El aprendizaje automático (Machine Learning) es una de las tecnologías clave de la denominada Industria 4.0, al permitir la optimización de procesos productivos a través de modelos predictivos basados en datos. Sin embargo, su implantación en la industria metal-mecánica se enfrenta al desafío de que la necesidad de datos etiquetados para entrenar estos modelos. En muchos casos, el etiquetado de datos industriales resulta costoso y poco viable, especialmente el establecer grado de calidad de una pieza, al requerir medidas semi-manuales, lo que limita la aplicación de estas técnicas.
Una vía de solución a esta problemática que está retrasando la adopción del aprendizaje automático en este ámbito industrial puede hallarse en una tesis doctoral recientemente presentada en la Universidad de Burgos.
En concreto, en el trabajo titulado «Optimización de procesos industriales mediante técnicas de aprendizaje semisupervisado» del doctorando burgalés José Miguel Ramírez Sanz ha defendido, enmarcado en el programa de Doctorado en Ingeniería y Tecnologías Industrial, Informática y Civil de la UBU. Un trabajo de investigación que ha sido calificado con sobresaliente Cum Laude por un tribunal compuesto por investigadores de la Universidad de Durham (Escocia), la Universidad Autónoma de Querétaro (México), la Universidad de Córdoba y la propia Universidad de Burgos.
Este trabajo, desarrollado dentro del grupo de investigación ADMIRABLE de la Universidad de Burgos, ha incluido una estancia de investigación de tres meses en la Universidad Politécnica de Varsovia. La tesis ha sido dirigida por los profesores Andrés Bustillo Iglesias y Alvar Arnaiz González, y ha recibido el respaldo financiero del programa de Becas Predoctorales 2021 de la Consejería de Educación de la Junta de Castilla y León.
Nuevos algoritmos que predicen fallos
La investigación de José Miguel Ramírez Sanz aborda esta problemática mediante el uso del aprendizaje semisupervisado, una técnica de reciente desarrollo, que permite entrenar modelos con una combinación de datos etiquetados y no etiquetados. Este enfoque facilita la creación de modelos predictivos más precisos y adaptables, contribuyendo a la transformación digital de la industria.
Entre los principales logros de la tesis, destaca el desarrollo de nuevos algoritmos semisupervisados aplicados a la predicción de fallos en motores eléctricos y procesos de mecanizado como el roscado y el taladrado. Además, se ha propuesto una versión semisupervisada del algoritmo Rotation Forest, originalmente desarrollado en la Universidad de Burgos y ampliamente utilizado a nivel internacional en la clasificación genómica y el diagnóstico de fallos industriales.
Impacto en la industria metal-mecánica
Esta investigación representa un avance significativo en la aplicación del aprendizaje semi-supervisado a la industria, aportando soluciones innovadoras que pueden transformar la detección de fallos, para mejorar la productividad y la fiabilidad de los procesos de fabricación, lo que permite una mayor automatización y optimización de los procesos industriales.
La validación en estudios de caso reales conecta la teoría con la práctica, mostrando cómo el aprendizaje semisupervisado puede ser una herramienta eficaz para facilitar la implantación de los principios de la Industria 4.0 en la industria burgalesa.
En definitiva, una investigación que contribuye al posicionamiento de la Universidad de Burgos como referente en el desarrollo de tecnologías innovadoras para la industria del futuro.