El proyecto de innovación «DIASME – Democratización de IA para eficiencia productiva en PYMEs», ha sido subvencionado por Gobierno de Navarra al amparo de la convocatoria de 2025 de ayudas a proyectos de innovación en empresas industriales.
Contexto: la calidad como desafío industrial
Imaginemos una fábrica en la que las máquinas funcionan a la perfección. Además de fabricar con una eficiencia óptima y no generan ningún tipo de defecto en los productos fabricados. Esto sería un escenario ideal, pero la realidad es que esto no ocurre. Debido a que se producen desajustes en distintos parámetros que afectan al proceso de producción, la calidad de algunas piezas se ve afectada.
Podemos actuar de dos maneras: a) detectamos las piezas defectuosas para que se separen de la producción a enviar a cliente; o b) tratamos de predecir las causas que producen dichos defectos para evitarlos de origen. En cualquiera de los dos casos la Inteligencia Artificial es una tecnología que puede ayudarnos.
Enfoque del proyecto
La predicción ligada a la calidad de producto producido puede abordarse desde dos perspectivas: conformando complejos modelos matemáticos que representen de forma fiel los diferentes elementos que influencian sobre la calidad de producto o utilizando soluciones de analítica predictiva con IA (Machine Learning, Deep Learning). Este segundo caso parte de modelos de clasificación que buscan patrones entre los datos contra los que comparan cada producción, pudiendo realizar predicciones con una probabilidad de ocurrencia del evento de no calidad.
Este segundo caso se ve más adecuado para el caso de PYMEs industriales ya que la solución es más genérica y por tanto puede ser más aplicable a cualquier caso de estudio. En cualquier caso, para que estos modelos puedan funcionar, es importante no solo disponer de un buen histórico de datos, sino también que estos sean de calidad.
Análisis de datos y variables de proceso
En el marco de este proyecto DIASME, se ha trabajado desde el punto de vista de una PYME industrial, tratando de comprender la información disponible que refleja las variables de influencia sobre la calidad de las piezas. El objetivo era desarrollar:
- Un sistema de predicción de eventos de no calidad mediante algoritmia de Machine Learning a partir de datos vinculados al proceso productivo.
- Un sistema de detección de defectos mediante una solución de visión artificial con imágenes de cámara convencional y Deep Learning.
Colaboración entre empresas
El proyecto se ha desarrollado de manera colaborativa entre 3 empresas:
ZEO Technology
Empresa que diseña productos tecnológicos para la mejora de la productividad industrial y la digitalización de las fábricas. En el proyecto, aporta la arquitectura de datos, facilitando herramientas de captura de datos desde la fuente (máquinas, personas, otros sistemas) para alimentar la IA.
Data Value Management
Empresa especializada en la implementación de técnicas de Inteligencia Artificial y Análisis de Datos. En el proyecto aporta el conocimiento en los algoritmos de Machine Learning y Deep Learning que realizan la predicción.
Estampaciones Navarra
Una empresa industrial de amplia trayectoria en el sector de la estampación, soldadura y montajes de piezas y subconjuntos metálicos, trabajando con dos grandes líneas de producto: automoción y línea blanca. En el proyecto aportan el caso de estudio y prueba piloto de los predictores con IA vinculados a la calidad de piezas.
Resultados y conclusiones
El proyecto se ha ejecutado durante 9 meses en 2025, y los resultados han sido muy interesantes. Algunas de las principales conclusiones son:
Sobre la sensorización y las variables
Las máquinas pueden presentar desajustes que afectan a la calidad de las piezas. Monitorizar variables físicas del proceso (presiones, temperaturas…) puede informar de dichos desajustes. Podemos medir todas las variables posibles (las nuevas maquinarias presentan más sensorización) o centrarnos en las que se conocen como más relevantes, evitando redundancias.
Sobre otros factores que influyen
Existen otros factores además de las variables que pueden influir en la calidad: características de los materiales, dimensiones de los componentes, procesos de fases anteriores… Registrar digitalmente esa información facilita su explotación cruzada con IA para predecir eventos de no calidad.
Sobre la importancia de los datos
Para el uso de la IA hace falta datos de calidad: consistentes y replicables. Para ello, productos digitales diseñados a tal efecto, como la plataforma de ZEO Technology, facilitan desde el origen la explotación de datos con IA.
Sobre el volumen de eventos
Para la creación de patrones de cara a hacer la predicción con IA, tanto para visión artificial como para analítica predictiva, se requiere de un volumen suficiente de eventos de no calidad.
Este ha sido uno de los principales hándicaps que han salido a la luz en el proyecto. Las empresas industriales como ESNASA trabajan con un nivel de calidad muy alto. Incluso en los procesos con peor calidad, se miden en el orden de ppm (partes por millón). Por tanto, se requeriría de bastante tiempo hasta poder obtener un volumen de datos ideal para poder obtener una predicción óptima. Pero que esto no frene a ninguna empresa, ni en especial a las PYMEs.
Recomendaciones del proyecto DIASME
Digitalización del proceso
Digitaliza la captura de datos vinculada a tu proceso productivo a través de una plataforma como ZEO Technology, que ha sido validada como adecuada para facilitar su explotación con IA.
Identificación de factores clave
Piensa en todos los elementos que pueden influir en la calidad, revisa dónde tienes esos datos y si no están digitalizados, plantea con empresas expertas cómo puedes registrar esos datos en tiempo real.
Enfoque especializado
Los modelos de predicción son altamente prometedores para buscar patrones y con ello hacer predicciones.
Aprendizaje continuo
Si al principio el nivel de precisión de la predicción no es el óptimo no desesperes. Sigue alimentando y reentrenando el modelo de IA con las casuísticas a predecir. Los modelos de IA se adaptan al aprendizaje continuo (CL) de manera natural.
