Torrecid y Solver IA, desarrollan un modelo de IA para la predicción en tiempo real de la calidad de fritas

Introducción

Torrecid ‍y Solver IA han‌ unido fuerzas para desarrollar un modelo de inteligencia artificial orientado a la predicción en tiempo real de la calidad de fritas cerámicas. La iniciativa responde a una necesidad estratégica del sector: reducir variabilidad, optimizar consumos y asegurar consistencia de producto sin frenar el ritmo de producción. En lugar de depender exclusivamente de⁢ ensayos de laboratorio diferidos, el nuevo enfoque permite anticipar desviaciones de ⁤calidad durante el proceso, habilitando ajustes inmediatos‌ sobre materias primas, parámetros de fusión y enfriamiento. El resultado es una cadena de valor más ágil, trazable y robusta frente a la complejidad de las formulaciones modernas.

¿Por qué la calidad de las fritas es ⁢un reto?

Las fritas son componentes clave de esmaltes y engobes, con⁤ propiedades como composición química, viscosidad ⁢de fusión, coeficiente de dilatación térmica (CTE),‍ colorimetría y contenido de burbujas que impactan directamente en la apariencia y el desempeño del azulejo. Su ‌calidad depende de una combinación delicada de materias primas, granulometría, perfil térmico del horno, atmósfera y condiciones de enfriamiento. Los controles tradicionales aportan precisión, pero suelen llegar tarde: cuando se detecta un desvío, el lote ya está en proceso o finalizado. ‌Predecir en tiempo real‌ permite pasar de una lógica correctiva ​a una preventiva,reduciendo mermas,reprocesos y paradas,y manteniendo la estabilidad ⁣del proceso ante variaciones en la carga o en la ​calidad de los‌ insumos.

De ⁢los datos a las decisiones: el enfoque en tiempo real

La clave del proyecto es convertir señales dispersas del proceso en decisiones accionables. Para ello, ⁤se integran datos de múltiples fuentes: temperaturas ‍y⁣ gradientes en horno, potencia ⁤específica, velocidad de cinta, ​presión y composición de atmósfera; variables de preparación como humedad, granulometría ⁣por difracción láser, relación sólido-líquido, consumo energético⁣ específico y torque de mezclado; así como datos de materias ⁢primas y sus certificados. En paralelo, se capturan ⁣mediciones en línea de ⁢proxies de calidad, como densidad aparente del granulado, tendencia‌ colorimétrica, viscosidad aparente y, cuando es viable, espectros NIR⁤ o LIBS para seguimiento composicional. Toda‍ esta información se sincroniza temporalmente⁤ para formar una «visión» conjunta de cada lote y su historia de proceso.

Arquitectura de​ la solución

La solución combina edge computing con servicios en la nube. En⁤ planta,un dispositivo edge industrial se conecta a PLCs y SCADA ‌vía OPC-UA y,cuando procede,a sensores IoT mediante MQTT. Este equipo realiza el ⁤preprocesamiento: filtrado de ruido, corrección de sesgos, imputación de datos faltantes y cálculo de features‍ agregadas (p.ej., integrales de energía por ventana, tiempos de residencia efectivos, indicadores⁣ de estabilidad).La⁢ nube aloja el entrenamiento del modelo, la orquestación MLOps y el almacenamiento histórico con gobierno del⁣ dato. La inferencia se ejecuta preferentemente en el edge para alcanzar ⁢latencias sub-segundo y ofrecer recomendaciones en tiempo real al operario o a los lazos de control avanzado, con posibilidad de escalado⁣ hacia la nube para‍ análisis comparativos y simulaciones what-if.

El modelo de IA: híbrido y explicable

El núcleo analítico es un modelo híbrido. Para series temporales del proceso, se aplican redes recurrentes ligeras o modelos tipo Temporal Fusion Transformer que capturan dependencias a distintas escalas.⁢ En paralelo, algoritmos de gradiente boosting y regresión probabilística modelan relaciones no lineales entre formulación, proceso y calidad. El sistema entrega salidas combinadas: predicciones⁤ continuas de KPIs (CTE, ⁢viscosidad de fusión, L*a*b*, contenido de burbujas) ‌y una clasificación del riesgo de no conformidad por familia de defecto. La explicabilidad es un​ requisito: técnicas como SHAP permiten identificar las ‍variables‌ con mayor impacto en cada predicción (p. ej., pico térmico, razón‌ Na2O/K2O en la mezcla, humedad de sílice, distribución ⁣granulométrica D50/D90). Esto facilita la‍ confianza del equipo de planta ⁤y el aprendizaje⁢ organizacional.

entrenamiento,validación y aprendizaje continuo

El entrenamiento inicial se basó en históricos de producción y laboratorio,ajustados para sesgos estacionales y cambios de⁢ formulación.Se adoptó validación temporal para evitar fugas de información⁣ y pruebas⁤ en entornos «ciegos» antes del despliegue. Una vez en operación, el ‍sistema incorpora aprendizaje continuo con control de deriva: monitoriza si la distribución de datos cambia (por ejemplo, por nuevos proveedores o ajustes de horno) y propone ‌reentrenamientos ⁣programados.Los nuevos lotes validados por laboratorio retroalimentan ⁤el modelo, cerrando el ciclo. ⁤Para ⁢minimizar el tiempo hasta⁤ el ⁣valor,el equipo priorizó ⁣variables disponibles en planta y fue añadiendo sensores avanzados por ‌fases,maximizando la cobertura sin introducir complejidad innecesaria.

Integración operativa⁤ y casos de uso

Las predicciones se​ consumen de tres maneras: visualización‌ en paneles‍ operativos, alertas de desvío con recomendaciones y setpoints propuestos para control avanzado. Por ejemplo, si el modelo anticipa una viscosidad fuera de rango, sugiere ajustes finos en la curva térmica o en⁢ la ‌dosificación ⁢de fundentes; si detecta ‍riesgo de burbujeo, recomienda modificar la velocidad de cinta ​o⁤ la atmósfera ‍del horno. Además, el sistema se integra con MES y ERP para vincular cada predicción con la genealogía del lote y la trazabilidad de materias primas. En calidad, permite muestreos más inteligentes, focalizando los ensayos de laboratorio donde la incertidumbre⁣ o el riesgo​ es mayor. En procesos, sirve como gemelo digital ligero para simular escenarios y planificar⁤ cambios de formulación con menor riesgo.

Resultados y beneficios

En las pruebas piloto,la combinación de predicción temprana y recomendaciones accionables permitió tomar decisiones en minutos,no​ horas. La planta redujo variabilidad de KPIs críticos, recortó‌ mermas y reprocesos, ⁣y estabilizó el arranque tras cambios de formato o receta.el control ⁣anticipado se tradujo en menos paradas y en⁤ una‍ utilización ⁣más eficiente de energía, al evitar‍ sobreprocesamientos. ‌También se observaron mejoras en⁢ la repetibilidad del colour‍ y en la compatibilidad térmica con sustratos, beneficiando etapas posteriores de esmaltado y cocción. Más allá de los indicadores duros,el proyecto impulsó una⁤ cultura de datos: operadores y responsables de proceso disponen ‌de información clara,explicable y en contexto,lo que facilita‍ consensos y acelera la resolución de problemas.

Sostenibilidad y cumplimiento

La predicción de calidad en tiempo real contribuye a los objetivos de sostenibilidad. Menos ⁣scrap implica menos residuos y ‍menor consumo de materias ​primas y energía por unidad vendible.⁤ El‍ ajuste fino de curvas térmicas y atmósferas favorece la eficiencia energética y disminuye la huella de carbono. A nivel de cumplimiento, la trazabilidad reforzada simplifica auditorías y facilita demostrar control del⁢ proceso ante clientes y reguladores.además, el sistema soporta el cálculo de huella ambiental​ por lote, al capturar consumos y parámetros críticos con granularidad temporal, alimentando reportes ⁢ESG y prácticas de mejora continua.

Gobierno del dato, seguridad y factor humano

El diseño​ contempla gobierno del dato desde el⁣ inicio: diccionario común de variables, control de versiones de modelos, linaje de​ datos y políticas de⁢ acceso por rol. La seguridad se aborda con ⁣segmentación de red, cifrado de‌ datos en tránsito y en reposo, y autenticación robusta para servicios en​ planta y en la nube. En cuanto ⁤al factor humano, ⁤el‍ cambio se gestionó con formación práctica, participación de operadores⁢ en el ‌diseño de interfaces y un enfoque de «IA asistida»: la última palabra sigue en manos del equipo de planta, con la IA como copiloto⁤ que sugiere, explica y aprende del feedback.

Próximos pasos

El roadmap incluye ampliar la cobertura a más familias de fritas, incorporar sensores espectroscópicos adicionales donde el retorno‌ sea ‌claro, y profundizar en control automático cerrado para ciertos parámetros con salvaguardas y límites de seguridad.‍ También se prevé integrar el modelo con ‍planificación avanzada ⁢para ajustar recetas en función de ‍disponibilidad y variabilidad de materias primas, y extender el enfoque a etapas posteriores, como la preparación de esmaltes y la aplicación⁢ en línea. Por último, se reforzará el ciclo MLOps con pruebas A/B de modelos, análisis de causas raíz asistidos por IA y métricas de negocio integradas, asegurando que la tecnología siga alineada con los objetivos operativos y estratégicos.

Con esta ‌colaboración, Torrecid y Solver IA demuestran que la predicción en tiempo real‌ de la ⁢calidad de fritas no es ‌solo viable, sino también‍ un ⁤catalizador de competitividad: menos variabilidad, más eficiencia y mejor toma de decisiones, con la​ inteligencia artificial integrada en el corazón del proceso productivo.