Modelo predictivo para la detección temprana de fallas en procesos de mecanizado CNC mediante machine learning

Abstract

En la Industria 4.0, los procesos de mecanizado CNC requieren transitar de controles de calidad reactivos a enfoques preventivos debido al impacto de los defectos en la eficiencia y los costos. Dado que los métodos de inspección convencionales presentan limitaciones para la detección tem-prana de fallas, se evidencia la necesidad de contar con herramientas que permitan anticipar la ocurrencia de defectos y cuantificar el riesgo operativo. La inspección posterior al proceso resulta insuficiente para capturar la relación entre la variabilidad de los parámetros de operación y la seve-ridad de las fallas, lo que se traduce en costos elevados por reprocesos y desperdicios de material. Para abordar esta problemática, se desarrolló una metodología enfocada en el diseño de un modelo probabilístico integrado, basado en distribuciones estadísticas clásicas y simulación estocástica. El objetivo central de la investigación consistió en anticipar la tasa de defectos en procesos CNC mediante la integración de variables operativas críticas, con el propósito de optimizar la calidad y reducir los costos de reproceso. La validación teórica del modelo evidenció su capacidad para identificar de manera adecuada los estados de falla y estimar la magnitud de los defectos con un nivel de precisión aceptable. En consecuencia, se establece que los modelos probabilísticos constituyen una alternativa viable y eficaz para fortalecer la gestión preventiva de la calidad en procesos CNC, favoreciendo la reducción de costos de reproceso y el incremento de la confiabilidad operativa. Finalmente, como trabajos futuros se sugiere extender el alcance del modelo a otros sectores industriales e incorporar técnicas de inteligencia artificial en tiempo real, con el fin de mejorar la interpretación de los resultados y fortalecer la confianza en la automatización de la toma de decisiones.