Los fabricantes a menudo luchan por mantener a sus clientes 100 % satisfechos. Los retrasos en la entrega y los problemas de calidad no siempre son fáciles de resolver. Al mismo tiempo, el aumento de la complejidad de la fabricación, la mayor variación y el aumento de las presiones de los plazos están elevando el costo del análisis de calidad manual y la repetición del trabajo.
Sin embargo, este problema no debe ser ignorado. En última instancia, la eficiencia, la estabilidad del plan y la satisfacción del cliente son ventajas competitivas cruciales para las empresas manufactureras.
Calidad predictiva: análisis de calidad automatizado basado en datos
Con la ayuda de la ciencia de datos, existe una manera de reducir o automatizar las tareas manuales que consumen mucho tiempo causadas por la repetición del trabajo y el desperdicio en la fabricación: la calidad predictiva. Este método describe la detección de defectos y el análisis de calidad automatizados basados en datos que se pueden utilizar en una variedad de procesos.
Predicción de defectos
En primer lugar, está el método de predicción, la predicción de defectos. Se divide en predicción de defectos supervisada y no supervisada. El monitoreo aquí significa que los datos históricos se pueden usar para determinar qué materiales o piezas han estado defectuosos en el pasado. Esta información, combinada con el proceso existente y los datos de la máquina, se puede utilizar para enseñar a los algoritmos de aprendizaje automático los factores que influyen y que, en última instancia, conducen al fracaso. La predicción de defectos no supervisada carece de información sobre qué partes se rechazaron o se tuvieron que volver a trabajar en el pasado. Luego, utilice la detección de anomalías para identificar patrones de datos que representen un comportamiento normal y cuándo se produzcan aquí anomalías o valores atípicos. Ambos métodos están estrechamente relacionados con los casos de uso de mantenimiento predictivo, pero observan los datos de la máquina en términos de calidad del producto en lugar de confiabilidad de la máquina.
Detección de defectos
El segundo método también analiza la detección de defectos, la detección de defectos supervisada y no supervisada por separado. Este método no predice defectos, pero los detecta en tiempo real tan pronto como se procesa la pieza. En la detección supervisada de defectos, las piezas fabricadas normalmente se miden con sensores o se fotografían para que los algoritmos de aprendizaje automático puedan comprobar si están defectuosas. Por otro lado, la detección de defectos sin supervisión deja al algoritmo incapaz de determinar qué partes están intactas o defectuosas. Basándose en todas las piezas fabricadas, aprende de forma independiente qué piezas “se ven bien” y cuáles no. Sin embargo, este enfoque a menudo requiere más datos para obtener buenos resultados.
Análisis de raíz de la causa
El último recurso para evitar rechazos y reelaboraciones es el análisis de causa raíz. Esta metodología se utiliza cuando nadie sabe realmente en qué parte del proceso de fabricación se producen los problemas de calidad. Este paso rara vez está completamente automatizado y, con mayor frecuencia, lo realizan científicos de datos que trabajan en estrecha colaboración con varios departamentos cercanos a la producción. Esto implica la integración de datos históricos y el uso del descubrimiento de causalidad para buscar puntos en común en las instancias del proceso que han causado el rechazo o la repetición del trabajo.
Beneficios de la calidad de predicción para las empresas
La elección del procedimiento exacto depende, entre otras cosas, de la situación de los datos y de los objetivos individuales de cada empresa. No obstante, los beneficios pueden resumirse en términos generales.
- Ahorro de mano de obra en el reprocesamiento
- menos desperdicio de materiales
- Fiabilidad de planificación significativamente mejorada
- Plazo de entrega reducido
- Producción más fiable y eficiente
- Mejorar la satisfacción del cliente
- Impacto positivo en la sostenibilidad
- Menos interrupciones operativas debido a defectos en los componentes
Si una empresa encuentra un defecto de calidad solo al final del proceso de fabricación, generalmente tiene que volver atrás o repetir varios pasos para corregirlo. Esto hace que todo el plan de producción no esté sincronizado. Se amplía el plazo de entrega del pedido. Ya no puedo cumplir con los plazos prometidos a mis clientes. Los problemas de calidad reducen la productividad de toda la operación.
Esto se puede evitar con soluciones asistidas por aprendizaje automático para la calidad de predicción. El término describe cualquier proceso basado en IA que clasifica automáticamente las piezas defectuosas inmediatamente después de la fabricación o detecta si se crean piezas defectuosas durante el proceso de fabricación. En la detección de defectos, que suelen utilizar los grandes fabricantes, la IA utiliza un proceso de reconocimiento de imágenes para comprobar, por ejemplo, si las piezas fabricadas individuales tienen los rasgos característicos de un defecto, y así ver si es diferente a miles de otros tornillos y bujías probados. hasta la fecha. Fabricado sin defectos.
Es de gran valor si los datos sobre el proceso de fabricación están claramente asignados a los componentes fabricados y si hay algún problema de calidad. Las empresas lo consiguen, por ejemplo, equipando estaciones de montaje y máquinas que recogen datos de proceso con escáneres RFID que leen las etiquetas RFID adheridas a las piezas fabricadas allí, así como las herramientas utilizadas para tal fin.
Al final
La satisfacción del cliente suele ser el resultado de productos y procesos de calidad. Para garantizar esto a largo plazo, las tecnologías modernas, como el aprendizaje automático, reducen automáticamente los rechazos y la repetición del trabajo, lo que reduce los costos. El enfoque que funcione mejor para su empresa depende de la madurez de sus datos actuales y de los procesos individuales.
¿Quiere conocer casos de uso específicos para diferentes procesos?Detalles de la calidad de la predicción aquí.