¿Puede la Inteligencia Artificial mejorar el control estadístico de procesos?
El Control Estadístico de Procesos (CEP) es un método utilizado en las industrias manufactureras y de servicios para supervisar y controlar los procesos con el fin de garantizar la calidad y la eficiencia. La integración de la Inteligencia Artificial (IA) en el SPC tiene el potencial de mejorar sus capacidades. En esta entrada, se exploran algunas investigaciones en este sentido las cuales se presentan a continuación.
La IA puede mejorar el SPC al permitir funciones de alerta temprana y la mejora continua del proceso, lo que conduce a una mayor capacidad del proceso [1].
En el caso de procesos con datos limitados, la IA puede ayudar a aplicar el SPC transformando las estadísticas de las muestras en función de parámetros estimados, lo que facilita la evaluación del rendimiento en tiempo real y la predicción de productos no conformes [2].
La aplicación de la IA en el SPC puede reducir significativamente la desviación estándar y mejorar los índices de capacidad del proceso mediante la identificación de las causas raíz y el control de las desviaciones del proceso [3].
Los modelos de aprendizaje profundo, como las redes multicapa bidireccionales de memoria a corto plazo (Bi-LSTM), pueden utilizarse en el control de procesos estadísticos para el aprendizaje eficiente de características y el reconocimiento de patrones de gráficos de control, superando a los métodos tradicionales [4].
La IA puede ayudar a seleccionar las medidas adecuadas para el SPC en las organizaciones, facilitando el análisis del comportamiento del proceso y la predicción del rendimiento futuro [5].
La integración de conceptos estadísticos con la IA a través de la colaboración humano-máquina puede mejorar la generación de datos, el desarrollo de algoritmos y la evaluación de los resultados, dando lugar a resultados más reproducibles e interpretables [6].
Las aplicaciones informáticas que utilizan la IA pueden analizar los datos del proceso para garantizar la estabilidad y la repetibilidad, proporcionando valiosos indicadores estadísticos para el SPC [7].
La IA puede abordar los retos del SPC multivariante, como el tratamiento de conjuntos de datos de gran dimensión y la implementación de gráficos de control para estructuras de datos complejas [9].
Los métodos SPC no paramétricos, apoyados por la IA, pueden ser más fiables cuando se desconoce la forma paramétrica de la distribución del proceso, ofreciendo marcos alternativos para construir gráficos de control [10].
Conclusión:
La IA puede mejorar considerablemente la aplicación y la eficacia del control estadístico de procesos. Puede proporcionar alertas tempranas, mejorar la capacidad del proceso y ayudar a manejar conjuntos de datos limitados o complejos. El SPC mejorado con IA puede conducir a un aprendizaje de características, un reconocimiento de patrones y un control de procesos más precisos, lo que en última instancia se traduce en productos de mayor calidad y una mayor satisfacción del cliente. La integración de la IA en el SPC también ofrece soluciones para el análisis no paramétrico de datos, lo que resulta beneficioso cuando la distribución del proceso no está bien definida. En general, la IA puede ser un poderoso aliado en el ámbito del SPC, ya que ofrece herramientas y metodologías avanzadas para optimizar la calidad y la eficiencia de los procesos.
Referencias bibliográficas
[1] Qiu, P., & Li, Z. (2011). On Nonparametric Statistical Process Control of Univariate Processes. Technometrics, 53, 390 – 405. https://doi.org/10.1198/TECH.2011.10005.
[2] Sharma, G., & Rao, P. (2013). Process capability improvement of an engine connecting rod machining process. Journal of Industrial Engineering International, 9, 1-9. https://doi.org/10.1186/2251-712X-9-37
[3] Yu, B., & Kumbier, K. (2017). Artificial intelligence and statistics. Frontiers of Information Technology & Electronic Engineering, 19, 6 – 9. https://doi.org/10.1631/FITEE.1700813.
[4] Zan, T., Liu, Z., Su, Z., Wang, M., Gao, X., & Chen, D. (2019). Statistical Process Control with Intelligence Based on the Deep Learning Model. Applied Sciences. https://doi.org/10.3390/app10010308.
[5] Khan, R. (2013). Statistical Process Control. , 261-312.
https://doi.org/10.1002/9781118307502.CH7.
[6] Yao, Y., & Gao, F. (2013). Multivariate Statistical Process Control., 355-375. https://doi.org/10.1002/9781118444887.CH14.
[7] Brito, D., Barcellos, M., & Santos, G. (2018). Investigating measures for applying statistical process control in software organizations. Journal of Software Engineering Research and Development, 6, 1-31. https://doi.org/10.1186/s40411-018-0054-4.
[8] Requeijo, J., Abreu, A., & Matos, A. (2014). Statistical Process Control for a Limited Amount of Data. , 190-195. https://doi.org/10.5220/0004812101900195.
[9] Teodor, V., Păunoiu, V., Cărăușu, C., Baroiu, N., & Costin, G. (2019). Statistical control of forming process. IOP Conference Series: Materials Science and Engineering, 591. https://doi.org/10.1088/1757-899X/591/1/012071.
[10] Liu, Y. (2016). The Application of Statistical Process Control in Quality Management. . https://doi.org/10.2991/wartia-16.2016.24.
