricación de acero estructural.

Mediante la aplicación de un enfoque de diagnóstico estructurado mediante DMAIC (Definir, Medir, Analizar, Mejorar y Controlar), se identificaron los defectos críticos con mayor impacto. Este hallazgo guió el diseño de una solución basada en IA destinada a modelar la alta variabilidad inherente al proceso de fabricación de acero. La propuesta evalúa el uso de las funciones de activación Sigmoide y ReLU para la clasificación binaria de defectos, probando diferentes tipos de optimizadores como Adam y SGD, y entrenando diferentes modelos de red mediante la evaluación de arquitecturas y configuraciones de red.

Los resultados demuestran que la integración de la IA con metodologías de mejora continua puede optimizar procesos críticos en entornos industriales complejos. El modelo propuesto demuestra su adaptabilidad y escalabilidad para su integración en sistemas de monitorización en tiempo real, ofreciendo una eficiencia óptima en la identificación de productos defectuosos. El enfoque metodológico de esta propuesta representa una contribución significativa al conocimiento técnico, especialmente en la mejora de procesos críticos con alta variabilidad y producción continua, con líneas de producción complejas y costosas, como es el caso del sector siderúrgico.