Crédito: dominio público Unsplash/CC0
Recientemente, se han instalado sistemas de detección de defectos que utilizan datos del sensor de inteligencia artificial (IA) en sitios de fabricación de fábricas inteligentes. Sin embargo, cuando el proceso de fabricación cambia debido al reemplazo de la máquina o las variaciones en la temperatura, la presión o la velocidad, los modelos de IA existentes no comprenden adecuadamente la nueva situación y su rendimiento disminuye bruscamente.
Los investigadores de KAIST han desarrollado tecnología de IA que puede detectar con precisión defectos incluso en tales situaciones sin volver a capacitar, logrando mejoras de rendimiento de hasta 9.42%. Se espera que este logro contribuya a reducir los costos operativos de la IA y a expandir la aplicabilidad en varios campos, como fábricas inteligentes, dispositivos de atención médica y ciudades inteligentes.
Un equipo de investigación dirigido por el profesor Jae-Gil Lee de la Escuela de Computación ha desarrollado un nuevo “Adaptación del dominio de la serie temporal“La tecnología que permite que los modelos de IA existentes se utilicen sin etiquetado de defectos adicionales, incluso cuando los procesos de fabricación o el cambio de equipo. Los resultados de la investigación se presentaron en agosto de 2025 en KDD (la conferencia ACM Sigkdd sobre descubrimiento de conocimiento y minería de datos).
La tecnología de adaptación de dominio de la serie temporal permite a los modelos de IA que manejan los datos que varían en el tiempo (por ejemplo, cambios de temperatura, vibraciones de la máquina, uso de energía, señales de sensores) mantener un rendimiento estable sin capacitación adicional, incluso cuando el entorno de entrenamiento (dominio) y el entorno de aplicación real difieren.
El equipo del profesor Lee prestó atención al hecho de que el problema central de los modelos de IA que se confunden por los cambios ambientales (dominio) radica no solo en las diferencias en la distribución de datos sino también en los cambios en los patrones de ocurrencia de defectos (distribución de etiquetas). Por ejemplo, en los procesos de obleas de semiconductores, la relación de defectos en forma de anillo y defectos de rascar puede cambiar debido a modificaciones del equipo.
El equipo de investigación desarrolló un método para descomponer los nuevos datos del sensor de proceso en tres componentes (tendencias, no tendencias y frecuencias) para analizar sus características individualmente. Así como los humanos detectan anomalías combinando tono, patrones de vibración y cambios periódicos en los sonidos de la máquina, la IA se permitió analizar datos desde múltiples perspectivas.
En otras palabras, el equipo desarrolló la tecnología TA4LS (adaptación de dominio de la serie temporal para mitigar los cambios de etiquetas), que aplica un método para corregir automáticamente las predicciones al comparar los resultados predichos por el modelo existente con la información de agrupación de los nuevos datos de proceso. A través de esto, las predicciones sesgadas hacia los patrones de ocurrencia del defecto del proceso existente se pueden ajustar con precisión para que coincida con el nuevo proceso.
En particular, esta tecnología es muy práctica porque se puede combinar fácilmente como un módulo complementario adicional insertado en los sistemas de IA existentes sin requerir un desarrollo complejo separado. Es decir, independientemente de la tecnología AI que se utiliza actualmente, se puede aplicar de inmediato con solo procedimientos adicionales simples.
En los experimentos que utilizan cuatro conjuntos de datos de referencia de la adaptación del dominio de la serie temporal (es decir, cuatro tipos de datos de sensores en los que se produjeron cambios), el equipo de investigación logró una mejora del 9.42% en la precisión en comparación con los métodos existentes.
Especialmente cuando los cambios en el proceso causaron grandes diferencias en la distribución de la etiqueta (por ejemplo, patrones de ocurrencia de defectos), la IA demostró una notable mejora del rendimiento al corregir y distinguir de manera autónoma tales diferencias.
Estos resultados demostraron que la tecnología se puede usar de manera más efectiva sin defectos en entornos que producen pequeños lotes de varios productos, una de las principales ventajas de las fábricas inteligentes.
El profesor Jae-Gil Lee, quien supervisó la investigación, dijo: “Esta tecnología resuelve el problema de capacitación, que ha sido el mayor obstáculo para la introducción de la inteligencia artificial en la fabricación. Una vez comercializado, contribuirá en gran medida a la propagación de fábricas inteligentes al reducir los costos de mantenimiento y mejorar las tasas de detección de defectos”.
Más información: Jihye Na et al, mitigando la dependencia de la etiqueta fuente en la adaptación del dominio de la serie temporal bajo los cambios de etiquetas, los procedimientos de la 31ª Conferencia SIGKDD ACM sobre Discovery del Conocimiento y Minería de Datos V.2 (2025). Doi: 10.1145/3711896.3737050
Proporcionado por el Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST)
Cita: la IA detecta defectos en los procesos de fabricación de fábricas inteligentes, incluso cuando cambian las condiciones (2025, 26 de agosto) recuperado el 26 de agosto de 2025 de https://techxplore.com/news/2025-08-ai-defects-smart-factory-conditions.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
