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

• Ramos Maldonado, Mario ^[1] ; Duarte Sepúlveda, Thays ^[1] ; Gatica Neira, Francisco ^[1] ; Venegas Vásconez, Diego ^[1]
  1. [1] Universidad del Bío-Bío

     Universidad del Bío-Bío

     Comuna de Concepción, Chile

     
• Localización: Maderas: Ciencia y tecnología, ISSN 0717-3644, ISSN-e 0718-221X, Vol. 26, Nº. 1, 2024
• Idioma: español
• Títulos paralelos:
  • Machine learning to predict the quality of veneer drying in the Pinus radiata plywood industry
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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.

  • English

    Automatic Learning or Machine learning is a tool that is being used to optimize highly complex industrial processes. In the plywood panel production industry, veneer drying is one of the most important processes since it allows us to obtain high quality products. The biological nature and high structural variability of wood makes its industrial processing multivariate and difficult to control. The large number of variables present and the increasingly frequent possibility of measuring them in real time are allowing the availability of a large amount of data. Today, the data-driven approach and Artificial Intelligence techniques, specifically Machine learning, can enable robust prediction and control approaches. In the process industry with high levels of automation, it is possible to make decision-making feasible to predict product quality, monitoring the explanatory control variables. The objective of this work was to evaluate the behavior of three Machine learning algorithms to predict the quality of the sheet metal drying process based on a considerable number of input variables captured from a real industrial process. The Weka platform and Python code were used. The algorithms were evaluated: K-Nearest-Neighbor, eXtreme Gradient Boosting and Support Vector Machine. Variable reduction and dimensionality analysis of correlation and principal components were performed. The results showed that eXtreme Gradient Boosting achieved an accuracy of 76% in predicting quality results. Finally, it is concluded that the data engineering methodology and algorithms were efficient to predict industrial data