Evaluación del uso de Machine Learning para la Calidad en la Producción de Acero: Revisión Sistemática

Resumen

El control de calidad en la producción de acero es esencial para industrias como la construcción y la manufactura, donde los defectos pueden afectar la seguridad y las funciones de producción. En este contexto, las técnicas tradicionales de inspección manual, aunque efectivas en algunos aspectos, tienen limitaciones como la privacidad del trabajador, lo que conlleva tiempos largos y altos costos. Por ello, la aplicación del machine learning ha crecido en los últimos años como herramientas para automatizar y optimizar este proceso. El machine learning como las redes neuronales convolucionales (CNN) y las redes generativas adversarias (GAN) han demostrado precisión (superior al 95%) en la detección de defectos en superficies de acero laminado y galvanizado. Estos modelos se proporcionan como imágenes de alta resolución, videos y sensores multiespectrales para el análisis de patrones y microestructuras. Además, implementarlo permite reducir los tiempos de inspección a milisegundos, aumentando la eficiencia y reduciendo los costos de producción. Sin embargo, existen limitaciones como la sensibilidad del modelo a las condiciones ambientales, la dependencia de bases de datos especializadas y los altos requerimientos computacionales. De igual forma, los dispositivos de captura de calidad en entornos industriales requieren de nuevas soluciones. En este contexto, se presenta una revisión sistemática para evaluar el impacto del machine learning en la producción de acero, destacando sus ventajas, limitaciones y perspectivas futuras. Los resultados confirman que la automatización con machine learning mejora la eficiencia operativa, el cual establece las bases para una producción de alta calidad en la industria del acero.