Un enfoque de machine learning para la predicción de la calidad de tableros contrachapados

Authors

  • Cynthia Urra-González
  • Mario Ramos-Maldonado

DOI:

https://doi.org/10.4067/s0718-221x2023000100436

Keywords:

Algoritmos, aprendizaje supervisado, industria de la madera, ingeniería de datos, modelos predictivos

Abstract

Dado el impacto que tiene en la productividad y en la reducción de costos, la toma de decisiones es uno de los aspectos más requeridos en la industria. En la fabricación de tableros, la calidad del producto es función de múltiples variables, especialmente de la variabilidad de la madera. Esta calidad depende, entre otros factores, de la adherencia entre chapas o resistencia a la tracción perpendicular. El objetivo principal de este estudio fue evaluar un enfoque de Machine Learning, esto es modelos de aprendizaje automático, que permitan predecir la adherencia bajo condiciones de operación industrial, en la etapa de encolado y pre-prensado. Las principales variables de control que determinan esta adherencia son los tiempos operacionales, la cantidad de adhesivo, las condiciones ambientales y la temperatura en la chapa.  Usando la metodología de analítica de datos Knowledge Discovery in Databases, se evaluaron algoritmos de Redes Neuronales Artificiales  y Máquina de Soporte Vectorial. Se obtuvieron buenos resultados al usar las funciones Relu y Sigmoid. La función Sigmoid entregó mejores resultados de acierto global (accuracy sobre el 66 %) y precisión en encontrar resultados correctos (casi 70 %). Al usar la función Relu se obtuvó un mejor recall (sobre el 74 %), lo que muestra su buena aptitud para identificar la realidad. Estos resultados muestran la viabilidad de usar inteligencia artificial en la predicción de procesos complejos. Muchos espacios de mejora se abren con un adecuado pretratamiento de las variables de proceso a objeto de obtener mejores resultados. El aporte de este trabajo radica en la definición de una metodología a ser usada en plantas industriales, en particular en la fabricación de tableros contrachapados, y en mostrar la factibilidad del uso de datos industriales y Machine Learning en la predicción de la calidad del producto.

Downloads

Download data is not yet available.

References

Aydin, I.; Colakoglu, G. 2005. Formaldehyde emission, surface roughness, and some properties of plywood as function of veneer drying temperature. Dry Technol 23(5): 1107–1117. https://doi.org/10.1081/DRT-200059142

Barrero, G. 2019. Evaluacion de la eficiencia de los modelos machine learning para la predicción de la calidad del software desarrollado en IBM RPG usando la matriz de confusión y las curvas ROC. Tesis de Maestría, Escuela de postgrado, Universidad Cesar Vallejo, Lima, Perú.

Bekhta, P.; Salca, E.A. 2018. Influence of veneer densification on the shear strength and temperature behavior inside the plywood during hot press. Constr Build Mater 162: 20–26. https://doi.org/10.1016/j.conbuildmat.2017.11.161

Bekhta, P.; Sedliačik, J.; Bekhta, N. 2020. Effects of Selected Parameters on the Bonding Quality and Temperature Evolution Inside Plywood During Pressing. Polymers 12(5): 1035. https://doi.org/10.3390/polym12051035

Carty, D.M. 2011. An analysis of boosted regression trees to predict the strength properties of wood composites. Master’s thesis, University of Tennessee, Knoxville, USA. https://trace.tennessee.edu/utk_gradthes/954

Cheng, Y.J.; Chen, M.H.; Cheng, F.C.; Cheng, Y.C.; Lin, Y.S.; Yang, C.J. 2018. Developing a decision support system (DSS) for a dental manufacturing production line based on data mining. Appl Syst Innov 1(2): 17. https://doi.org/10.3390/asi1020017

Cupek, R.; Ziebinski, A.; Zonenberg, D.; Drewniak, M. 2018. Determination of the machine energy consumption profiles in the mass-customised manufacturing. Int J Comput Integr Manuf 31(6): 537–561. https://doi.org/10.1080/0951192X.2017.1339914

Curteanu, S.; Cartwright, H. 2011. Neural networks applied in chemistry. I. Determination of the optimal topology of multilayer perceptron neural networks. J Chemom 25(10): 527–549. https://doi.org/10.1002/cem.1401

Demirkir, C.; Özsahin, Ş.; Aydin, I.; Colakoglu, G. 2013. Optimization of some panel manufacturing parameters for the best bonding strength of plywood. Int J Adhes Adhes 46:14–20. https://doi.org/10.1016/j.ijadhadh.2013.05.007

Dogan, A.; Birant, D. 2021. Machine learning and data mining in manufacturing. Expert Syst Appl 166: 114060. https://doi.org/10.1016/j.eswa.2020.114060

Doshi, R., Kant Hiran, K., Kumar Jain, R., Lakhwani, K. 2021. Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples. BPB Publications, India. 294 pp.

European Normative. EN. 2007. Plywood - Bonding quality - Part 1: Test Methods. EN 314-1.

Gandhi, K.; Schmidt, B.; Ng, A.H.C. 2018. Towards data mining based decision support in manufacturing maintenance. Procedia CIRP 72: 261–265. https://doi.org/10.1016/j.procir.2018.03.076

García, F.F.; de Palacios, P.; Esteban, L.G.; Garcia-Iruela, A.; González-Rodrigo, B.; Menasalvas, E. 2012. Prediction of MOR and MOE of structural plywood board using an artificial neural network and comparison with a multivariate regression model. Compos Part B: Eng 43(8): 3528–3533. https://doi.org/10.1016/j.compositesb.2011.11.054

Hazir, E.; Özcan, T.; Koç, K.H. 2020. Prediction of adhesion strength using extreme learning machine and support vector regression optimized with genetic algorithm. Arab J Sci Eng 45: 6985–7004. https://doi.org/10.1007/s13369-020-04625-0

Huang, Y.; Pan, C.; Lin, S.; Guo, M. 2018. Machine-Learning Approach in Detection and Classification for Defects in TSV-Based 3-D IC. IEEE Trans Compon Packaging Manuf Technol 8(4): 699–706. https://doi.org/10.1109/TCPMT.2017.2788896

Kamal, K.; Qayyum, R.; Mathavan, S.; Zafar, T. 2017. Wood defects classification using laws texture energy measures and supervised learning approach. Adv Eng Inform 34: 125–135. https://doi.org/10.1016/j.aei.2017.09.007

Köksal, G.; Batmaz, İ.; Testik, M.C. 2011. A review of data mining applications for quality improvement in manufacturing industry. Expert Syst Appl 38(10): 13448–13467. https://doi.org/10.1016/j.eswa.2011.04.063

Kujawińska, A.; Rogalewicz, M.; Muchowski, M.; Stańkowska, M. 2018. Application of cluster analysis in making decision about purchase of additional materials for welding process. In: Smart Technology. Lecture Notes of the Institute for Computer Sciences, Social Informatics and

Telecommunications Engineering. Torres Guerrero, F.; Lozoya-Santos, J.; Gonzalez Mendivil, E.; Neira-Tovar, L.; Ramírez Flores, P.; Martin-Gutierrez, J. (eds.). 213: 10–20. Springer. https://doi.org/10.1007/978-3-319-73323-4_2

Li, W.; Zhang, Z.; Zhou, G.; Leng, W.; Mei, C. 2020. Understanding the interaction between bonding strength and strain distribution of plywood. Int J Adhes Adhes 98: 102506. https://doi.org/10.1016/j.ijadhadh.2019.102506

Manrique, E. 2020. Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo. Rev Iber Sist Tecnol Inf E28: 586-599. http://www.risti.xyz/issues/ristie28.pdf

Melo, R.R.; Miguel, E.P. 2016. Empregabilidade de redes neurais artificiais (RNA) na prediçâo da quialidade de painéis aglomerados. Rev Árvore 40(5): 949–958. https://doi.org/10.1590/0100-67622016000500019 (En Portugués).

Miguel, E.P.; Melo, R.R.; Serenini Junior, L.; Menezzi, C.H.S.D. 2018. Using artificial neural networks in estimating wood resistance. Maderas-Cienc Tecnol 20(4): 531-543. https://dx.doi.org/10.4067/S0718-221X2018005004101

Nedelkoski, S.; Stojanovski, G. 2017. Machine learning for large scale manufacturing data with limited information. In: 13th IEEE International Conference on Control & Automation (ICCA). 70–75. https://doi.org/10.1109/ICCA.2017.8003037

Ochoa, L. 2019. Evaluación de Algoritmos de Clasificación utilizando Validación Cruzada. In: 17th LACCEI International Multi-Conference for Engineering, Education, and Technology. 471. http://dx.doi.org/10.18687/LACCEI2019.1.1.471

Osisoft. 2020. Visualizar datos de PI System. http://cdn.osisoft.com/learningcontent/pdfs/VisualizingPISystemDataWorkbook_Spanish.pdf

Özşahin, Ş.; Demir, A.; Aydın, İ. 2019. Optimization of Veneer Drying Temperature for the Best Mechanical Properties of Plywood via Artificial Neural Network. J Anatol Environ Animal Sci 4(4): 589–597. https://doi.org/10.35229/jaes.635302

Pang, W.Y.; Qing, J.J.; Liu, Q.L.; Nong, G.Z. 2020. Developing an Artificial Intelligence (AI) system to patch plywood defects in manufacture. Procedia Comput Sci 166: 139–143. https://doi.org/10.1016/j.procs.2020.02.036

Pavlyshenko, B. 2016. Machine learning, linear and bayesian models for logistic regression in failure detection problems. In: IEEE International Conference on Big Data (Big Data). 2046–2050. https://doi.org/10.1109/BigData.2016.7840828

Poblete, H.; Peredo, M. 1990. Tableros de desechos del debobinado de especies chilenas. Bosque 11(2): 45-58. http://revistas.uach.cl/pdf/bosque/v11n2/art05.pdf

Ramos-Maldonado, M.; Aguilera-Carrasco, C. 2021. Trends and Opportunities of Industry 4.0 in Wood Manufacturing Processes. In: Engineered Wood Products for Construction. Gong, M. (Ed.). IntechOpen, London, UK. https://doi.org/10.5772/intechopen.99581

Rostami, H.; Dantan, J.Y.; Homri, L. 2015. Review of data mining applications for quality assessment in manufacturing industry: support vector machines. Int J Metrol Qual Eng 6(4): 401. https://doi.org/10.1051/ijmqe/2015023

Suárez, Y.R.; Amador, A.D. 2009. Herramientas de minería de datos. Rev Cuba Cienc Informat 3(3–4): 73–80. https://www.redalyc.org/articulo.oa?id=378343637009

Teihuel, J. 2007. Propuesta de alternativas de solución para el transporte de residuos de madera sólida en la industria de tableros contrachapados. Tesis de Pregrado, Ingeniería en Maderas, Universidad Austral de Chile. http://cybertesis.uach.cl/tesis/uach/2007/fift263p/doc/fift263p.pdf

Tiryaki, S.; Aydın, A. 2014. An artificial neural network model for predicting compression strength of heat treated woods and comparison with a multiple linear regression model. Constr Build Mater 62: 102–108. https://doi.org/10.1016/j.conbuildmat.2014.03.041

Toksoy, D.; Çolakoğlu, G.; Aydin, I.; Çolak, S.; Demirkir, C. 2006. Technological and economic comparison of the usage of beech and alder wood in plywood and laminated veneer lumber manufacturing. Build Environ 41(7): 872–876. https://doi.org/10.1016/j.buildenv.2005.04.012

Urra, C. 2021. Desarrollo de modelo de predicción de calidad que permita la toma de decisiones en la etapa de encolado y pre prensado de un tablero contrachapado. Tesis de Postgrado, Magíster Ingeniería Industrial, Universidad del Bío-Bío. Chile.

Vick, C.B. 1999. Adhesive bonding of wood materials. In: Wood Handbook: Wood as an Engineering Material. USDA Forest Service, Forest Products Laboratory, Madison, WI, USA. General Technical Report FPL; Chapter 9. GTR-113: 9.1-9.24. https://www.fpl.fs.fed.us/documnts/fplgtr/fplgtr113/ch09.pdf

Wang, K.-S. 2013. Towards zero-defect manufacturing (ZDM)—a data mining approach. Adv Manuf 1(1): 62–74. https://doi.org/10.1007/s40436-013-0010-9

Yan, H.; Yang, N.; Peng, Y.; Ren, Y. 2020. Data mining in the construction industry: Present status, opportunities, and future trends. Autom Constr 119: 103331. https://doi.org/10.1016/j.autcon.2020.103331

Young, T.M.; Barbu, M.C.; Petutschnigg, A. 2013. The evolution of knowledge in forest products manufacturing. Pro Ligno 9(4): 22–27. http://www.proligno.ro/ro/articles/2013/4/Young_keynote_final.pdf

Zavala, D.; Valdivia, R. 2004. Transferencia de calor y su efecto en el proceso de prensado de tableros contrachapados . Rev Chapingo Ser Cienc For Amb 10(1): 43–49. https://www.redalyc.org/articulo.oa?id=62910107

Zhang, Y.; Ren, S.; Liu, Y.; Si, S. 2017. A big data analytics architecture for cleaner manufacturing and maintenance processes of complex products. J Clean Prod 142: 626–641. https://doi.org/10.1016/j.jclepro.2016.07.123

Downloads

Published

2023-04-26

How to Cite

Urra-González, C. ., & Ramos-Maldonado, M. . (2023). Un enfoque de machine learning para la predicción de la calidad de tableros contrachapados. Maderas. Ciencia Y Tecnología, 25, 1–22. https://doi.org/10.4067/s0718-221x2023000100436

Issue

Section

Article