Optimización mediante data mining de modelos para el diagnóstico de calidad en hojalata

Abstract

La hojalata es una chapa de acero, de muy poco espesor y bajo contenido en carbono, recubierta electrolíticamente de una capa de estaño. Este recubrimiento es fundamental para evitar o retrasar la corrosión y determina los usos posteriores de la bobina de hojalata. Un defecto de estafo puede acarrear serios problemas de salud pública si se corrompen los alimentos envasados y un exceso de recubrimiento imposibilita algunos tratamientos posteriores como el pintado o lacado. Las dificultades de medición de recubrimiento son múltiples. Los sistemas off-line, basados en la extracción de cupones, y su posterior medición en laboratorios especializados, implica la imposibilidad de actuar en tiempo real y un alto coste. Por otro lado, los sistemas on-line ofrecen una medida precisa pero su elevado precio y su difícil manejo hacen de ellos herramientas complejas. Con respecto a los modelos de diagnóstico de recubrimiento existentes en algunas líneas de hojalata, comentar que se apoyan en la ley de Faraday en tablas ajustadas mediante regresión clásica, pero en ningún caso tienen en cuenta todas las variables de proceso ni se utilizan como diagnóstico de calidad. El objetivo de esta tesis es optimizar los sistemas de diagnóstico de recubrimiento, mediante un nuevo modelo de predicción del mismo que garantice el cumplimiento de unos estrictos objetivos comerciales, valorando el peso de cada variable de proceso en el parámetro objetivo. Además, se pretende integrar estos modelos dentro de los programas de control estadístico avanzado de proceso como respuesta a las demandas de las nuevas normas ISO 9000:2000. Las conclusiones más inmediatas de este trabajo son la minimización de reclamaciones de clientes y la reducción de costes. Para centrar el ámbito y alcance del problema plateado, se han incluido una introducción del producto hojalata y una descripción exhaustiva de las secciones que componen su línea de producción. También se presentan los modelos de recubrimiento existentes y las homologaciones de calidad que aconsejan la incorporación de modelos avanzados on-line. Con el fin de seguir una metodología de trabajo, se describen y adoptan los principio básicos del data mining. Para ello se utiliza la metodología CRISP-DM, que guía y estructura los resultados de esta tesis. Se incluye además una descripción de las herramientas inteligentes aplicadas para alcanzar los mencionados objetivos. A continuación se presentan los primeros resultados de este trabajo que incluyen la contextualización del problema conforme a los objetivos de producción y la descripción de la heterogénea adquisición de datos. Ya formando parte de los objetivos alcanzados, se determinan las variables relevantes para el diagnóstico de recubrimiento mediante árboles de decisión, redes SOM, FMEA y algoritmos genéticos. Por último se construye el modelo final. Para ello se prueba varias técnicas, revelándose como la más útil en este caso, las redes neuronales MLP. Tras la validación de estos resultados con otras herramientas se presentan las conclusiones. En general se puede concluir que este trabajo ha permitido integrar elementos habitualmente dispersos (calidad, mantenimiento, data mining) confluyendo en un buen modelo de gran aplicación industrial.