Predicción de tiempos de operación en recubrimientos orgánicos mediante regresión lineal múltiple y árboles de decisión

Johan Sebastian  Lavacude Galvis; Hugo Fernando Castro Silva; Josué Iván Mesa Mojica

doi:10.24054/rcta.v2i48.4500

Predicción de tiempos de operación en recubrimientos orgánicos mediante regresión lineal múltiple y árboles de decisión

Autores/as

Johan Sebastian Lavacude Galvis Universidad Pedagógica y Tecnológica de Colombia https://orcid.org/0009-0008-9706-7952
Hugo Fernando Castro Silva Universidad Pedagógica y Tecnológica de Colombia https://orcid.org/0000-0001-6020-402X
Josué Iván Mesa Mojica Universidad Pedagógica y Tecnológica de Colombia https://orcid.org/0000-0002-0573-9205

DOI:

https://doi.org/10.24054/rcta.v2i48.4500

Palabras clave:

árboles de decisión, aprendizaje automático, estudios de tiempos, predicción, recubrimientos orgánicos, regresión lineal múltiple

Resumen

Este artículo presenta el desarrollo de modelos predictivos para estimar tiempos de operación en un proceso industrial de recubrimientos orgánicos, aplicado a la matrícula de nuevos productos en una planta de manufactura. La problemática central radica en que antes de incorporar los nuevos productos a líneas de producción, la organización debe matricular un tiempo estándar preliminar en el sistema de información, aun cuando todavía no se dispone de estudios de métodos y tiempos. Para abordar esta problemática, se consolida una base de datos a partir de registros históricos, mediciones por cronometro y atributos asociados a cada referencia. Para realizar el análisis se definen 3 familias de productos, considerando aspectos fundamentales para su agrupación como lo son: el área superficial de la pieza, expresada en decímetros cuadrados y el número de unidades por ganchera. Seguidamente, se compararon dos técnicas supervisadas: regresión lineal múltiple y árboles de decisión de regresión, siendo necesario definir criterios de depuración, protocolos de entrenamiento y prueba, así como métricas de desempeño, análisis de sensibilidad, diagnóstico de sobreajuste y validación cruzada con tiempos estándar previamente definidos por la organización. Los resultados muestran que los árboles de decisión alcanzan mejores indicadores globales de ajuste que la regresión lineal múltiple en los tres modelos evaluados; sin embargo, se plantea que su uso debe entenderse como una herramienta de apoyo para estimación preliminar y no como sustituto absoluto del estudio de métodos y tiempos.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

L. J. M. Meléndez, D. A. S. Chávez, and L. E. T. Mata, “El tiempo estándar y su importancia en las cotizaciones de proyectos de manufactura. Un enfoque de gestión,” NovaRUA, vol. 14, no. 24, pp. 110–122, Jan. 2022, doi: 10.20983/novarua.2022.24.6.

E. Cakit and M. Dagdeviren, “Comparative analysis of machine learning algorithms for predicting standard time in a manufacturing environment,” Artificial Intelligence for Engineering Design, Analysis and Manufacturing, vol. 37, e2, 2023, doi: 10.1017/S0890060422000245.

P. Backus, M. Janakiram, S. Mowzoon, G. C. Runger, and A. Bhargava, “Factory cycle-time prediction with a data-mining approach,” IEEE Transactions on Semiconductor Manufacturing, vol. 19, no. 2, pp. 252-258, 2006, doi: 10.1109/TSM.2006.873400.

Y. Meidan, B. Lerner, G. Rabinowitz, and M. Hassoun, “Cycle-Time Key Factor Identification and Prediction in Semiconductor Manufacturing Using Machine Learning and Data Mining,” IEEE Transactions on Semiconductor Manufacturing, vol. 24, no. 2, pp. 237-248, 2011, doi: 10.1109/TSM.2011.2118775.

A. Ozturk, S. Kayaligil, and N. E. Ozdemirel, “Manufacturing lead time estimation using data mining,” European Journal of Operational Research, vol. 173, no. 2, pp. 683-700, 2006, doi: 10.1016/j.ejor.2005.03.015.

L. Lingitz, V. Gallina, F. Ansari, D. Gyulai, A. Pfeiffer, W. Sihn, and L. Monostori, “Lead time prediction using machine learning algorithms: A case study by a semiconductor manufacturer,” Procedia CIRP, vol. 72, pp. 1051-1056, 2018, doi: 10.1016/j.procir.2018.03.148.

A. Rokoss, M. Syberg, L. Tomidei, C. Hülsing, J. Deuse, and M. Schmidt, “Case study on delivery time determination using a machine learning approach in small batch production companies,” Journal of Intelligent Manufacturing, vol. 35, pp. 3937–3958, 2024, doi: 10.1007/s10845-023-02290-2 (Springer Nature).

Y. P. Deepthi, P. Kalaga, S. K. Sahu, J. J. Jacob, K. P. S., and Q. Ma, “AI-based machine learning prediction for optimization of copper coating process on graphite powder for green composite fabrication,” International Journal on Interactive Design and Manufacturing, vol. 19, pp. 4123-4130, 2025, doi: 10.1007/s12008-024-02032-5.

K.-J. Flores-Huamán, A. Escudero-Santana, M.-L. Muñoz-Díaz, and P. Cortés, “Lead-Time Prediction in Wind Tower Manufacturing: A Machine Learning-Based Approach,” Mathematics, vol. 12, no. 15, art. 2347, 2024, doi: 10.3390/math12152347.

J. J. Paniagua Medina, E. Vargas Rodríguez, and R. Guzmán Cabrera, “Aprendizaje automático y la colección Reuters-21578 en la clasificación de documentos,” Revista Colombiana de Tecnologías de Avanzada (RCTA), vol. 2, no. 40, pp. 39–46, Jul. 2022, doi: 10.24054/rcta.v2i40.2344.

A. A. Rosado Gómez, L. Calderón Benavides, and J. A. Parra, “Comparación empírica de dos modelos de aprendizaje automático generados mediante procesos diferentes,” Revista Colombiana de Tecnologías de Avanzada (RCTA), vol. 1, no. 39, pp. 20–24, 2022, doi: 10.24054/rcta.v1i39.1369.

F. A. Fernández-Gelvez, L. Jaimes-Cerveleón, and L. E. Mendoza, “Modelo de regresión basado en máquinas de aprendizaje utilizando datos estadísticos del café colombiano,” Mundo Fesc, vol. 13, no. S1, pp. 258–272, 2023, doi: 10.61799/2216-0388.1499.

J. C. Gutiérrez Medina, A. Martínez, and P. Alzate, “La Industria 4.0: Tendencias, barreras y retos en la cuarta revolución industrial,” Mundo Fesc, vol. 14, no. 30, pp. 439–448, Sep. 2024, doi: 10.61799/2216-0388.1448.

M. P. Brugés-Peláez, C. A. Parra-Ortega, and J. D. Ramón-Valencia, “Forecasting of particulate material concentration using supervised machine learning,” Respuestas, vol. 29, no. 2, pp. 90–98, May 2024, doi: 10.22463/0122820X.5150.

J. J. Castro-Maldonado, J. A. Patiño-Murillo, and E. Camargo-Casallas, “Aplicación de analítica de datos en la evaluación de los procesos de investigación aplicada y desarrollo experimental para fortalecer las competencias del siglo XXI en una institución de educación no formal,” Respuestas, vol. 27, no. 2, pp. 6–26, May 2022, doi: 10.22463/0122820X.3541.

L. D. Suárez-Riveros, W. Pineda-Ríos, and I. M. Mendivelso-Ramírez, “Técnicas estadísticas y logro de aprendizaje: revisión bibliográfica,” Eco Matemático, vol. 12, no. 2, pp. 112–125, Jul. 2021, doi: 10.22463/17948231.3323.

J. R. Vera-Rozo, J. M. Riesco-Ávila, and A. Pardo-García, “Optimización mediante regresión polinomial del rendimiento líquido de la pirólisis de residuos plásticos recolectados en Norte de Santander,” Eco Matemático, vol. 15, no. 2, pp. 76–82, Jul. 2024, doi: 10.22463/17948231.4999.

A. Bustamante-Limones, C. Rodriguez-Borges, and J. A. Pérez-Rodriguez, “Evaluación del uso de gemelos digitales en los sistemas de producción,” AiBi Revista de Investigación, Administración e Ingeniería, vol. 12, no. 3, pp. 195–204, Sep. 2024, doi: 10.15649/2346030X.4382.

D. Arenas Seleey, C. E. Prieto Triana, y D. C. Chacón López, “Ingeniería de requerimientos e inteligencia artificial: una revisión de literatura”, Rev. Colomb. Tecnol. Avanzada, vol. 1, n.º 39, pp. 101-107, 2022. Disponible: https://doi.org/10.24054/rcta.v1i39.1395

L. Breiman, J. H. Friedman, R. A. Olshen, and C. J. Stone, Classification and Regression Trees. Boca Raton, FL, USA: Chapman and Hall/CRC, 2017, doi: 10.1201/9781315139470.

G. James, D. Witten, T. Hastie, R. Tibshirani, and J. Taylor, An Introduction to Statistical Learning: with Applications in Python. Cham, Switzerland: Springer, 2023, doi: 10.1007/978-3-031-38747-0.

M. Kuhn and K. Johnson, Applied Predictive Modeling. New York, NY, USA: Springer, 2013, doi: 10.1007/978-1-4614-6849-3.

J. H. Friedman, “Greedy function approximation: A gradient boosting machine,” The Annals of Statistics, vol. 29, no. 5, pp. 1189-1232, 2001, doi: 10.1214/aos/1013203451.

A. C. Choueiri, D. M. V. Sato, E. E. Scalabrin, and E. A. P. Santos, “An extended model for remaining time prediction in manufacturing systems using process mining,” Journal of Manufacturing Systems, vol. 56, pp. 188-201, 2020, doi: 10.1016/j.jmsy.2020.06.003.

M. Alnahhal, D. Ahrens, and B. Salah, “Dynamic Lead-Time Forecasting Using Machine Learning in a Make-to-Order Supply Chain,” Applied Sciences, vol. 11, no. 21, art. 10105, 2021, doi: 10.3390/app112110105.

Y. Li, Z. Fu, X. Yu, Z. Jin, H. Gong, L. Ma, X. Li, and D. Zhang, “Developing an atmospheric aging evaluation model of acrylic coatings: A semi-supervised machine learning algorithm,” International Journal of Minerals, Metallurgy and Materials, vol. 31, pp. 1617-1627, 2024, doi: 10.1007/s12613-024-2921-9.

W. Chen et al., “Prediction of coating degradation based on ‘Environmental Factors-Physical Property-Corrosion Failure’ two-stage machine learning,” npj Materials Degradation, vol. 9, art. 67, 2025, doi: 10.1038/s41529-025-00614-6.