Optimización de la energía, el tiempo de inactividad y el rendimiento en la producción de calzado mediante...

Área de la Ciencia:

• Ingeniería Industrial; Tecnología de Fabricación; Ciencia de Datos

Sus antecedentes:

• La fabricación de calzado enfrenta desafíos en la optimización de la eficiencia de la producción y la reducción de residuos.; El aprendizaje automático ofrece soluciones potenciales para mejorar las capacidades predictivas en entornos industriales.

Objetivo del estudio:

• Investigar el impacto de la optimización del modelo de aprendizaje automático en la eficiencia de la producción de calzado.; Comparar el rendimiento de un modelo de regresión logística optimizado con otros algoritmos de aprendizaje supervisado.

Principales métodos:

• Refinamiento sistemático de un modelo de regresión logística para la predicción de defectos.; Comparación del modelo optimizado con máquinas de vectores de soporte, Naïve Bayes y clasificadores multinomiales.; Evaluación del rendimiento del modelo utilizando métricas como precisión, especificidad, sensibilidad, puntuación F1 y precisión equilibrada.

Principales resultados:

• El modelo optimizado de regresión logística logró una precisión predictiva del 97,06% y una especificidad del 100%.; El modelo superó a otros algoritmos en sensibilidad, puntuación F1 y precisión equilibrada.; Las mejoras en el rendimiento industrial incluyeron un aumento del 7,2% en el rendimiento de la producción, una reducción del 9% en el tiempo de inactividad del equipo y una disminución del 5,3% en el consumo de energía.

Conclusiones:

• Los modelos de clasificación de aprendizaje automático ajustados e integrados con análisis en tiempo real pueden mejorar significativamente la fabricación de calzado.; Los marcos de optimización basados en datos son cruciales para mejorar la productividad, la eficiencia energética y la sostenibilidad en entornos de producción inteligentes.