Resumen de Un enfoque de machine learning para la predicción de la calidad de tableros contrachapados

Cynthia Urra González, Mario Ramos Maldonado

• español

  Dado el impacto que tiene en la productividad y en la reducción de costos, la toma de decisiones es uno de los aspectos más requeridos en la industria. En la fabricación de tableros, la calidad del producto es función de múltiples variables, especialmente de la variabilidad de la madera. Esta calidad depende, entre otros factores, de la adherencia entre chapas o resistencia a la tracción perpendicular. El objetivo principal de este estudio fue evaluar un enfoque de Machine Learning, esto es modelos de aprendizaje automático, que permitan predecir la adherencia bajo condiciones de operación industrial, en la etapa de encolado y pre-prensado. Las principales variables de control que determinan esta adherencia son los tiempos operacionales, la cantidad de adhesivo, las condiciones ambientales y la temperatura en la chapa. Usando la metodología de analítica de datos Knowle-dge Discovery in Databases, se evaluaron algoritmos de Redes Neuronales Artificiales y Máquina de Soporte Vectorial. La función Sigmoid entregó resultados de acierto global (accuracy sobre el 66 %) y precisión en encontrar resultados correctos (casi 70 %). Al usar la función Relu se obtuvó un recall (sobre el 74 %), lo que muestra su aptitud para identificar la realidad. Estos resultados muestran la viabilidad de usar inteligencia artificial en la predicción de procesos complejos. Muchos espacios de mejora se abren con un adecuado pre-tratamiento de las variables de proceso a objeto de obtener mejores resultados. El aporte de este trabajo radica en la definición de una metodología para ser usada en plantas industriales, en particular en la fabricación de tableros contrachapados, y en mostrar la factibilidad del uso de datos industriales y Machine Learning en la predicción de la calidad del producto

• English

  Because of the impact on productivity and cost reduction, decision making in industrial processes is one of the most required aspects in the industry. Specifically in the panel industries, product quality depends on multiple variables, especially wood variability. Among other factors, quality depends on the adhesion of ve-neers or perpendicular tensile strength. The main objective of this study was to evaluate a Machine Learning approach to predict the adhesion under industrial conditions in the gluing and pre-pressing stage. The control variables that determine this adhesion are mainly: operational times, amount of adhesive, environmental con-ditions, and veneer temperature. Using Knowledge Discovery in Databases data analytics methodology, Artifi-cial Neural Networks and Support Vector Machine were evaluated. The sigmoid activation function was used with 3 hidden layers and 245 neurons. In addition to the Adam optimizer, Multi-LayerPerceptron, Artificial Neural Networks delivered the best accuracy levels of over 66 %. Sigmoid showed an accuracy of over 66 %, precision fit good to find positive results (70 %). Relu function obtained the best recall (over 74 %) showing a good capacity to identify reality. Results show that it is not sufficient to generate a data set using the averages of each process variable, since it is difficult to obtain better results with the algorithms evaluated. This work contributes to defining a methodology to be used in plywood plants using industrial data to train and validate Machine Learning models.