Desarrollo del modelo neuronal para la mejora de la eficiencia de una línea de conversión de rollos de papel

Abstract

El presente trabajo de investigación tiene como base el estudio de las redes neuronales recurrentes y su aplicación en la predicción de la producción de una línea de conversión de rollos de papel de una empresa papelera para la mejora de eficiencia. Los sistemas biológicos son base de todo tipo de redes neuronales porque poseen interconexiones entre todas las neuronas de las que forman parte. Esta característica se evidencia en el comportamiento de las redes neuronales recurrentes; las cuales tienen la capacidad, debido a su tipo de procesamiento, de predecir valores en base a información pasada. El volumen de producción de rollos de papel es la variable a predecir debido a que es el resultado de variables de control como el tiempo de limpieza, cambio de papel base, cambio de formato, paradas programadas, rutinarias, defectos de calidad, etc. Estas variables son los inputs y outputs de la red neuronal. Una vez obtenida la confiabilidad de la predicción, se ingresan nuevos valores de tiempos de paradas de línea de producción para predecir el aumento de producción de la línea de conversión de rollos de papel. La simulación del sistema predictivo se realiza en KERAS, librería de alto nivel de Python, y el motor que entrena la red neuronal es la implementación de Google, denominada TENSORFLOW. Éste brinda el porcentaje de error de las predicciones de producción y las reales, el cual es mínimo y tiende hacia el valor de cero. Al ser así, además de corroborar la confiabilidad de la predicción, se incrementa la producción, la eficiencia de la línea de conversión y se produce un impacto positivo en los ingresos económicos de la empresa papelera.

The present research work is based on the study and application of recurrent neural networks in predicting the production of a paper roll conversion line in a paper company to improve efficiency. Biological systems are the basis of all kinds of neural networks, since they have interconnections between all the neurons of which they are part. This characteristic is reflected in the behavior of the recurrent neural networks; which have the ability, due to their type of processing, to predict values based on past information. The volume of paper roll production is the variable to predict because it is the result of control variables such as cleaning time, change of base paper, change of format, scheduled, routine stops, quality defects, etc. The variables are the inputs and outputs of the red neuronal. Once the reliability of the prediction is obtained, new values of production line stop times are entered to predict the increase in production of the paper roll converting line. The simulation of the predictive system is carried out in KERAS, a high-level Python library, and the engine that trains the neural network is the Google implementation, called TENSORFLOW. This provides the percentage of error of the production predictions and the real ones, which is minimal and tends towards the value of zero. As this is the case, in addition to corroborating the reliability of the prediction, production is increased, the efficiency of the line conversion and there is a positive impact on the economic income of the paper company.