DigiQual: Digital Quality Manager
Habber Tec observó que en algunas empresas existe un fuerte interés en invertir en calidad y sostenibilidad, principalmente, aquellas empresas en fase de expansión o con una fuerte competencia nacional e internacional, especialmente Europa, exige estándares muy altos de calidad.
La revisión de cada uno de los productos fabricados, uno por uno, supone un coste totalmente inasumible por cualquier empresa por lo que en algunos casos se emplean complejos y costosos sistemas de reconocimiento visual ligados a complejísimos algoritmos de deep learning para la detección de fallas y defectos en la fabricación. Esto tampoco garantiza la detección de problemas, ya que este tipo de soluciones sólo revisa el aspecto externo del producto.
Por ello surgió DigiQual, proyecto apoyado por CDTI innovación y el Fondo Europeo de Desarrollo Regional (FEDER), el cual trata de dar respuesta a este problema gracias a la información obtenida de las cadenas de montaje, esta información es procesada por un modelo de machine learning que ha sido previamente entrenado con todo el histórico de la cadena de montaje anterior.
Objetivos y resolución
El proyecto DigiQual tiene como objetivo ir más allá de los enfoques tradicionales de la cadena de suministro, con el uso de la inteligencia artificial (AI), internet de las cosas (IoT) y Big Data pretende alcanzar el nuevo paradigma de calidad de la era de la industria 4.0 de los sistemas de producción ciberfísicos (Cyber-Physical Production Systems). El enfoque de DigiQual tiene como objetivo la reducción de las pruebas de calidad en los entornos productivos de las cadenas de montaje de las fábricas, para lo cual se integrará en la cadena de producción con bucles de retroalimentación y alimentación de la información generada.
De esta forma, el objetivo principal es la creación de un sistema automático que sea capaz de predecir en base a las condiciones de fabricación de un producto la probabilidad de que el mismo no necesite realizar la prueba de calidad basada en el paradigma de la inteligencia artificial (AI), internet de las cosas (IoT) y Big Data.
Con este proyecto se desean cubrir los siguientes objetivos técnicos específicos:
- Creación de un data lake donde será almacenada toda la información recibida de la cadena de montaje.
- Creación de un sistema de integración con la cadena de montaje que sea responsable de recibir u obtener toda la información y almacenarla en el data lake.
- Creación de una base de datos ODS que almacene en un modelo relacional toda la información obtenida de las cadenas de montaje.
- Creación de un sistema inteligente de predicción con inteligencia artificial capaz de estimar la probabilidad de un elemento fabricado en la cadena de montaje sea capaz de superar los test de calidad.
- Integrar y automatizar el sistema inteligente de predicción dentro de la cadena de montaje.
- Creación una interfaz intuitiva que permita la parametrización de la solución
- Creación de un cuadro de mando que ayuden a monitorizar el funcionamiento de la solución.
La solución DigiQual podrá integrarse en cualquier tipo de empresa en la que exista una cadena de montaje y se requiera realizar tests de calidad de los productos fabricados, DigiQual empleará el histórico de datos de cada producto y el resultado obtenido en los tests de calidad para crear modelos de predicción capaces de estimar la probabilidad de que otros productos de las mismas características superen dichas pruebas. El proyecto incorporará: Innovación en Inteligencia Artificial, Innovación en Automatización de Flujos de Trabajo; e Innovación en Implementación Industrial de Sistemas Basados en Inteligencia Artificial. Por último, cabe destacar que la empresa ya está en contacto con varias empresas del sector de la automoción que están interesadas en los resultados del proyecto y en probar el prototipo resultante del sistema.
Datos económicos
- Horas totales: 11.881 H
- Inversión: 488.423,00 €
- Ayuda UE: 156.614,60 €
Lugar de ejecución
Ciudad: Madrid
País: España
Plazo de ejecución
Fecha de inicio: Enero 2023
Fecha de finalización: Marzo 2025 (con una ampliación de 3 meses aprobada por el CDTI para garantizar la calidad técnica de los desarrollos).
Resultados y Conclusiones del Proyecto
Durante la ejecución del proyecto DigiQual se han alcanzado los siguientes resultados:
1. Desarrollo de dos modelos de Inteligencia Artificial funcionales:
• Modelo de mantenimiento predictivo, implementado en IBM SPSS Modeler.
• Modelo de control de calidad, desarrollado mediante Python y desplegado en IBM Cloud Pak for Data.
2. Elevadas métricas de rendimiento alcanzadas:
• El modelo de control de calidad alcanzó un 100% de precisión en validación y test utilizando Random Forest y XGBoost.
• El modelo de mantenimiento predictivo logró precisiones superiores al 77% con XGBoost, equilibrando precisión y estabilidad.
3. Desarrollo e integración de un demostrador funcional:
• Aplicación web que permite cargar datos, ejecutar predicciones y visualizar resultados en tiempo real.
• Modelos desplegados en producción con endpoints de inferencia funcionales.
4. Creación de un dashboard interactivo para monitorización de KPIs como precisión del modelo, tasa de defectuosos y evolución de variables.
5. Consolidación de infraestructura tecnológica basada en tecnologías como Flask, Dash, Scikit-learn, IBM Cloud Pak for Data y APIs RESTful.
Conclusiones principales:
• Viabilidad técnica confirmada: El sistema ha demostrado un alto rendimiento y es integrable en líneas de producción reales.
• Reducción de costes operativos: Se minimizan las pruebas físicas de calidad, reduciendo costes, tiempos y emisiones de CO₂.
• Alto grado de automatización: Se reduce la intervención humana, incrementando la eficiencia y la fiabilidad.
• Escalabilidad futura: La arquitectura permite incorporar nuevos modelos y variables fácilmente.
Este proyecto ha sido cofinanciado por la Unión Europea a través del Fondo Europeo de Desarrollo Regional (FEDER).
