Mattia Vallerio, Especialista en Control Avanzado de Procesos, Solvay
Francisco Navarro, científico de datos industriales, Solvay
Carlos Pérez-Galván, científico de datos industriales, Solvay
Los procesos por lotes están sujetos a una gran variabilidad: composición de la materia prima, condición inicial, degradación de la unidad y su naturaleza dinámica intrínseca. Además, se caracterizan por varias fases y pasos distintos que cambian drásticamente las condiciones durante el proceso de fabricación. En esta presentación, ilustraremos con un ejemplo industrial cómo usar la ciencia de datos y el aprendizaje automático para convertir esta alta variabilidad y aparente exceso de datos en información valiosa. En primer lugar, mostraremos cómo resumir las propiedades de lote en características y utilizar el complemento Predictor Explainer de código abierto para identificar las más relevantes mediante AutoML y ExplainableAI. Luego, discutiremos la necesidad de alinear los datos en el tiempo antes de realizar el análisis de trayectoria, presentando brevemente los pros y los contras de las diferentes metodologías para lograr este resultado. Finalmente, nos sumergiremos en el análisis de trayectoria. En este último paso, utilizaremos la funcionalidad Explorador de datos funcionales de JMP Pro para monitorear e identificar desviaciones. El análisis de estas desviaciones nos llevará a identificar mejoras clave en el control de procesos para optimizar aún más la producción.
