Anomaly detection in noise tests of an electric motor production line using the Mahalanobis distance and Bootstrapping resampling

Abstract

Las pequeñas y medianas empresas PyME desempeñan un papel muy importante en el sector manufacturero, especialmente en la producción global de los países en desarrollo. Estas PyME no pueden competir en términos de tecnología de punta con las principales empresas internacionales, sin embargo, es necesario llegar a un terreno de juego más justo para que estas empresas puedan competir y sobrevivir frente a los gigantes tecnológicos. Por lo tanto, se deben desarrollar implementaciones más accesibles, tanto en el aspecto monetario como en el tecnológico, que aumenten la productividad. En este trabajo de tesis se realizó en colaboración con la industria automotriz para llevar a cabo el desarrollo de modelos estadísticos para la predicción de anomalías en la producción de motores eléctricos usando datos de ruido estructural. Estos conjuntos de datos, junto con el análisis estadístico y el uso de la distancia de Mahalanobis, se utilizaron para construir un modelo que es capaz de detectar cambios drásticos entre los lotes producidos para entonces predecir cuando el siguiente lote tendrá un alto número de piezas que no cumplan con los estándares de calidad exigidos. Este modelo se aplicó a los lotes producidos durante el mes de julio de 2022 para predecir el comportamiento de un único lote producido a finales de mes. El modelo predictivo, que tiene en cuenta el volumen acumulado de componentes fabricados, alcanzó una precisión del 98.96% en la identificación de componentes que superaban el umbral del cliente, del 99.65% en la distinción de componentes que superaban el umbral de intervención y del 97.50% en la detección de componentes que superaban el umbral de alerta cuando se comparaba con el lote de producción real. Estos resultados experimentales demuestran la efectividad de la metodología de detección de anomalías propuesta.