Desarrollo de un modelo de machine learning para la optimización de parámetros y mejora de la calidad en la metalización de rollos de biobase en una planta de fabricación de pelı́culas metalizadas

Abstract

Esta tesis presenta el desarrollo de un modelo de aprendizaje automático diseñado para optimizar los parámetros operativos en el proceso de metalización de rollos de biobase. El estudio se fundamenta en un análisis detallado de datos históricos recolectados, los cuales incluyen tensiones aplicadas durante el proceso, caracterı́sticas fı́sicas de los rollos y especificaciones operativas de las máquinas metalizadoras. Se implementaron y evaluaron modelos predictivos como Random Forest, Extra Tree y Gradient Boosting, comparándolos con la regresión lineal múltiple para determinar su capacidad de predicción en tensiones crı́ticas del proceso. El análisis de las métricas de desempeño, incluyendo el error cuadrático medio (RMSE) y el error absoluto porcentual medio (MAPE), mostró que los modelos basados en árboles presentan un menor error en comparación con la regresión lineal. Adicionalmente, se llevó a cabo un análisis de la importancia de las variables predictoras, identificándose el ancho del rollo como el factor más influyente en las tensiones aplicadas. La implementación de este modelo permite predecir parámetros operativos óptimos para diferentes configuraciones de rollos y máquinas, minimizando errores durante el proceso de producción. Los resulta- dos destacan el potencial de este enfoque para reducir desperdicios y ajustar tensiones de manera precisa, contribuyendo a la estabilidad del proceso de metalización y mejorando la uniformidad del producto final.