Este trabajo aborda el desafío de modelar procesos industriales complejos, destacando las limitaciones de los modelos físicos tradicionales debido a la participación de múltiples agentes y la falta de flexibilidad en la industria manufacturera. En este contexto, la fabricación inteligente exige modelos capaces de adaptarse dinámicamente a los cambios en los procesos, lo que convierte al Aprendizaje Automático (AA) en una alternativa clave.
El estudio se centra en la aplicación de AA para correlacionar configuraciones del proceso con la calidad del producto, utilizando datos de una planta de fabricación de caucho y focalizándose en el proceso de extrusión. Se ha desarrollado un modelo basado en técnicas de ML que permite optimizar la relación entre parámetros del proceso y resultados de calidad, reduciendo la dependencia de ensayos físicos costosos.
El modelo presenta un alto potencial para su integración en un Gemelo Digital, facilitando la mejora continua del proceso. Además, posibilita la simulación de diversos escenarios en tiempo real, permitiendo una toma de decisiones informada sin afectar la producción. Este enfoque representa un avance significativo hacia sistemas de fabricación más eficientes, adaptativos e inteligentes.
