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

ntinua y altamente automatizada, generan una gran cantidad de datos con un crecimiento exponencial, lo que hace que el uso de herramientas avanzadas sea esencial para su análisis y utilización. En este contexto, esta investigación examina la implementación de la inteligencia artificial (IA) a través de redes neuronales en un proceso industrial dentro del sector siderúrgico, utilizando un enfoque híbrido que combina Fabricación Ajustada y Six Sigma para detectar defectos durante el proceso de laminación en una empresa internacional de fabricación de acero estructural. Mediante la aplicación de un enfoque de diagnóstico estructurado utilizando 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 Sigmoid 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 refleja su adaptabilidad y escalabilidad para su integración en sistemas de monitorización en tiempo real, ofreciendo una eficiencia óptima para la identificación de productos defectuosos. El enfoque metodológico de esta propuesta representa una contribución significativa al conjunto de conocimientos técnicos, en particular en la mejora de procesos críticos con alta variabilidad y producción continua, así como de líneas de producción complejas y costosas, que son comunes en el sector siderúrgico.